Examining EFL Students' Motivation Level in Using QuillBot to Improve Paraphrasing Skills
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
Paraphrasing, being an essential component of academic writing skills, poses a challenge for EFL students. It requires motivation through integration of technology and artificial intelligence-mediated tool like QuillBot to address the issue. QuillBot, the online artificial intelligence tool, has the potential to assist and motivate students to improve their paraphrasing skills. This study, to address the scarcity of the available literature especially in Najran University context, aims to examine EFL students' motivation using QuillBot to improve their paraphrasing skills. To achieve the study objectives, the descriptive-diagnostic research design was followed. One hundred two students registered in Technical Writing course were the participants to respond to a questionnaire and semi-structured interview questions. The study explores whether there is any significant difference in the participants’ responses in terms of their gender. The results revealed that QuillBot highly motivated students to improve their paraphrasing skills from their point of view. Also, it was shown that gender influenced the respondents' answers in favor of females. Additionally, the content analysis showed that technology-mediated classrooms, personal digital gadgets, easy access to software and internet applications, proper guidance (how to use the AI tool to solve the paraphrasing exercises of the syllabus) to use AI etc. are factors that highly motivate EFL students to utilize QuillBot in improving their paraphrasing skills. The potential implications of these resources are to make writing classes more enjoyable, engaging, interactive, productive, and lively for students. Based on the findings, the study suggests EFL teachers use QuillBot to enhance paraphrasing skills, inspire students, adapt teaching methods to technology, while future research is recommended to explore essay and summary writing.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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