The Transformative Impact of AI-Powered Tools on Academic Writing: Perspectives of EFL University Students
Notice bibliographique
Résumé
In today’s global context, EFL learners face the challenge of mastering a new language and academic writing, especially in higher education. The study investigates how AI transforms university-level EFL students’ academic writing skills, aiming to revolutionize their approach to written language for academic success despite language barriers. Using a mixed-methods approach, this study investigates the perspectives of fifty first-year female students at Al-Baha University, Saudi Arabia, during the 2023–2024 academic year, employing both qualitative and quantitative data analysis. Using a 5-point Likert-type questionnaire and Zoom interviews, the study clarifies EFL students’ perceptions of AI writing tools. Results from the questionnaire highlight the active usage of tools such as Grammarly and GPT-3 among students. Students favor the integration AI tools into coursework, although the level of support from instructors varies. EFL students see the positive impact on writing quality but remain unsure about confidence improvement. Interviews reveal diverse tool usage, with Grammarly and ChatGPT notably favored for their adaptability and cost-free nature. The study supports integrating AI writing tools into EFL university education, emphasizing benefits such as enhanced writing quality, time efficiency, and bolstered academic integrity. The paper highlights AI’s significant impact on EFL university students’ writing skills in today’s digitally reliant world where English holds key communication importance. It underscores AI-powered tools as valuable complements to conventional writing skills, emphasizing equitable access, guidance, and collaboration between AI and educators. The study suggests strategies for creating dynamic, tech-driven learning settings that empower EFL students in their writing tasks and academic endeavors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».