The Effect of Mobile Learning on Students’ Reading Self-Efficacy: A Case Study of the APP “English Liulishuo”
Notice bibliographique
Résumé
A number of studies have been conducted regarding self-efficacy in the field of foreign language learning. Yet, with the popularity of mobile learning, research on the relationship between mobile learning and self-efficacy in this field is still limited. To bridge the gap, the study aims to investigate the effects of mobile learning on students’ reading self-efficacy, i.e. whether the use of mobile learning can improve students’ English reading self-efficacy. A questionnaire is employed to collect data from 294 non-English major students in universities. To survey the effect of mobile learning on students’ reading self-efficacy, the data is accessed by the software SPSS 20.0. Results of independent T test demonstrate that for overall students, reading self-efficacy for students who have used the app is significantly different from those who haven’t in overall reading skills and in the four dimensions of reading skills, i.e. basic reading skills, applied reading skills, reading task skills, and advanced reading skills. As for students with relatively better reading performance, the results are consistent. However, for students with relatively weak reading performance, the reading self-efficacy of students who have used the app only shows significant differences in overall reading skills and in the two dimensions of basic reading skills and applied reading skills, but shows no difference in the dimensions of reading task skills and advanced reading skills. Finally, practical suggestions for mobile learning and students’ English reading are given.
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 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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».