Effects of EPIRIS Model-Based Instructional Innovation on Thai Primary Students’ English Tense Learning
Notice bibliographique
Résumé
English tense acquisition remains a persistent challenge for Thai primary school students in EFL contexts, where traditional grammar-translation methods have proven inadequate in fostering durable form-meaning connections and active language practice. This study investigated the effects of EPIRIS model-based instructional innovation on primary students’ achievement, motivation, and perceptions related to learning English past tenses, while examining relationships between student motivation, engagement, interaction, and learning outcomes. An explanatory sequential mixed-methods design was employed with 86 participants comprising 66 primary students aged 9–12 and 20 English teachers from 10 schools in Samut Sakhon province, Thailand. The intervention consisted of a 12-hour EPIRIS-structured program delivered over two weeks, incorporating six sequential steps: elicitation, presentation, innovation use, retention practice, interaction, and summary and assessment. Data collection included pretest-posttest measures; validated questionnaires assessing motivation, engagement, and interaction; and semi-structured interviews with purposively selected participants. Results demonstrated significant improvements in student achievement with a mean gain of 6.11 points out of 20 possible points (p < .001). Participants reported high levels of motivation (M = 3.71), engagement (M = 3.64), and interaction (M = 4.60) with strong positive correlations among these constructs (r = .769 to .799). Qualitative analysis revealed three major themes: transformation from passive to active learning, enhanced collaborative learning and peer support, and reduced anxiety with increased confidence. The EPIRIS model demonstrated substantial effectiveness in improving both cognitive and affective outcomes in primary EFL grammar instruction, providing initial evidence for adopting systematic, interactive, pedagogical approaches in English language education.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».