The Effectiveness of Flipped Classroom in English Language Learning: A Meta-Analysis
Notice bibliographique
Résumé
The Flipped Classroom (FC) model, a teaching method used in various educational settings, including language learning, aims to improve student engagement and understanding. Its application in English language learning involves restructuring traditional teaching and learning methods. This study was meticulously designed to assess FC's effectiveness in improving English language proficiency. A comprehensive meta-analysis was conducted on research articles from January 2021 to November 2023, retrieved from ERIC and the Scopus Index. After a rigorous independent review and data extraction process by two reviewers, nine studies with a total of 705 participants were included. The methodological quality of the selected articles was evaluated using the Fail-Safe N for Publication Bias Assessment. The results, which showed that FC was more effective than conventional methods in enhancing overall English language proficiency (SMD=0.85, 95% CI -0.57 to 1.12, P<.001, I2=65.45%), knowledge (SMD=0.84, 95% CI -0.55 to 1.12, P<.001, I2=49.49%), and skills (SMD=0.70, 95% CI -0.30 to 1.11, P<.01, I2=75.97%), instill confidence in the robustness of our findings. These results suggest that FC has the potential to significantly improve English language acquisition outcomes. However, further research with larger sample sizes is needed to confirm and strengthen these results.
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 | 0,032 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,052 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».