The Effects of Microlearning on EFL Students’ English Speaking: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Despite advancements in microlearning-based English-speaking education, comprehensive meta-analyses of its effectiveness remain scarce. This study aimed to evaluate the effect of microlearning on English speaking among English as a foreign language (EFL) students through a systematic review and meta-analysis. Following the PRISMA principles, the research was conducted in June 2023 across five phases: problem identification, data collection, screening, evaluation, and extraction. Data were obtained from peer-reviewed journals indexed in databases, including ERIC, Science Direct, Scopus, and Google Scholar. Data analysis was undertaken using the modified Newcastle-Ottawa Scale-Education (NOS-E). Subsequently, the R meta program facilitated a robust meta-analysis, allowing us to comprehensively gauge effect size. A literature review yielded 10 studies (combined sample size = 743) that matched the eligibility guidelines. On the NOS-E, each study scored 4.55 out of 6. The results demonstrate the superiority of microlearning over traditional lectures (total English-speaking scores, SMD = 1.43, 95%CI = 1.27?1.59, p < .05). In the meta-analysis, heterogeneity was revealed (total scores for English speaking, I2 = 66%, p < .01), with no publication bias. Microlearning significantly benefits English language teaching (ELT) and enhances EFL students’ English-speaking skills. However, limitations do exist. By addressing these limitations, educators may refine pedagogical practices for optimal ELT methods for EFL learning.
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 | 0,017 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,034 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».