MétaCan
Menu
Retour à la cohorte
Enregistrement W4405004104 · doi:10.5430/wjel.v15n3p1

The Use of Artificial Intelligence (AI) in Teaching English Vocabulary in Oman: Perspectives, Teaching Practices, and Challenges

2024· article· en· W4405004104 sur OpenAlex
Nayef Jomaa Jomaa, Rais Attamimi, Musallam Al Mahri

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueWorld Journal of English Language · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology-Enhanced Education Studies
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Higher Education, Research and Innovation
Mots-clésVocabularyQualitative propertyEconomic shortageComputer scienceAutonomyMathematics educationQualitative researchProcess (computing)English vocabularyExploratory researchPlan (archaeology)PsychologyArtificial intelligenceSociologyLinguisticsPolitical scienceSocial science

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,027
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,208
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,027
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,371
Écart entre enseignants0,307 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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