Specific Gaming Features in an Interactive Powerpoint on the enhancement of Grammar Skill
Notice bibliographique
Résumé
Information and Communication Technology (ICT) education becomes more prevalent in the 21st century, more emphasis been placed on developing teachers' competence in English language teaching, particularly in grammar terms. Teaching and learning in the 21st century have advanced and shifted from pen and paper to use of Information Communication and Technology (ICT) to help in the process of imparting knowledge and skills to the learners. Use of the information Communication Technology tools like computers, laptops, printers, scanners, software programs, data projectors, and interactive teaching box has made teaching and learning efficient and interesting. This study sought to determine the influence of selected gaming features in interactive PowerPoint in teaching of grammar skills among primary school students. The study adopted design of a narrative research model as it offers the respondents to give in-depth information about their experiences and allow the researcher to make independent observations. The study used observation schedule and interviews to collect data from a sample of 12 respondents teaching primary level English subject in a sub urban school in Pulau Tikus district, Penang, Malaysia. The study used thematic data analysis whereby the use of interactive PowerPoint gamming features in teaching primary school students significantly promoted good learning skills like lettering pronunciation, reading, spacing of words, coloring and joining of letters. Despite the positive outcomes of ICT utilization, teachers cited inadequate teaching resources and limited teacher training. The study recommends that teachers to be supported by adequate teaching and learning resources for efficient ICT utilization.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».