Online Learning Experiences for Speaking Activities among Malaysian Undergraduate ESL Students
Notice bibliographique
Résumé
Speaking practice is crucial for ESL (English as a Second Language) students. Nevertheless, accomplishing speaking activities via online learning might be difficult for the college students at universities in Malaysia as they are non-native English speakers. There have been several studies about students' perceptions and preferences on online learning. Nonetheless, there was only a little research conducted to ascertain deep online learning perceptions and preferences of the undergraduate ESL students in Malaysia. The current article's goal was to look at ESL learners' opinions on the experiences through online connected to speaking activities at a public institution in Tanjong Malim. The mixed-research method of study was used. In this article, observation checklist, semi-structured student interview, and questionnaire were employed to get the information from the sample. The sample was then subjected to statistical analysis and standard deviation, mean score, as well as percentage to identify the Malaysian undergraduate ESL students toward online learning platforms, the difficulty that the learners encountered during the online learning, and the strategies implemented by undergraduate ESL students. Whereas the interview result was analysed by thematic analysis. The findings indicate that the use of technology for distant learning for undergraduate ESL students to improve speaking abilities was progressing well. This signifies that the students perceived that they have knowledge to use the online platforms with mean (x)= 4.07. However, several students noted that their main concern when undertaking online speaking exercises was the connection speed with mean (x)= 3.93. As a result, soliciting thoughts or ideas to boost their engagement in online speaking projects was beneficial to the pupils with mean (x)= 3.97.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».