Evaluating and analyzing the use of sentiment analysis techniques in developing reading comprehension skills among English language learners

Soliman, Layla

doi:10.65405/m1vf1f57

المؤلفون

Soliman, Layla (English Language Department, Tripoli University, Tripoli, Libya) Author

DOI:

https://doi.org/10.65405/m1vf1f57

الكلمات المفتاحية:

تحليل المشاعر، الفهم القرائي، متعلمو اللغة الإنجليزية كلغة أجنبية، معالجة اللغة الطبيعية، التعلم اللغوي المعزّز بالتكنولوجيا.

الملخص

سعت هذه الدراسة إلى تقصي أثر استخدام أساليب تحليل المشاعر في تنمية مهارات الفهم القرائي لدى متعلمي اللغة الإنجليزية كلغة أجنبية. واعتمدت الدراسة المنهج شبه التجريبي، مستخدمة تصميم الاختبار القبلي–الاختبار البعدي بمجموعتين (تجريبية وضابطة). وتكوّنت عيّنة الدراسة من (60) طالبًا من متعلمي اللغة الإنجليزية كلغة أجنبية في المستوى المتوسط، حيث تم توزيعهم عشوائيًا إلى مجموعتين: مجموعة تجريبية (ن = 30) ومجموعة ضابطة (ن = 30).

تلقت المجموعة التجريبية تعليم القراءة القائم على تقنيات تحليل المشاعر، في حين تلقت المجموعة الضابطة تعليم القراءة باستخدام الأساليب التدريسية التقليدية، مثل محاضرات المعلم والمناقشات الصفية. وأظهرت نتائج الاختبار القبلي عدم وجود فروق ذات دلالة إحصائية بين المجموعتين (المجموعة التجريبية: المتوسط الحسابي = 62.40، الانحراف المعياري = 6.85؛ المجموعة الضابطة: المتوسط الحسابي = 61.90، الانحراف المعياري = 7.10؛ p > 0.05).

في المقابل، كشفت نتائج الاختبار البعدي عن وجود فروق ذات دلالة إحصائية بين المجموعتين لصالح المجموعة التجريبية، حيث بلغ المتوسط الحسابي لها (78.60) بانحراف معياري قدره (6.20)، مقارنة بالمجموعة الضابطة التي بلغ متوسطها الحسابي (68.10) بانحراف معياري قدره (6.75). كما أظهرت النتائج حجم أثر كبير وفقًا لمعامل كوهين (Cohen’s d = 1.60)، إضافة إلى أن نوع المنهج المستخدم أسهم في تفسير نسبة (40%) من التباين في نتائج الاختبار البعدي.

كما أظهرت النتائج وجود علاقات ارتباط إيجابية دالة إحصائيًا عند مستوى (p < 0.01) بين درجات الفهم القرائي في الاختبار البعدي وأبعاد الاستبانة التالية: تفاعل المتعلم (r = 0.69)، والتحسن المُدرَك في الفهم القرائي (r = 0.74)، والدافعية وسهولة التعلم (r = 0.71)، والرضا العام (r = 0.77).

وتشير هذه النتائج إلى أن توظيف التعليم القائم على تحليل المشاعر يسهم بفاعلية في تعزيز الجوانب المعرفية والوجدانية للفهم القرائي، كما يؤكد أن هذا النوع من التعليم يُعد مدخلًا فعّالًا لتحسين تعلم اللغة الإنجليزية كلغة أجنبية لدى الدارسين.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

[1] Atasheva, G. (2024). The importance of English language in the formation of cross-cultural relations. American Journal of Philological Sciences, 4(02).

[2] Wiranata, S., Nasrullah, N., & Asrimawati, I. F. (2024). Investigating technology integration in English language instruction from 2018 to 2024: A systematic literature review. Journal of English Language Teaching and Learning. https://doi. org/10.18860/jetle. v5i2.

[3] Zeng, J., & Yang, J. (2024). English language hegemony: retrospect and prospect. Humanities and Social Sciences Communications, 11(1)

[4] Yu, B., Guo, W. Y., & Fu, H. (2024). Sustainability in English language teaching: strategies for empowering students to achieve the sustainable development goals. Sustainability, 16(8)

[5] Leovigildo Lito, D. M. PhD,(2025), Reading Skills of Students towards Curriculum Development Program. UKR Journal of Education and Literature (UKRJEL), 1(1).

[6] Dia, A. A. (2024, May). Teaching and learning English in the digital era: Opportunities and challenges. In Proceedings of The International Conference on Research in Teaching and Education (Vol. 1, No. 1, pp. 13-25).‏

[7] Hasan, N. R. H. (2024). A study on student's challenges and problems in learning English vocabulary. International Journal for Scientific Research, 3(6).

[8] Coady, M. R. (2020). Rural English learner education: A review of research and call for a national agenda. Educational Researcher, 49(7)

[9] Mandour, W. S. (2025). AI-Powered Tools for Linguistic and Sentiment Analysis in Language Learning: Applications Using Google Sheets and Large Language Models. In Using AI Tools in Text Analysis, Simplification, Classification, and Synthesis (pp. 67-112). IGI Global Scientific Publishing.‏

[10] Yu, J. H., & Chauhan, D. (2025). Trends in NLP for personalized learning: LDA and sentiment analysis insights. Education and Information Technologies, 30(4).

[11] Kastrati, Z., Dalipi, F., Imran, A. S., Pireva Nuci, K., & Wani, M. A. (2021). Sentiment analysis of students’ feedback with NLP and deep learning: A systematic mapping study. Applied Sciences, 11(9).

[12] Duke, N. K., Ward, A. E., & Pearson, P. D. (2021). The science of reading comprehension instruction. The Reading Teacher, 74(6).

[13] Agüero-Torales, M. M., Salas, J. I. A., & López-Herrera, A. G. (2021). Deep learning and multilingual sentiment analysis on social media data: An overview. Applied Soft Computing.

[14] Dang, N. C., Moreno-García, M. N., & De la Prieta, F. (2020). Sentiment analysis based on deep learning: A comparative study. Electronics.

[15] Xue, H., & Liu, W. (2025). Bibliometric Analysis of Natural Language Processing Technology in Education: Hot Topics, Frontier Evolution, and Future Prospects. SAGE Open, 15(1).

[16] Yuan, R., Liao, W., Wang, Z., Kong, J., & Zhang, Y. (2022). How do English-as-a-foreign-language (EFL) teachers perceive and engage with critical thinking: A systematic review from 2010 to 2020. Thinking skills and creativity.

[17] Rayati, M. (2021). Neuro-Linguistic Programming and Its Applicability in EFL Classrooms: Perceptions of NLP-Trained English Teachers. Language Teaching Research Quarterly.

[18] Zainuddin, N. (2023). Technology enhanced language learning research trends and practices: A systematic review (2020-2022). Electronic Journal of e-Learning, 21(2).

[19] Shadiev, R., & Yang, M. (2020). Review of studies on technology-enhanced language learning and teaching. Sustainability, 12(2).

[20] Pavani, G., Paltati, G., Swathi, A., Punithaasree, K. S., Subhashini, R., & Prema, S. (2024, December). AI-Enhanced Reading Comprehension: Improving Critical Thinking Skills in English Language Learners. In 2024 4th International Conference on Innovative Sustainable Computational Technologies (CISCT) (pp. 1-5). IEEE.‏

[21] Fei, Z., Yang, E., Li, D. D. U., Butler, S., Ijomah, W., Li, X., & Zhou, H. (2020). Deep convolution network based emotion analysis towards mental health care. Neurocomputing.

[22] Lund, B. (2023). The questionnaire method in systems research: an overview of sample sizes, response rates and statistical approaches utilized in studies. VINE Journal of Information and Knowledge Management Systems, 53(1).

[23] Yu, J. H., & Chauhan, D. (2025). Trends in NLP for personalized learning: LDA and sentiment analysis insights. Education and Information Technologies, 30(4).

[24] Baskara, R. (2023). Exploring the implications of ChatGPT for language learning in higher education. Indonesian Journal of English Language Teaching and Applied Linguistics, 7(2).

[25] Kastrati, Z., Dalipi, F., Imran, A. S., Pireva Nuci, K., & Wani, M. A. (2021). Sentiment analysis of students’ feedback with NLP and deep learning: A systematic mapping study. Applied Sciences, 11(9).

[26] Raharjo, T. J., Harianingsih, H., Sumbali, B., & Widiarti, N. (2025). Classroom Environment and Metacognitive Strategies to Support Beginning Reading Skills: A Systematic Literature Review. Journal of Innovation and Research in Primary Education, 4(3).

[27] Hasan, N. R. H. (2024). A study on student's challenges and problems in learning English vocabulary. International Journal for Scientific Research, 3(6).

[28] Nugraha, D. S. (2025). Corpus-driven language learning: A scientometric analysis of contemporary trends and their trajectories for pedagogical innovation within the Indonesian context. BAHASTRA, 45(1).

[29] Oprea, S. V., & Bâra, A. (2025). Transforming Education with Large Language Models. Trends, Themes and Untapped Potential. IEEE Access.‏

[30] Younis, H. A., Ruhaiyem, N. I. R., Ghaban, W., Gazem, N. A., & Nasser, M. (2023). A systematic literature review on the applications of robots and natural language processing in education. Electronics, 12(13).