WhatsApp Activities for Enhancing TEFL Pedagogical Knowledge and Classroom Practices: Suggested Types and Student-Teachers' Reflection
Notice bibliographique
Résumé
This research was conducted to suggest a set of WhatsApp activities to enhance pedagogical knowledge and classroom practices that can be used in TEFL courses and to explore student-teachers' reflection towards the use of WhatsApp and the suggested activities. By reviewing related literature of using social networks and WhatsApp and though interviewing (9) TEFL instructors and (17) TEFL student-teachers, the researcher was able to suggest several activities that were used effectively in TEFL courses. These activities are: (1) reading materials (2) prediction ideas to get interest for the next lecture (3) videos (4) questions for flip classes or reviewing questions or proposing a problem to solve (5) open discussion topics or reflection on the lecture. A set of bases for using WhatsApp activities such as: posting clear content and having clear instructions for doing the activity, meeting FL student-teachers' language level or little higher language level, and not overloading TEFL student-teachers was presented. A group of (104) TEFL student-teachers from the faculty of education at Al-Azhar University-Gaza completed the following three reflection questions: what are the benefits of using WhatsApp and the suggested activities? What are the disadvantages of using WhatsApp and the suggested activities? What are the recommendations for improving the usage of WhatsApp applications and the suggested activities? Their responses were analysed qualitatively and quantitatively. The most common benefits were classified under (a.) pedagogical knowledge (b.) classroom practices (c.) review and evaluation (quizzes or tests) (d.) course requirements. On the other hand, the mentioned disadvantages were classified as (a.) technical and security problems (b.) communication problems.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».