Investigating the Adaptation of Saudi High School Students to Electronic Dictionaries as Language Learning Tools
Notice bibliographique
Résumé
Following the COVID-19 pandemic, the traditional education system has been moved to alternative online solutions worldwide. This research aims to uncover the experiences of Saudi secondary school students in using electronic dictionaries as an assistive language learning tool in the Madrasati online learning platform for English. Mixed methods research is employed to understand students’ experiences, knowledge, expectations, and thoughts about the electronic dictionaries they used during the COVID-19 crisis and the sudden and unplanned movement to online teaching tools in their language learning and practices. A total of 145 male students enrolled in a secondary school in the Ar-Rass educational directorate were asked to respond to the questionnaire, and 5 of them were randomly chosen to participate in the semi-structured interviews. Findings showed that a majority of the participants dislike the dictionary currently available on the Madrasati platform. They stated that they either favored using free dictionaries available on their mobile phone app stores or other online dictionaries. They consulted their dictionaries mainly to check the meanings of the new words because as compared to other language skills, they engaged more in reading. The data showed that a majority of the students neither sought the help of their teachers about the unknown words nor their friends. They also thought that the pandemic drastically altered their style of learning. Data also showed some disadvantages, difficulties, and concerns of using electronic dictionaries during the virtual classes through Madrasati.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».