ChatGPT Integration in Writing Development: Student Experiences and Perspectives
Notice bibliographique
Résumé
This study examines student perceptions of ChatGPT’s effectiveness for writing tasks within an English General Paper course at a pre-university institution in Brunei Darussalam. As the educational sector in Brunei Darussalam continues to evolve, there is an increasing emphasis on integrating digital technologies into teaching practices to enhance learning outcomes. Thirty-seven students utilized ChatGPT to assist them with various writing tasks, engaging in a collaborative process that encouraged exploration and creativity. The primary objective of this exercise was to evaluate how students integrated ChatGPT into their writing processes and assess its impact on their writing outcomes. A comprehensive survey was administered to gather qualitative data on student experiences, and perceived improvements in writing skills. Results indicated positive feedback from students on improving their writing skills, citing benefits such as saving time with the brainstorming of ideas, writing prompts on various topics, instant feedback on their drafts, and serving as a conversational partner for language learning and fostering critical thinking skills. However, students encountered difficulties with irrelevant and inaccurate responses from ChatGPT, and its limited creativity and originality. Some students expressed concerns about becoming overly reliant on the technology, which could potentially hinder their independent writing development. Consequently, this research offers practical insights and recommendations for educators seeking to implement new online learning and teaching tools in similar educational settings. It highlights the importance of considering the benefits and limitations of ChatGPT in enhancing English writing skills, emphasizing the need for guided integration into curricula. The findings inform future approaches to technology integration in language education, advocating for a balanced strategy that combines technological support with traditional writing instruction to maximize student learning outcomes.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».