The Transformative Impact of AI-Powered Tools on Academic Writing: Perspectives of EFL University Students
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
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.
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 | 0,001 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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