A Case Study of English as Foreign Language Chinese Teachers' Use of Computer-Based Technology
Notice bibliographique
Résumé
The purpose of this research was to explore the experiences of four Chinese university teachers of English as a Foreign Language (EFL) on the effectiveness of implementing computer-based technologies in their classes. Specifically, this case study sought to document the participants’ views on 1) the types of computer-based technology used in their classes; 2) the role of computer-based educational technology in teaching EFL pedagogy; 3) the potential benefits in using computer-based instructional technologies in EFL; 4) the challenges and/or barriers to the effective use of computer-based instructional technologies in EFL instruction. Using both within case and cross-case analyses, the findings reveal a complex interwoven set of perceptions and experiences computer-based technologies and English language teaching. Seven important themes emerged: 1) the school strongly encourages the use of auxiliary educational platforms; 2) the school supports teachers with many resources; 3) computer-based technologies have impacted student learning; 4) computer-based technologies have impacted the way teachers instruct; 5) computer-based technology enhance teaching effectiveness and efficiency; 6) technical difficulties associated with computer-based technologies are challenging; and 7) the COVID- 19 pandemic forced more rapid adoption of computer-based technologies. This research is especially significant as it includes a unique set of educators in a unique educational setting, implementing emerging educational technologies.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».