The Use of Artificial Intelligence (AI) in Teaching English Vocabulary in Oman: Perspectives, Teaching Practices, and Challenges
Notice bibliographique
Résumé
Vocabulary plays an outstanding role in the teaching/learning process of second/foreign languages. With recent technological advancements, particularly emerging AI tools, a necessity arises to examine and explore the effect of these AI tools on teaching English. Therefore, this study examines teachers’ attitudes toward using AI tools to teach English vocabulary to EFL Omani students. It also explores their perspectives on the most common AI tools, integration scenarios, and challenges. A mixed-method research design was utilized; the quantitative data included an adopted questionnaire from Alharbi and Khalil (2023) with closed-ended questions, and the qualitative data involved exploratory open-ended questions. Both research designs were distributed randomly to 70 English teachers teaching at the Preparatory Studies Center at one of the Omani universities. The quantitative data were analysed statistically employing SPSS version 29, whereas the qualitative data were analysed thematically. The quantitative data showed that the English instructors have a positive attitude toward the advantages of the use of AI tools in teaching English in general and vocabulary in particular. These quantitative data were supported by their perspectives, revealing that such tools are appropriate and effective since they engage students and increase their learning autonomy. The top five AI tools were ChatGPT, Kahoot, Duolingo, Quizlet, and Google Translate. However, English instructors illustrated some concerns related to lacking familiarity and training in using AI tools, ethical considerations related to the privacy of personal data, shortage of good resources, and enough time since priority is given to cover the course delivery plan. These findings could have pedagogical implications, whereby current textbooks should consider integrating these AI tools to make teaching more effective. Besides, teachers should be provided with sufficient training to exploit such tools in providing their students with effective and engaging teaching methods.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».