Integrating MOOCs in Formal Education: To Unveil EFL University Students’ Self-Learning in Terms of English Proficiency and Intercultural Communicative Competence
Notice bibliographique
Résumé
This study employed a blended learning approach to investigate 98 medical university EFL students’ perceptions and analyzed the learning trajectory of their LMOOCs in formal education. Meanwhile, Byram’s (1997) intercultural communicative competence (ICC) model was adopted to explore if students’ English proficiency and ICC abilities could enhance or hinder their LMOOCs. Participants of this elective two-credit course, “English Presentation Skills,” were all required to complete one LMOOCs course to earn official certificates for the credits. Questionnaires about self-learning background and intercultural communicative competence, weekly reflections on self-learning, assistant-student interviews, and personal presentations at the final stage are conducted to test the consistency between student self-evaluation and class performance. The rubric of the TOEFL iBT Test was adopted to evaluate students’ oral expression. Video clips collected in class were analyzed to track the differences in students’ target skills. Findings revealed that before integrating LMOOCs in formal education, it is essential for instructors to equip students with enough self-learning skills through orientations and stress time management in MOOCs learning strategies, and scaffold sufficient English communication skills before students are thrown to sink or swim on their won. A revised version of the ICC model was proposed at the end (the context may vary) in the hope of drawing more attention and voice to this research area. The integration of LMOOCs in formal education, be it for language teaching or self-learning, should be directed toward the level of “precision instruction” in the future.
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 | 0,001 |
| 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 | 0,000 | 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 ».