Juegos de lenguaje para mejorar la habilidad del habla en estudiantes de los primeros niveles del idioma inglés en la universidad
Bibliographic record
Abstract
Esta investigación tuvo como objetivo descubrir si los juegos de lenguaje utilizados como estrategia de enseñanza mejoran la habilidad de hablar inglés. La población objetivo era cincuenta y dos estudiantes de los primeros niveles en una universidad en Ecuador. Veintiséis estudiantes fueron parte del grupo experimental y los veintiséis estudiantes restantes fueron parte del grupo de control. Se aplicó una prueba previa para ambos grupos para conocer su nivel de conversación. Los resultados demostraron que ambos grupos tenían un nivel de habla muy básico. En consecuencia, los juegos de lenguaje se aplicaron a los estudiantes en el grupo experimental como una estrategia para mejorar su habilidad de hablar inglés. Después de este proceso, los estudiantes de ambos grupos tomaron una prueba posterior para ver si los juegos utilizados durante las clases hicieron alguna diferencia con respecto a la habilidad de hablar. Los hallazgos indicaron que los estudiantes que pertenecían al grupo experimental obtuvieron un promedio más alto en la prueba posterior en comparación con el promedio obtenido por el grupo de control. Por lo tanto, es importante considerar que los promedios del grupo experimental superaron a los promedios del grupo de control. En base a estos hallazgos, los juegos como estrategia de enseñanza mejoraron la habilidad de hablar inglés en los estudiantes de primer nivel de la universidad.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".