The Impact of Social Media and Electronic Literature on Literary Studies, Language Learning and Acculturation: A Study Conducted in South India
Notice bibliographique
Résumé
This research aims to explore the impact of social media and electronic literature on young individuals' lives, especially in literary studies, foreign language learning and acculturation. The samples for the study were taken from young people in selected colleges in three South Indian states namely Kerala, Tamil Nadu and Karnataka. The objectives of this study were to determine the role of social media in the day-to-day life of youngsters, analysing major reasons behind social media usage, the role of social media and electronic literature in literary studies, foreign language learning and teaching, its impact on education and moulding language skills, and the extent to which it influences social change and acculturation. For the data collection, a structured survey questionnaire was prepared and distributed among the students. Purposive sampling was the sampling strategy used to collect the data and 355 samples were collected. A five-point Likert scale was used in the questionnaire. The researcher employed various statistical tools and methods like percentage analysis, graphical analysis, and descriptive statistics to have a proper analysis of the collected data. Qualitative analysis was carried out using discourse analysis and grounded theory analysis. It is observed that social media and digital technology have a pivotal impact on the lifestyle of the youngsters. Digital media act as a means for English language development and electronic literature helps to enhance the mode of language teaching and make the classes interesting. Electronic literature tremendously supports literary studies, education and related initiatives.
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 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 | 0,003 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».