Effects of Mobile App on Memory Retention of Vocabulary Knowledge among Low Proficiency EFL Learners
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
A significant challenge in EFL vocabulary learning is ensuring long-term retention and effective use of newly acquired words, often hindered by limited exposure and meaningful practice. Considerable research has been conducted on mobile technologies for vocabulary learning in a second language (L2), but the comprehensive mastery of EFL vocabulary form, meaning, and use via mobile platforms in short-term and long-term memory has rarely been addressed. This quasi-experimental study investigated the effects of a mobile vocabulary app versus a paper-based wordlist on high-frequency core vocabulary from CET 4 among Chinese university students. Data were collected from 82 EFL freshmen at a private university in China from two intact groups. The experimental group used the Bai Cizhan app for out-of-classroom learning, while the control group used traditional paper-based methods. Vocabulary knowledge was tested through pretests, immediate recall tests, and delayed recall post-tests. Findings indicated that Bai Cizhan group significantly enhanced L2 vocabulary learning in improving high-frequency core words vocabulary in terms of form and meaning (Form: F (1, 80) = 23.957, p < .05, η2 = .230; Meaning: F (1, 80) = 16.342, p < .05, η2 = .170) in short-term memory, but no significant difference (Wilks’ Lambda=.187, F(3, 78)=1.641; P>.05) in long-term memory. This study provides empirical evidence for the effectiveness of mobile-assisted vocabulary learning and offers insights into meeting the vocabulary needs of EFL learners.
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 | 0,000 |
| 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