Mobile-Assisted Shadowing: Transforming Pronunciation for Arab English Learners
Notice bibliographique
Résumé
Shadowing helps improve various aspects of pronunciation of second language learners. The present action research study investigated the effect of mobile technology-enhanced shadowing on the pronunciation of Arab learners of a second language. Sixteen Arab learners of English used iPods to shadow short dialogues for eight weeks. The study participants were asked to practice at least four times per week for 10 minutes per practice as they recorded the shadowing session. Extemporaneous speaking and shadowing tasks were administered as pre-test, mid-test, and post-test. This was followed by 2 native speakers of English who rated the tests. Speakers rated extemporaneous speaking tasks for fluency, accentedness, and comprehensibility and rated the shadowing task for the ability of learners to imitate a speech model. Based on the study's results, there was a significant improvement in three speaking measures, namely, the ability of learners to imitate a speech model, comprehensibility, and fluency, but not in accentedness. Results indicated that the participants improved significantly on all speaking measures apart from accentedness. These results show that mobile-enhanced shadowing can be engaging and effective in teaching second-language pronunciation and that teachers should incorporate it into second-language classrooms. Given these results, teachers and lecturers should embrace shadowing in second-language classrooms. Further, pedagogical implications are proposed, and study limitations are discussed accordingly.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».