Utilising Tiktok Features for Speech Communication
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 art of teaching speech communication should be varied according to current trends. Teaching speaking should focus on the practice of the language, which should be done in pairs or groups. However, the COVID-19 pandemic restricted students from attending schools, making speaking in English impossible. Social distancing was enforced and still is now, when they returned to school, ruling out group activities or much speaking in classrooms. This was an issue among English language teachers in Malaysia as the teaching of English uses a modular system that comprises Listening and Speaking, Reading, and Writing. Listening and speaking could not be conducted at will. Pupils were deprived of opportunities to practice the English language in classrooms. Therefore, the suggested course of action was to improve speech communication by utilising the technologically useful application TikTok and its essential functionalities. This study aims to investigate how TikTok features can improve speech communication and examine learners' perceptions after applying the TikTok features to improve their speaking skills. The instruments used for this study are speaking rubrics for speaking tests and a questionnaire. A purposive sampling of 100 students was used. The results show that the respondents scored higher in their post-test than their pre-test after using TikTok to improve their speech communication. All respondents perceived the use of TikTok as positive and encouraging. The implication of the findings includes introducing innovative speaking practice measures such as the development of mobile learning, and a renewed teaching methodology to teach speech communication.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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