The Impact of ChatGPT in Developing Saudi EFL Learners' Literature Appreciation
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
Teaching foreign language learners literature appreciation can be a tricky task as it follows from a deep and clear understanding of literature as the first step. This study examines whether and how an AI tool (ChatGPT) can contribute to the literature appreciation skills of EFL learners. The study was conducted with a sample of 28 female EFL learners at Prince Sattam Bin Abdelaziz University (PSBAU), Saudi Arabia in the first semester of 2023 spanning a ChatGPT- based intervention period of three weeks. Results indicated that learners’ literature appreciation scores improved from 17.96 before the intervention to 22.21 afterwards with a probability value which was a statistically significant change. The parameters on which the improvement was observed were the ability to identify and interpret literary themes, symbols, and character development using the chatbot. The study employed a unique method of gathering real-time experiential data from the participants by encouraging them to share their ChatGPT interaction experiences after each interventional session. The participants reported gains over conventional learning including cоntext and nuances, general language proficiency by helping with error correction, cohesion, and coherence, identifying themes, motifs, symbolism, and character development, exposure to world literatures, adjustment to learners’ proficiency levels, cultural and historical information, and freedom to ask questions. Based on these results, the study highly recommends the integration of ChatGPT into the EFL classroom but with appropriate investment in educating the learners on the ethics of AI use as was done by the researcher here.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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