Teaching Grammar to Iraqi EFL Students of Al- Hamdaniya University during COVID-19 Pandemic: Problems and Solutions
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
During the fight against Covid-19, schools and universities in Iraq and many other countries have been closed and digital learning has begun to take place. In this paper, the researchers have tried to identify the difficulties which faced students through Electronic Learning (hereafter, E-learning) during Covid-19. Inadequate instruction, lack of internet and electricity, little experience and low attendance are just some of the problems that our student face in this type of learning. To assess the benefit of such learning in Iraq, it is hypothesized in this paper that online learning has a bad impact on students’ performance be it spoken or written. To test the validity of the hypothesis, an online questionnaire of (3) items was given to (30) 4th year students of English department to identify the problems and solutions to digital learning from their own perspective. Data was analyzed by using a mixed method (i:e both quantitative and qualtitative) because such method describes and interpretes statistical percentages. The results of the analysis show that the biggest problem for most of the students in particular in our country is that electricity and internet are not available all the time. Another conclusion is that some students personally are not interested in the subject of grammar. It has also been found that the best solution is to go back to classroom teaching or face to face communucation. The study provides some recommendations which can be of benefit to EFL teachers, students and probably to the teaching process in cases of emergency.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 découle