Foreign Language Literature in the Online Mode: A Quasi-Experimental Study with College EFL Learners in Saudi Arabia
Notice bibliographique
Résumé
The sudden outbreak of the Covid-19 pandemic and the subsequent drastic changes in the education sector led to a great deal of interest being generated in educational research. The corpus so added covered a wide range of issues that mushroomed in the new scenario, and as far as language research goes, there were not many areas that did not invoke new forays. However, teaching and learning of literature courses has remained a largely virgin territory and one which this study explores. Using a mixed-methods approach, this study examines the perspectives and satisfaction of EFL learners and teachers at Imam Muhammad bin Saud Islamic University (IMBSIU), Saudi Arabia, to the study of English literature in the online mode with standard online learning platforms in Imam University. This was followed by collection of quantitative data from both teachers (N= 30) and students (N= 50) using online surveys after an interventional period of six weeks during which literature lessons were delivered in a purely online mode. Data were collected via validated questionnaire supported by previous studies. Results showed that teachers reported their satisfaction due to the engagement of their students in the online literature classes. Similarly, students of the EFL literature class at IMBSIU have positive attitudes and high satisfaction on studying literature in the online mode. Furthermore, students reported gains in terms of (i) Efficacy of materials and resources; ii. Opportunities for autonomous learning; and iii. Opportunities for interaction; the teachers reported satisfaction in terms of i. Learner interaction; and ii. Professional satisfaction. The outcomes are likely to reflect on the efficacy of pedagogical practices and help enhance learning outcomes. Based on these findings, the study proposes pertinent recommendations on how online learning platforms in a tertiary setting might be utilized and enhanced over time, even when the pandemic becomes a thing of the past.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».