MétaCan
Menu
Retour à la cohorte
Enregistrement W4309681926 · doi:10.5430/wjel.v12n7p250

The Impact of Using Short Films on Learning Idioms in EFL Classes

2022· article· en· W4309681926 sur OpenAlexvenueno aff
Saad Aljebreen, Aseel Alzamil

Notice bibliographique

RevueWorld Journal of English Language · 2022
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSubtitles and Audiovisual Media
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLiteral and figurative languageMeaning (existential)English as a foreign languageCurriculumForeign languageMathematics educationComputer scienceTest (biology)PsychologyLinguisticsPedagogy

Résumé

récupéré en direct d'OpenAlex

Having a good command of idioms of a foreign language is regarded as an important element in mastering that language. However, due to their opaque nature, extracting idioms’ figurative meaning appears to be a challenging endeavor for most foreign language learners. Grounded in the cognitive theory of multimedia learning, this study aimed to investigate the extent to which using short films has an impact on Saudi EFL learners’ receptive knowledge of idioms. Data were collected from 84 female undergraduate students at a university in Saudi Arabia using a pre- and post-test, a questionnaire, and a semi-structured interview. The findings revealed that the participants in the short films group significantly outperformed their counterparts in the blogger group. Moreover, the findings also showed that the participants had positive attitudes toward using short films to study idioms. In attempting to tackle the issue of how English idioms can be learned and taught effectively in the language classroom, the research findings provide helpful insights for both EFL teachers, learners, and curriculum designers. It is recommended for English teachers to become more acquainted with and adopt more flexible and engaging pedagogical methods such as short films in teaching idiomatic expressions to their learners. Employing short films as a complementary teaching material can further ease the burden of idiom learning and create a more motivating and engaging learning environment for the learner.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,326
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,297
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of English LanguageMême sujetSubtitles and Audiovisual MediaTravaux en français237 207