‘I Couldn’t Join the Session’: Benefits and Challenges of Blended Learning amid COVID-19 from EFL Students
Notice bibliographique
Résumé
COVID-19 has changed the process of teaching considerably, as educational institutions around the world moved to adopt blended learning initiatives to ensure continuity, while managing the spread of this infectious disease. All Saudi Arabia’s universities have continued to deliver courses via digital platforms. This study draws on traditional views about blended learning (Sharma, 2010) and examines the pedagogical changes to English courses implemented at King Saud University following the start of the COVID-19 pandemic. It aims to explore the benefits and challenges of blended learning during the spread of COVID-19 from the perspective of English as a foreign language (EFL) student. Qualitative data were collected from two focus group sessions, and one-to-one interviews with twelve students taking a general intensive English course at King Saud University over a six-week period. The results reveal that blended learning benefited the EFL students by supporting their writing skills and encouraging them to search online, as well as by matching their circumstances and being economical. It also identifies that the challenges EFL students faced included technological problems, flaws in the instructor’s performance, difficulties with online tests, attitudes to online learning and limited resources, and the university council’s decisions. The paper concludes with recommendations to exploit the benefits identified, and overcome the challenges of blended learning when teaching English in an EFL context.
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 | 0,019 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,014 | 0,007 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».