Gamified AI for EFL: A Model to Support Engagement and Collaboration in Language Classrooms
Notice bibliographique
Résumé
This study developed and validated an instructional model that integrates Artificial Intelligence (AI), gamification, collaboration, and engagement in English as a Foreign Language (EFL) learning. Using a three-phase consensus-based approach, Phase 1 synthesized theoretical foundations from Communicative Language Teaching (CLT), Second Language Acquisition (SLA), Self-Determination Theory, and Social Interdependence Theory into an Integration Matrix of inputs, processes, mediating factors, and outputs. Phase 2 constructed the AI-Driven Gamified Collaboration Model within an Input-Process-Output (IPO) framework, while Phase 3 evaluated the model through expert consensus. Three specialists first assessed content validity using the Item-Objective Congruence (IOC) method, with all items meeting the acceptance criterion (IOC ≥ 0.67; consensus ≥ 80%). A separate panel of five experts then evaluated the model’s suitability on a 5-point Likert scale. The overall appropriateness of core model components was rated “Most Appropriate” (x̄ = 4.53, S.D. = 0.58), with the highest ratings for AI and technology integration (x̄ = 4.73) and theoretical alignment with CLT and SLA (x̄ = 4.67). Expert consensus confirmed the model’s validity and pedagogical relevance, providing a practical framework for fostering communicative competence, engagement, confidence, and learner autonomy in technology-enhanced EFL instruction.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».