Hong Kong EFL Learners’ Perception on the Relationship between Blended Learning and Critical Thinking: In an Era of AI
Notice bibliographique
Résumé
With the rapid advancement of educational technology, the blended learning model has gained increasing prominence as an effective approach to modern education. The emergence of ChatGPT, developed by OpenAI, is further expected to serve as a powerful tool for facilitating personalized learning and enhancing student engagement in blended learning environments (Malhan et al., 2024). Previous research has demonstrated that blended learning can effectively foster students’ practical competencies, including critical thinking, problem-solving, and literacy skills. The present study investigates Hong Kong EFL learners’ perceptions of blended learning, with a particular focus on whether this learning model enhances their critical thinking skills. It also explores the key factors that contribute to the development of critical thinking in blended learning contexts. A mixed-methods design was employed, combining quantitative and qualitative approaches. Specifically, 65 Hong Kong EFL learners completed a questionnaire, and 4 participants were subsequently invited to take part in semi-structured interviews. The findings indicate that blended learning has a positive impact on the development of EFL learners’ critical thinking. Moreover, factors such as classroom discussion, learner–teacher interaction, instructional materials, learning topics, and teaching strategies were identified as significant contributors to this improvement. These results offer pedagogical implications for both EFL learners and educators seeking to promote critical thinking in blended learning environments. This study also lays the groundwork for future experimental research aimed at examining the extent to which blended learning influences Hong Kong EFL learners’ critical thinking development.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».