A Meta-analysis of the Literature on Mobile Assisted Language Learning in Response to COVID-19 in Saudi Arabia
Notice bibliographique
Résumé
This study attempts a meta-analysis of research conducted in Saudi Arabia on Mobile Assisted Language Learning (MALL) related to the teaching and learning of English language in response to COVID-19 that led to the lockdown of education institutions. In this connection, a comprehensive search on Google Chrome and Google Scholar was conducted to collect data to answer the research questions and thus achieves its objectives. Fifty research articles and PhD dissertations were identified, but only seven of them met two selection criteria used in this study: the study should be conducted during or after COVID-19; and it should focus on mobile applications per se. These criteria excluded forty-two articles and PhD dissertations from selection. The studies that were not selected for meta-analysis were either review research articles or data-driven research articles that did not center upon specific mobile applications as in the case of articles that simply focused on “pronunciation applications” without naming one such application. The studies selected for meta-analysis used qualitative, quantitative, and mixed methods to collect their respective data. Positive results emerged from all the studies regarding the use of mobile applications in EFL learning in the Saudi context. This conclusion is equally true for motivation, perception and attitude studies. The results fell roughly into three major categories: the use of mobile applications in informal learning, learners’ motivation, perceptions and attitudes towards mobile phone applications as learning platforms, and the effect of mobile applications on learning style.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».