A Gender-Based Study to Investigate Saudi Male and Female EFL Learners’ Satisfaction Towards the Effectiveness of Hybrid Learning
Notice bibliographique
Résumé
Since the transmission of knowledge has started, it solely relied on traditional teaching methods but ever since technology-mediated instructions have emerged, they potentially brought a revolution in how we teach, when we teach, from where we teach and what gadgets, modes and apps can better cater learners’ interest and motivation. In this context, hybrid learning is a novel approach in academic settings that embraces advantage of the retention of face-to-face component of traditional classes and e-learning environment. The present study aims at investigating Taif University’s male and female English as Foreign Language (EFL) learners’ satisfaction towards the onsite and online learning environments. An opinionnaire with 20 items was developed with closed ended questions by employing Likert’s five-point scale to collect the data from 200 male and female EFL participants of Taif University, represents quantitative dimensions of the study. The research tool is designed to measure learners’ satisfaction that is further categorized into five subscales. These include: (a) learners’ satisfaction with the instructor and their real-time feedback; (b) perceived ease of use of technology and internet; (c) effective course content and interactive and collaborative activities; (d) finally engaging nature of hybrid learning and its impacts on learners’ interest and motivation. The study finds no significant differences in male and female participants’ perceptions regarding effective delivery of hybrid instructions except meek variations in male and female learners’ preferences in perceived ease of use of technology. The statistics reveal that male participants and their female counterparts slightly differ in their satisfaction level towards the technical problems faced by them in recording their scores, flexibility in terms of time and space, and in smooth completion of online activities. Finally, the study provides few recommendations to fix certain issues and improve the quality of hybrid learning environment.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».