Enhancing Speaking Skills and Vocabulary in the EAL Classroom Through TikTok: 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 widespread adoption of TikTok globally has positively impacted its application in education, particularly in language teaching and learning. English, being widely spoken as a lingua franca, is extensively used for content dissemination through TikTok worldwide. However, a preliminary search on the internet revealed a need for more research syntheses on the use of this platform in the English as an Additional Language (EAL) classroom. This scarcity prompted the research discussed in this article. The study took the form of a literature review and followed the principles of Systematic Literature Review, aiming to explore how TikTok has been used in the EAL classroom and what learning benefits it offers. An adapted version of the research protocol model developed by Sarah Visintini was employed for searching, selecting, and extracting written productions from web-based databases to compose the research sample. Eight peer-reviewed articles constituted the final sample based on retention and discard criteria. The retained texts were analyzed using the thematic analysis method proposed by Virginia Braun and Victoria Clarke. The findings indicate that TikTok can effectively enhance speaking skills and expand the vocabulary repertoire of EAL students. Moreover, its usage can aid in maintaining student focus on classroom activities. Further comprehensive searches in online databases, using diverse mechanisms, can yield substantial corpora, facilitating broader and more in-depth analyses and discussions on the pedagogical applications and benefits of TikTok in the EAL classroom.
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 | 0,005 | 0,240 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découle