Perceptions of Chinese University English Majors on the Use of WeChat as a Platform for Peer Feedback in English Writing
Notice bibliographique
Résumé
Peer feedback is widely acknowledged as a valuable addition to English language learning, with several research confirming its various benefits in improving English writing skills (Liu & Edwards, 2018). WeChat is the main communication tool in China, especially among young people. However, its potential for peer evaluation in English writing has not been thoroughly explored especially for English language learning, and more specifically for giving and receiving peer feedback for English writing. Current research mostly centers on Chinese college students, neglecting English majors who have comparable difficulties in mastering English writing abilities (Gan et al., 2004). Therefore, this study aims to investigate the perceptions of Chinese English majors on using WeChat for peer feedback. Data was gathered using a structured questionnaire that was designed based on the Technology Acceptance Model (TAM). The results show that most respondents have a good attitude towards using WeChat for peer feedback. Respondents have positive views on the platform's effectiveness in enabling peer feedback, along with factors like output quality, results demonstrability, and perceived ease of use. Participants also positively view aspects, such as external control, behavioral intention, voluntariness, and perceived enjoyment in using WeChat for peer feedback in English writing. Integrating WeChat as a peer feedback platform is considered beneficial for enhancing the teachinglearning process, which is important for educators and curriculum designers. The researchers posit that the use of WeChat as a platform can facilitate peer feedback for students’ English writing learning as a second language teaching tool as it shows the potential to improve the effectiveness of English education whilst also promoting the use of technology outside the classroom for peer feedback and interactive English language 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 | 0,002 | 0,006 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».