Empirical Study on the Influence of Mobile Apps on Improving English Speaking Skills in School 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
Since technology provides adaptable, learner-centered opportunities for language acquisition, smartphones, and mobile applications have become indispensable in the era of Industrial Revolution 4.0, especially in higher education. Research indicates that both teachers and students view mobile learning as an effective tool for learning foreign languages and that mobile-assisted language learning (MALL) has made significant strides in offering resources and language exercises that can be completed at any time and place. The objective of this empirical study is to evaluate how mobile apps affect EFL students' English-speaking abilities and look into the relationship between skill development and app usage frequency. Additionally, it looks for potential moderating and mediating factors that affect how well mobile applications improve English speaking, illuminating the complex dynamics present in the EFL learning environment. The study used a concurrent embedded design and collected data on students' attitudes and views of smartphone English language learning apps (ELLA) through the use of a 26-item questionnaire. The questionnaire had a good degree of internal consistency with a score of 0.95 following data analysis, and t-tests were used to evaluate significant differences between groups. The data were gathered using a Likert scale. The results show that using mobile apps improves English-speaking abilities moderately but consistently, regardless of socioeconomic status. An important factor in this relationship is self-motivation. With beneficial ramifications for educators and legislators, the study highlights the potential of mobile apps as a useful tool for improving English proficiency among different student populations.
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 | 0,003 | 0,010 |
| 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 | 0,000 |
| 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