Leveraging Artificial Intelligence (AI): Chat GPT for Effective English Language Learning among Thai Students
Notice bibliographique
Résumé
The study aimed to 1) explore the potential of Artificial Intelligence (AI) models like Chat GPT to facilitate English language learning among Thai students and 2) compare the English language learning effectiveness among Thai students after implementing artificial intelligence (AI) like Chat GPT to facilitate English language learning. The participants involved Thai students aged 19-20 from first-year pre-service teachers in Bangkok. 120 students participated, 60 in the control and 60 in the experimental group. The selection of participants was done through stratified random sampling to ensure a diverse representation of pre-service teachers with varying levels of English proficiency. They utilized a mixed-methods approach that combined qualitative and quantitative data: Standardized English tests, Chat GPT, focus group interviews, and field notes. The research findings strongly advocated integrating AI tools like Chat GPT in educational settings to facilitate more effective language learning. The study demonstrates that students who interacted with AI significantly improved their language skills. A paired t-test revealed that this difference was statistically significant (p < 0.05). Feedback from the focus group interviews indicated that students in the experimental group, after implementing artificial intelligence (AI) like Chat GPT, found the AI-based learning experience more engaging and personalized. They reported that the real-time feedback and interactive exercises offered by Chat GPT helped them understand and apply language concepts more effectively. Lastly, the attitude changes because the students had high motivation, strong self-confidence, and a positive attitude shift.
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 | 0,003 | 0,010 |
| 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 | 0,001 | 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 ».