Exploring the Effects of Microsoft Teams Messaging App on Post Foundation Students' Writing Skills: A Socio-Constructivist Analysis
Notice bibliographique
Résumé
This paper analyses the effects of interaction via Microsoft Teams private chat on Post Foundation students' writing skills. The current study was conducted at the University of Technology and Applied Sciences, Al Musannah, Oman, during the Spring of the Academic Year 2022-23. Of the sixty students registered for the Technical Writing course, twenty were selected as the purposive sample for this study as they were very active in using the Microsoft Teams private chat messaging app to interact with their teachers and peers. A qualitative approach was adopted to conduct a thematic analysis of the writing samples; hence, the participants were asked to send emails on different topics related to their course and instructed to use MS Teams private chat for interaction with their teacher and peers outside class hours. The thematic analysis of the emails was carried out in terms of formality, grammar, tone, word choice and context using a software package called QDA Miner Lite. The researchers found that students used abbreviations, shortened words, acronyms, slang, and emoticons for interaction through MS Teams private chat. However, they were very cautious in using formal and standard language in writing emails. Informal language and colloquial expressions were not found in their formal emails and academic writing, indicating that they were aware of the context and use of appropriate language. The researchers conclude that extensive social interaction on MS Teams private chat can significantly contribute to learners' communication skills without negatively impacting their academic English. Therefore, this study recommends the judicious integration of social media apps into English language courses to enhance ESL learners' communication skills.
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 | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».