Design and Empirical Validation of Effectiveness of LANGA, an Online Game-Based Platform for Second Language Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Computer and smartphone-based applications for second language (L2) learning have become popular tools, being integrated in many classroom-based courses and adopted by the public at large. Yet, despite a significant body of research that suggests that individuals differ in their ability to learn L2, it is still unclear what factors predict successful L2 acquisition and how L2 teaching software can be designed to adapt to individuals' strengths and weaknesses. Here, we describe the architecture of LANGA, an online game-based platform under development for L2 teaching and research, and present a demonstrative proof-of-concept study using the platform. LANGA is designed to be both an effective and engaging product from the consumer perspective, and a tool that can be used by researchers to easily implement, deploy and test different training modalities for L2 teaching. Furthermore, key features of LANGA include easy configuration of training via modular design; emphasis on gamified teaching methods; and the use of automated speech recognition to provide learners feedback on verbal production. A first prototype of LANGA was tested in a small-scale, proof-of-concept study. Changes in proficiency from preto post-training were measured using recall and recognition tests, while event-related brain potentials (ERPs) were used to assess changes in brain activity related to lexical access over the course of learning. The results provided initial validation of the platform: participants were able to learn a large proportion of the words taught, and retained the novel words in a two/weeks follow-up. Future directions on the development of the platform are discussed.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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