Connecting Beyond the Classroom: Use of Viber as a Support Tool for Enhancing Essay Writing Skills and Online Language Learning Engagement among Students
Notice bibliographique
Résumé
This research study discovered students' online English learning engagement through the use of Viber as a support tool in essay writing by the first-year English majors at a university level with a total of ten participants, five women and five men. It employed the Quasi-experimental design, and pre-and post-test design was used to measure the language learning engagement of the first-year students at a tertiary level. Data were analyzed through frequency count and percentage with the help of SPSS. The result shows that student engagement and level of attitude in language class before the utilization of VST is very low. This means they are very upset in the language class, especially in writing. However, after using VST, their attitude towards writing changes, which means that Viber positively impacts their attitude towards writing. It is also found that they are proficient and well-immersed in writing. Based on the pre-test and post-test scores, they may use Viber as a Support tool or opt to use traditional support because this study revealed that their performance in writing remains good for the two interventions. However, teachers may consider the view of students on using Viber, for this gives them greater efficiency in writing because it makes them focus. Teachers may consider incorporating Viber in their teaching methods to enhance their students' writing skills and overall learning experience.
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 | 0,011 | 0,011 |
| 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 | 0,001 |
| 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 ».