Effects of mobile messaging applications on writing skill
Notice bibliographique
Résumé
As technology rapidly advances, integrating new tools into teaching becomes increasingly essential. Mobile phone applications are widely used in education, yet WhatsApp remains underutilized in language instruction. This study aims to explore the impact of WhatsApp on university students' writing skills. Forty international students were selected through convenience sampling to participate in a single-group pre-test post-test design, where they responded to specific writing prompts. Their writing samples were evaluated using a standardized rubric, and the pre-test and post-test scores were analyzed with SPSS using a paired sample t -test. The findings indicate a significant positive correlation between students' frequency of WhatsApp use and their writing improvement. Additionally, providing examples of writing by the teacher or students in the WhatsApp group contributed to better writing outcomes. The study concludes that WhatsApp, through writing exercises and group vocabulary practice, positively influences students' writing abilities. Furthermore, the use of messaging apps enhances participation, interaction, collaboration, and overall language proficiency. These results underscore the potential of WhatsApp as an effective tool for language instruction in higher education. Ultimately, the study highlights the need for educators and curriculum designers to embrace mobile technologies like WhatsApp to foster improved writing skills and enhance student engagement in language learning contexts. • The research identified a significant correlation between frequent WhatsApp use and improvement in writing skills. • Providing examples and engaging in collaborative vocabulary practice through WhatsApp enhanced students' writing abilities. • WhatsApp facilitated collaborative learning, resource sharing and interaction which contributed to improved writing skills. • WhatsApp allowed students to practice writing and skills outside the conventional classroom, fostering ongoing learning. • WhatsApp enabled prompt and effective writing 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 | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».