The Role of Artificial Intelligence Technology on English Language Learning: A Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The word (AI) stands for artificial intelligence, a computer-based simulation of human intelligence meant to act like humans. AI is one of the driving forces behind the 4.0 industrial revolution, making teaching and learning more accessible in schools. This study aims to understand the function of AI in ELT and examine AI technologies in ELT. This is a library research project. The findings indicate that AI provides a positive learning environment for learning English. Depending on the learner's current level of English, career needs, or hobbies, it has much potential to create a customized environment where students can simultaneously use their senses to learn English. AI boosts practical abilities like writing and offers a trustworthy simulation dialogue platform like spoken English. It maximizes the teaching impact of English in ELT while increasing students' practice ability. With the advancement of technology and platforms, learning English has gotten simpler. Artificial intelligence technology provides the chance to enhance English linguistic competence. Students may comprehend English more quickly because many different learning technologies are available. Students get access to a wide variety of ELT apps that are built on AI technology. These technologies include Google Translate, Text to Speech (TTS), EnglishAble, Orai, Elsa, Chatbot, Duolingo, Neo platforms, and many others. Using a method that computers and mobile devices can use, these intelligent machines can mimic intelligence and make decisions as people do.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 découle