“Please Let me Use Google Translate”: Thai EFL Students’ Behavior and Attitudes toward Google Translate Use in English Writing
Notice bibliographique
Résumé
The present study aims to investigate how Thai EFL university students use Google Translate (GT) in English writing, how they post-edit (PE) its outputs, and how they view GT use in English writing. The participants were 15 third-year non-English major students from three universities in Thailand. The data collection tools were an interview and two writing assignments. After the data analysis, the findings revealed the students’ behavior of GT use and their output PE as well as their attitudes toward GT use in English writing. The results reported the students always used GT in completing writing tasks at both sentence and paragraph levels, and most students did PE the outputs before applying them. However, a few students used the outputs with no PE because they trusted in GT more than they did in themselves. Regarding the PE level, the students intended to address lexical and syntax errors, so their correcting covered the light level. The results also revealed mixed messages in their attitudes toward GT use in English writing. Most students viewed GT as a helpful, reliable assistant enhancing their writing quality, but some raw GT outputs of phrases, idioms, long sentences, and paragraphs were found incomprehensible. Also, the students acquired some bad habits from using GT. However, most students disagreed with not being allowed to use GT in English writing. The study recommended language teachers to provide Thai EFL students adequate instructions for the effective use of GT and its output PE.  
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».