Enhancing Vocabulary Knowledge Through Multimodal Learning in Thai Primary Classrooms
Notice bibliographique
Résumé
Vocabulary acquisition is a core part of English as a Foreign Language (EFL) learning, especially for young learners who are building their language infrastructure. Many conventional textbook-driven methods focus on rote learning, which can lead to disengaged students and less authentic, less effective learning. It explores the use of multimodal strategies of learning for vocabulary learning of Thai primary school students. Multimodal training combines visual, auditory and kinesthetic aspects; this contributes to reaching different types of learners and favors more efficient ways of processing and retaining information. The study utilized a quasi-experimental research design with 14 first and second graders learning EFL in a Thai public primary school. The intervention consisted of 16 hours of multimodal instruction, which included images, gestures, pronunciation practice, and interactive activities. Data were obtained from pre- and post-intervention tests of vocabulary (receptive and productive vocabulary knowledge), while focus groups were used to probe students’ experiences of the learning process. Quantitative results showed that participants’ receptive and productive vocabulary knowledge increased significantly, and the multimodal instruction approach had a strong influence on them. From the qualitative results, students perceived multimodal learning as enjoyable, motivating, and low in anxiety and thus developed more positive attitudes toward learning English vocabulary. Such results align with the integration of multisensory approaches in primary EFL, confirming their ability to enhance motivation and language achievement across diverse learner characteristics. Practical implications for EFL teachers who aim to integrate student-centered tasks and active learning are provided in this research. In this sense, incorporating multimodal activities into vocabulary teaching can contribute to more inclusive and effective learning environments that help develop young learners’ language skills.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».