Google Classroom in TEFL for Basic School Students amid the COVID 19 Pandemic: Teachers’ Reflections
Notice bibliographique
Résumé
This paper exposed TEFL basic schoolteachers’ reflections on the use of Google Classroom amid the COVID 19 pandemic. It is a qualitative descriptive field research that tackled 82 TEFL teachers who responded to a reflection instrument which includes four questions tackled: (1) demographic general information, (2) uses of google classroom, (3) challenges teachers faced and ways they use to address these challenges, and (4) suggestions for best uses. The participants’ responses were qualitatively collected and analyzed. The findings showed that most TEFL teachers used Google Classroom for three purposes: evaluating students’ work using various assignments and tests, assigning useful homework and determining the participants in the course. The most common challenges that faced TEFL teachers were the weak e-learning skills they possess and the lack of suitable infrastructure, the huge number of students, thick textbooks and the negative psychological impact of the COVID 19. Several suggestions for the best uses related to lesson presentation, practice stage, follow-up and giving feedback on students’ work, and synchronous meetings were presented by TEFL teachers. The researcher recommended the officials in the Ministry of Education conduct specialized training courses for TEFL teachers to help them use Google Classroom for developing EFL students’ skills. Besides, it is essential to present general standards that guide EFL teachers to construct effective EFL courses.
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 | 0,002 | 0,007 |
| 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 | 0,001 | 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 ».