MétaCan
Menu
Retour à la cohorte
Enregistrement W4387376358 · doi:10.5430/wjel.v13n8p446

A Study on Understanding the Effectiveness of Audiovisual Aids in Improving English Vocabulary in ESL Classrooms

2023· article· en· W4387376358 sur OpenAlexvenueno aff
Dajer-Torres Regina, W. Christopher Rajasekaran

Notice bibliographique

RevueWorld Journal of English Language · 2023
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueSubtitles and Audiovisual Media
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTamilVocabularyCronbach's alphaComputer scienceMathematics educationEnglish vocabularyComprehensionPsychologyMultimediaLinguistics

Résumé

récupéré en direct d'OpenAlex

Vocabulary is essential for comprehension and linguistic development for English language learners. This study used a survey method to identify the effectiveness of vocabulary learning, proper retention, cognitive skills, and technology-based learning in the English language classroom. Thus, the research aims to explore the effectiveness of visual and audio materials in developing vocabulary. The study employed a quantitative approach, and statistical tools were employed for quantitative analysis. The study examines the advantages of audio-visual resources for enhancing vocabulary retention. The participants are tertiary-level students from a reputed university in Vellore district of Tamil Nadu. Around 120 students participated in the survey. A self-designed questionnaire with 10 items was circulated, and data was collected in the Google Form. The results of the data prove the need for audio-visuals in Indian English classrooms, and the students find the audio-visuals interesting and attentive to learning the vocabulary. The Cronbach alpha value of the questionnaire is 0.845; hence, it is concluded that the data is reliable. The survey results show that using multimedia materials in language classrooms will effectively develop English vocabulary among students in Vellore district. Students find it interesting and have an enjoyable learning environment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,432

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,282
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of English LanguageMême sujetSubtitles and Audiovisual MediaTravaux en français237 207