Unveiling the Role of Copilot in Enhancing EFL Learners’ Writing Skills: A Content Analysis
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
As artificial intelligence continues to transform educational practices, understanding its learning implications has become increasingly important, particularly in language learning contexts. AI-powered tools such as Copilot can support English as a Foreign Language (EFL) students in multiple domains. Yet, there is a lack of understanding regarding how Copilot shapes the writing abilities of EFL students. To bridge this gap, this study examines the effectiveness of the Copilot tool in improving the writing skills of EFL learners in light of SCT. Following an exploratory-descriptive qualitative research methodology, data was gathered from 48 participants using content analysis. The intervention involved approximately eight weeks, during which the experimental group’s students were instructed to complete their writing activities with the help of Copilot. In contrast, the control group did not use it. The results indicated that the Copilot application significantly improved the writing skills of EFL learners across multiple aspects compared to those who received traditional instruction. The findings suggest that educators should consider incorporating AI tools like Copilot into their curricula to create supportive writing environments, enhancing student engagement and writing proficiency. However, in order to ensure substantial language outcomes, dependence on AI tools must be balanced with conventional learning techniques. The study also encourages future research into innovative approaches to teaching, tools' long-term effects and broader applications in diverse educational contexts.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle