MétaCan
Menu
Retour à la cohorte
Enregistrement W2760058876 · doi:10.5539/ass.v13n10p124

The Effectiveness of the Use of Animation in Arabic Language Learning

2017· article· en· W2760058876 sur OpenAlexvenueno aff
Norhayati Che Hat, Mohd Fauzi Abdul Hamid, Shaferul Hafes Sha’ari, Safawati Basirah Zaid

Notice bibliographique

RevueAsian Social Science · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueVisual and Cognitive Learning Processes
Établissements canadiensnon disponible
Organismes subventionnairesPusat Pengurusan Penyelidikan dan Inovasi, Universiti Utara MalaysiaUniversiti Sultan Zainal Abidin
Mots-clésAnimationArabicSignificant differenceMathematics educationTest (biology)Achievement testComputer scienceEnglish languageControl (management)PsychologyMultimediaMathematicsLinguisticsArtificial intelligenceStatisticsStandardized test

Résumé

récupéré en direct d'OpenAlex

Implementation of animation as an Arabic language teaching aid is an innovation in creating an atmosphere that can influence student achievement. This study aimed to identify the effectiveness of the use of animation in Arabic language teaching and learning among diploma students at Universiti Sultan Zainal Abidin (UniSZA), Terengganu, Malaysia. A total of 66 diploma students were randomly selected and divided into experimental group (n = 33) and control group (n = 33). The results obtained from the data collected from pre-and post-test for each group were analyzed using t-test in SPSS version 17.0. The results showed a significant difference of (t = 8789, df = 64, p <0.05) between the achievement of the experimental group and the control group in the post test. The difference in mean score of the experimental group and the control group was 33.03. This shows that there is significant improvement in Arabic language according to the groups. The difference prove that the use of animation in learning sessions contribute to the achievement of students in the Arabic language. This study advocate the idea that animation applications can be integrated as part of language teaching aid to positively improve student achievement, classroom learning environment and student motivation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,043
Tête enseignante GPT0,389
Écart entre enseignants0,346 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Social ScienceMême sujetVisual and Cognitive Learning ProcessesTravaux en français237 207