The Impact of the Flipped Classroom Teaching Model on EFL Learners’ Language Learning: Positive Changes in Learning Attitudes, Perceptions and Performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Instruction in English as a foreign language (EFL) learning is a priority around the globe, but instructional methodologies have not always kept pace with the changing needs of learners. The traditional teacher-centered EFL classroom teaching model can no longer meet the needs of college EFL learners to strengthen and improve their language ability. For years, the flipped classroom teaching model has been widely recognized as an innovative and effective instructional method by language educators. Based upon the analysis of the current EFL teaching and learning situation and the flipped classroom teaching model, the author took two Artificial Intelligent classes from a Chinese public college as the participants in the experiment to explore the impact of the flipped classroom teaching model on their language learning. One Artificial Intelligent class, the Experimental Group (EG), adopted the flipped classroom teaching model in EFL class, and the other Artificial Intelligent class, the Control Group (CG), adopted the traditional teacher-centered method in EFL class. After the survey, implementation of different teaching models, pre-test and post-test comparison, learning time changing curve analysis, and analysis of learners’ acceptance of the new model, the study aims to find out the impact of the flipped classroom teaching model on college EFL learners’ language learning attitudes, perceptions and performance, providing some references for college EFL educators on their EFL teaching to a certain extent.
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.
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 | 0,007 | 0,004 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle