Using Social Media to Teach English in KSA
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.
Notice bibliographique
Résumé
The rapid growth of social media has significantly shaped education, particularly in language learning across Saudi Arabia. This study examines how platforms such as TikTok, Instagram, and X (formerly Twitter) are being integrated into English language teaching. Using a mixed-methods approach, data were collected through surveys from 150 university students, interviews with 10 English instructors, and content analysis of some followed English-learning accounts on these platforms. Findings showed that around 75% of students use TikTok for learning English, mainly to improve vocabulary and pronunciation, while 65% rely on Instagram for similar purposes. Instructors see the potential of these platforms to enhance student engagement but also express concerns about cultural appropriateness, digital distractions, and the lack of institutional support. Content analysis showed that successful educational accounts attract higher engagement when they include interactive features, visually rich content, and culturally relevant topics. Despite these benefits, challenges remain, such as unequal access to devices and limited digital literacy. While some studies have examined social media in education, there is a noticeable gap in research focusing on its practical use in English language instruction within the Saudi Arabian context. In line with Saudi Arabia’s Vision 2030, which prioritizes English proficiency, this study concludes that social media can serve as a useful supplement to traditional language instruction. It also provides recommendations for educators and content creators to better integrate these tools into English education while addressing current limitations.
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 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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle