The Effects of Task-Based Instruction Using Online Language Games in a Flipped Learning Environment (TGF) on English Oral Communication Ability of Thai Secondary Students
Notice bibliographique
Résumé
The purposes of this study were to investigate the effects of task-based instruction using online language games in a flipped learning environment (TGF) in developing the English oral communication ability of Thai secondary students and examine the students’ opinions of the task-based instruction using online language games in a flipped learning environment. The present study employed a mixed-method approach. The two-group pre-test and post-test design was used. The participants were 80 students studying in Mathayomsuksa 3 (grade 9) at a secondary school in Maha Sarakham province in Thailand. Forty students were in the experimental group where the TGF was given as the treatment, and 40 students were in the control group where all instruction was taught only in class. Pre- and post-tests were used to collect the quantitative data. A semi-structured interview was used to collect the qualitative data from the students’ opinions. The findings revealed that the students in the experimental group outperformed those in the control group after the TGF. The different mean score of the experimental group was statistically significantly higher than the control group (p < 0.05), demonstrating that the TGF was effective in improving the students’ English oral communication ability. It appears that combining task-based language instruction, flipped learning, and game-based language learning could help the students improve their oral communication skills in English.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».