Effect of Educational Technology on Students’ Foreign Language Anxiety: A Thematic Literature Review
Notice bibliographique
Résumé
Foreign language anxiety (FLA), as a common affective filter, has impeded the language learning process. In order to reduce the FLA, researchers have explored several methods via enhancing language learning settings. Technology as a crucial tool in improving the learning environment has been considered on this topic as well. However, the results of these empirical studies are inconsistent. After reviewing 24 relevant experimental and quasi-experimental research articles from 2016 to 2021 and calculating the effect size for each article, it is evident that 46% of studies reported that technology-assisted instruction significantly decreased FLA, and 54% had no significant effect on FLA. Therefore, this paper aimed to examine the overall effect size on the topic and explore the moderators that caused these inconsistent results through examining five potential moderators (technology type, using methods for integrating technology into a foreign language classroom, exposure duration of technology in experimental groups, FLA type and target language) from the reviewed studies, which are based on the sources of FLA (Young, 1991; Yan & Horwitz, 2008). Two moderators (using methods for integrating technology into foreign language classrooms and target language) were found to get significant predictions on the effect of technology on students' FLA, p<0.05. These findings provide educators, researchers, and practitioners a new direction for future research on different methods of teaching the target language using suitable technology in the classroom.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».