THE IMPACT OF TECHNOLOGY ON LANGUAGE LEARNING: A STUDY OF MOBILE ACCENTS IN ENGLISH- SPEAKING COUNTRIES
Notice bibliographique
Résumé
The rapid incorporation of technology into language education has altered the landscape of acquiring dialects of English, but less is known about how technology is used to learn dialects in non-native contexts.In this study, we explored the use of technology (mobile applications, digital media (YouTube, podcasts), and augmented reality (AR)) to learn English dialects (British, American, Australian, and Canadian) with 200 learners in Iraq.Using a mixed-methods approach, the study included administration of surveys, in-depth interviews, content analysis of 50 digital products, and a case study of the app "Accent Coach".The results showed that mobile applications (85% usage) and digital media (YouTube and podcasts; 70% videos, and 60% podcasts) assisted in understanding dialects, especially British and American dialects.Insights revealed that access and authenticity of material were contributing factors to the success, but limited resources for Australian and Canadian dialects and inconsistencies in content delivery posed challenges in the learner experience.The findings show that learners reported higher confidence applying British (M = 4.3) and American (M = 4.1) dialects compared to their confidence applying either or both Australian (M = 3.5) and Canadian (M = 3.4) dialects.The study also highlights the recommendation to diversify resources available within the language curriculum, create effective and low-cost tools that include dialects, and document teacher readiness in using these tools.This study emphasizes the opportunities that technology provides to bridge dialectical learning gaps in a non-native context and stresses the need for sustainable, effective, and quality digital solutions that are inclusive.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».