基于跨文化务实的研究观点,旨在比较印尼和也门EFL学习者之间邀请邀请的邀请的成就。研究参与者是来自印度尼西亚Airlangga University的30名本科生和也门Sana'a University的30名本科生。所有参与者的文化背景都不同。数据是通过使用话语完成任务(DCT)收集的,然后在Bruder和Tillitt(1999),Al-Khatib(2006)和Suzuki(2009)邀请策略的基础上进行了分析。研究结果在邀请制作方面表现出了一些相似之处和差异。某些邀请策略似乎在文化上是一种文化,而另一些文化则是普遍的。在这方面,印尼EFL学习者宁愿在使用语音行为时间接使用邀请,而邀请提出邀请,而不是偏爱使用是/否问题,要求愿意和WH。问题策略。他们认为,使用此类策略有助于他们在使用第一语言时在日常对话中使用一些礼貌的表达。相比之下,也门EFL学习者赞成直接使用《语音邀请法》,而命令策略的最高百分比是YES/否问题策略。这可能会显示其第一语言对答案的一部分。他们还知道,直接邀请大多在其文化中被接受。也提供了研究的含义。此外,研究结果表明,印尼和也门EFL学习者将母语的话语翻译成目标语言,而没有考虑两种语言之间的句子模式和单词顺序的变化。
应用新技术(例如云计算,大数据和人工智能)的应用促使教育发生了革命性的变化。作为一种新形式,智能学习环境将相关的技术和设备整合在一起,以通过各种人机互动提供个性化的学习内容和真实的学习经验(Hew and Kadir,2016)。在人机反馈中,机器收集和分析学习数据,以向学习者提供个性化的反馈,以提高他们的学习绩效。但是,并非所有的人类反馈都能实现所需的效果,并且只有当学习者理解反馈并愿意对此采取行动时,反馈才能有效(Price等,2010)。例如,诸如Chatgpt之类的生成人工智能采用了从人类反馈(RL-HF)中学习的技术,该技术具有根据用户的反馈来提高产量的能力。它可以基于用户的反馈(Ouyang等,2022; Shen等,2023)的反馈持续自我介绍,这有利于形成连续的反馈和反馈循环。但是,Chatgpt的教育应用仍处于探索阶段,其反馈特征和对学习者学习表现的影响仍然未知。因此,反馈方向,反馈表和反馈技术类型是否对学习者的学习绩效有影响?,效果的边界条件是什么?探索这些问题对当前智能学习环境的应用非常重要。改进人机交互式反馈具有一定的方向性,例如以计算机为主导的单向反馈,有两个主题(计算机和学习者)(Dong,2020)和多主题反馈(计算机,学习者,同伴和老师)的单向反馈。单向反馈以计算机为主,这很容易忽略学习者的主动性,并逐渐使学习者失去学习状态。例如,计算机对学习路径的自动规划简化了学习者自我反思和自我调节的学习过程,在某种程度上影响了教育质量(Zhang and Liang,2020)。同时,一些结合不相关因素的人机相互作用可能会掩盖学习焦点并增加学习者的认知负担,从而降低学习的效果(Zhang,2018)。双向反馈可以使计算机的优势发挥作用,并突出学习者的主观性,这对于改善学习者的主观,培养高阶能力和增强情绪互动具有巨大价值(Baker,2016)。例如,使用基于激励的在线对话代理人,参与率低的学习者是通过表达共同的情绪来改变其行为的动机(Xie等,2021)。由Chatgpt等工具支持的编程培训可以通过人类机器协作编码和协作调试来有效地提高学生的编程技能(Chen等,2023),但忽略了同伴和老师的反馈。多主题反馈整合了计算机,学习者,同龄人,教师和其他多代理的优势,以提高学习者的学习绩效。例如,整合多种代理人的优势,可以减少学习者的焦虑水平并显着改善学习者的外语学习表现,学习满意度和学习动机的拟人机器人(Hong等,2016)。
本研究调查了大脑优势对沙特阿拉伯大学英语学习者学业成绩的影响。研究采用问卷作为主要数据收集方法,涉及 147 名参与者。大脑优势是指对分析和顺序处理信息(左脑优势)或整体和直观处理信息(右脑优势)的固有偏好,该研究针对英语学习者的学习方法和学业成绩进行了研究。问卷评估了参与者的大脑优势、学习策略和学业成绩。大脑优势通过一系列问题确定,而语言学习实践则通过特定调查进行评估。数据分析显示,大脑优势与学业成绩之间存在显著相关性,左脑优势的参与者比右脑优势的参与者取得更高的成绩,英语水平也更好。研究结果表明,与左脑优势相关的系统性和逻辑性思维可能有利于语言习得,因为它强调对句法和词汇的系统理解。因此,有效的英语语言培训应结合分析性和整体性学习活动,以满足左脑和右脑主导学习者的需求。本研究提供了有关大脑主导性对英语语言习得的影响的宝贵见解,并强调了适应不同思维方式的定制教育的重要性。
摘要:向小学学生教授语法写作需要很高的创造力,必须鼓励学生努力学习以获得写作能力。此外,学生自己也面临许多问题:缺乏写作作品、缺乏接触书籍和阅读资源以及语法问题。本研究的目的是利用 RAFT 策略提高英语 5 学生的语法写作技能。本研究旨在找出角色、受众、格式、主题 (RAFT) 策略的实施如何提高学生的语法写作技能。研究的受访者是经过精心挑选的,他们由布拉坎省圣何塞德尔蒙特学校区的 Bagong Buhay G. 小学的三十 (30) 名学生组成。此外,在进行了前测和后测后,研究人员发现,学生能够更有效地写作,因为他们知道他们在写信给谁、他们在写信给谁、他们的写作格式是什么以及他们的写作主题。因此,在引入 RAFT 写作策略后,学生的写作更有目的性和针对性。最后,研究显示,在利用角色、受众、格式、主题 (RAFT) 提高英语 5 学生的语法写作技能方面,学生的前测和后测分数存在显著差异。
摘要。如今,远程学习的使用正在增加,尤其是在最近的 Covid-19 大流行之后。为了改进电子学习并最大限度地提高其有效性,人工智能 (AI) 用于分析存储在中央存储库(例如云)中的学习数据。但是,这种方法提供的反馈存在时间滞后,可能导致侵犯用户隐私。为了克服这些挑战,一种新的分布式计算范式正在出现,称为边缘计算 (EC),它将计算和数据存储更接近需要它们的地方。结合 AI 功能,它可以通过对学习者进行实时评估来重塑在线教育,以提高他们的表现,同时保护他们的隐私。这种方法正在导致 EC 和 AI 的融合,并促进边缘 AI 的发展。然而,主要的挑战是在内存容量有限的设备上保持数据分析的质量,同时在本地保存用户数据。在本文中,我们提出了一种基于 Edge-AI 的远程教育方法,该方法为边缘 AI 单元和联合机器学习模型提供了通用的操作架构,以实时预测学生的失败情况。提出了一个 K-12 学习者采用 100% 在线教育的真实场景来支持所提出的方法。
收到日期:2021 年 7 月 18 日 接受日期:2021 年 8 月 21 日 发布日期:2021 年 9 月 24 日 摘要 本研究试图研究使用先行组织者模型如何影响协作课堂中 ESL 学习者对新概念的有意义的学习。目标是 1) 研究使用先行组织者模型的效果,2) 研究使用先行组织者模型后的学生成绩与 80% 标准进行比较。研究样本有意限制为泰国玛希隆大学国际示范学校领导与管理技能入门班的 20 名学生。后测和观察表被用作研究工具。通过内容分析、平均值和标准差对数据进行了分析。研究结果表明:1) 影响发生在教学和养育效果中。学生有效地参与学习和获取信息。学生利用现有知识和经验讨论和交换信息,以联系和向他人解释想法。教学设计也符合先行组织者模式的步骤。教师按照先行组织者模式的三个阶段设计学习任务。2)学生使用该模型后成绩达到80分的标准。这项研究反映出该模型可以影响新概念的有意义的学习,并提高协作课堂中ESL学习者的学业成绩。然而,很少有研究人员研究过大班协作学习的问题。因此,进一步的研究应该集中在以更多的学生人数实施该模型以确认其有效性。关键词:先行组织者模式,协作课堂,ESL学习者,新概念的有意义的学习
基于大脑的学习 (BBL) 的主要目标是创造有效的学习条件,让大脑自然学习。在各种情况下,已经进行了大量关于 BBL 学习者表现和感知的研究。然而,对低能力 ESL 学习者的 BBL 研究仍处于起步阶段。因此,本研究调查了低能力 ESL 马来西亚学习者在课堂上的 BBL 表现和感知。采用有目的的抽样技术从 150 名学习者收集定量数据。准实验设计比较了学习者的前测和后测分数。描述性分析表明,当后测平均分数高于文献批判性反应写作测试中的前测分数时,结果良好。还进行了配对样本 t 检验,结果显示,从前测(M = 2.45,SD = 1.50)到后测(M = 5.35,SD = 2.40),t (149) = -15.48,p <.05,得分有统计学意义的提高。还使用定性设计来调查三个学习者焦点小组(每组五个人)在 BBL 干预后的反应。研究结果表明,与本研究的 BBL 理论框架相关的反应普遍是积极的。然而,对于 BBL 的两个组成部分也有一些负面反应
Tadakhul系统是一个在线学习平台,旨在为阿拉伯语和英语的多个用户提供互动和个性化学习。我们提出的Tadakhul系统是一种电子学习环境,可为不同的学习方式提供学习材料。本研究的重点是在Tadakhul平台上使用学习分析,该平台基于学生以前的学习经验使用数据来预测未来的学习过程。它有助于提供个性化的学习经验。Tadakhul系统提供了一个平台,课堂讨论集中在最重要的概念上,并根据他们在学习期间的表现为每个学生个性化学习资源。将学习分析应用于在线电子学习环境中获得的数据可以帮助学生面临许多问题的课堂管理,并且老师可以通过调整数据或在需要时提供其他支持来提供帮助。在MOOC平台中使用学习分析的优点是预测学生失败,确定高危学生,评估分配,预测成绩并预测结果[4]。在这项研究中,我们探索了不同的人工智能模型,例如Bilstm和CNN,以确定利用Tadakhul平台的学生的学习行为。Bilstm模型非常擅长处理时间序列数据并了解数据之间的关系。这对于随着时间的推移跟踪和解释学生进步和互动模式很重要。检测体育锻炼的能力对于识别长期学习和行为很重要。另一方面,CNN模型可有效提取空间特征,
由于缺乏面对面的互动,在线学习者经常会感到社交孤立,这对学生的幸福感和学习体验产生了负面影响。许多基于文本的人工智能代理都配备了不同的社交特征和功能,以支持社交孤立的人。然而,代理的功能设计、社交特征以及在促进在线学习者之间的社会联系方面的道德挑战尚未得到充分探索。采用共同设计的方法,我们将 23 名参加在线学位研究生课程的在线学习者作为两项虚拟共同设计研讨会研究的积极参与者。通过四种不同的共同设计活动,我们确定了在线学习者对人工智能代理的功能和社会特征在促进他们的社会联系方面的偏好以及潜在的道德问题。根据我们的研究结果,我们确立了人工智能代理作为促进者的角色,以不断支持在线学习者的社交联系过程。我们进一步讨论了在线学习中代理介导的社交互动的独特道德挑战。
大型语言模型(LLMS)以CHATGPT为代表,是生成AI中最重要的技术突破之一,并已开始在EFL写作指令中应用。LLM的出现给EFL学习者带来了机会和挑战,强调了经验证据对他们在学习英语学术写作中使用LLM的动机和接受的重要性。这项研究招募了238名参与者,他们已经完成了使用LLMS进行与业务相关的英语学术写作的一个学期培训。参与者根据L2动机自我系统和技术的接受和使用理论(UTAUT)回答了问题项。部分最小二乘结构方程建模(PLS-SEM)用于检查动机,区域,以前的学习经验和UTAUT模型之间的结构关系。此外,测试了动机对四个UTAUT决定因素,行为意图和使用行为之间关系的调节作用。结果表明,预期绩效和社会影响会极大地影响学习者使用LLM的行为意图。此外,动机被证明是塑造行为意图和实际使用行为的关键因素,突出了其在学习英语学术写作技术的技术中的关键作用。