The Impact of Assistive Technologies in Enhancing English Learning Outcomes for Students with Disabilities: A Meta-Narrative Analysis
Notice bibliographique
Résumé
Integrating assistive technologies in education is crucial for enhancing English learning outcomes among students with disabilities. This meta-narrative analysis aims to synthesize existing research on the impact of assistive technologies in improving English language skills in this population. We conducted a comprehensive search across databases, including Taylor and Francis and Scopus, identifying relevant studies published from 2020 to 2023. Eleven peer-reviewed articles met the inclusion criteria, focusing on empirical studies that evaluated tools such as EducaPlay, Rosetta Stone, PECS, AR applications, inclusive videos, LEA tools, VAS and multimedia tools, web-based drill programs, the AMALL application, and various assistive technologies like JAWS, MELDICT, OCR scanners, and Braille devices. Data collection involved extracting critical information on the effectiveness of the learning tools, types of disabilities, and educational outcomes related to language skills in using technology learning tools to study the English language for disabled students. The analysis revealed significant improvements in vocabulary, reading comprehension, and writing skills, demonstrating the positive impact of assistive technologies on English learning. The findings suggest that these technologies enhance engagement and motivation, offering personalized support that addresses individual needs. The discussion highlights the variability in effectiveness across different technologies and the importance of proper implementation and training for educators.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».