The Impact of Mobile Game-Based Language Learning Apps on EFL Learners’ Motivation
Notice bibliographique
Résumé
This study examines the effect of integrating mobile-game based language learning applications (MGBLLAs) on Saudi female English as a Foreign Language (EFL) students’ motivation to learn English. It explores the perceptions of students regarding the pedagogical value of the following free MGBLLAs: Game books: Great Reader, Game to learn English - EnglishTracker, and Learn English Vocabulary Pop Quiz. A group of thirty Saudi female beginner level students, aged from 18-20 years old and enrolled for their foundation year at King Abdulaziz University (KAU) participated in the study. The study was carried out over a seven week period. Data were collected using two questionnaires. A pre-MGBLLAs integration questionnaire was modified to determine students’ motivations for learning English. A post-MGBLLAs integration questionnaire designed by the author was also issued. It was utilized to explore the perceptions of students regarding the use of the three mobile game-based language learning apps, and to discover any impact on learner motivation. The results of the pre-MGBLLAs integration revealed that the EFL students were motivated to learn English. However, their motivation was high instrumental motivation, because it is taught as a compulsory course in their foundation year and they must achieve high scores to be able to start studying their preferred major. Significantly, the findings of the post-MGBLLAs integration questionnaire revealed that students perceived the three apps as beneficial for learning and improving motivation. These results contribute to the literature regarding mobile game based learning, and EFL students’ 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».