The Impact of Mobile Game-Based Language Learning Apps on EFL Learners’ Motivation
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
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.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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