Exploring the Integration of ChatGPT for Teaching English in a Malaysian Primary School
Notice bibliographique
Résumé
This research investigates the integration of ChatGPT, a generative artificial intelligence (AI) tool, into English language teaching in Malaysian primary schools. The main objective is to explore how teachers perceive ChatGPT in terms of its usefulness, impact on teaching effectiveness, and influence on pupil engagement. The study also aims to identify the benefits, challenges, and concerns teachers face when using AI tools in the classroom. A qualitative research design was employed, using semi-structured interviews with 10 English teachers from different primary schools. The participants shared their experiences with using AI, particularly ChatGPT, in their teaching practices. Data were analysed to identify common themes related to perceptions, implementation, and practical challenges. The findings reveal that teachers generally view ChatGPT as a helpful tool for lesson planning, generating creative teaching materials, and supporting differentiated instruction. Many teachers believe that AI can enhance classroom interaction and motivate pupils through engaging and personalized learning activities. However, several challenges were identified, including insufficient access to technology, limited digital infrastructure, lack of teacher training, and uncertainty about AI’s role in relation to traditional face-to-face instruction. Teachers also expressed concerns about over-reliance on AI and the need to maintain human elements in teaching. The study concludes that while educators are open to adopting AI tools like ChatGPT, effective integration requires proper training, policy guidance, and cultural relevance. It recommends ongoing professional development, collaboration between AI tools and conventional methods, and the development of clear guidelines for classroom use. Future research could explore the long-term impact of AI on learning outcomes, evaluate different AI tools for language teaching, and examine AI’s potential in promoting inclusive 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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».