A Study on Middle School English Teachers’ Corrective Feedback in Different Instructions
Notice bibliographique
Résumé
Teachers’ corrective feedback has been the focus for some time in SLA. The study, based on the framework of teaching focus, corrective feedback and learner uptake by these researchers, explores how teachers’ corrective feedback is related to focus on instruction. The research method is a corpus-based approach, which relies on computer and corpus tool—Antconc 3.2.0w and Repetition Tool. The findings show that (a) MF Instru. invites the most CFSs, followed by FM (b)When teachers correct students’ errors, they pay much more attention to form-focused errors (FF errors) than to meaning-focused errors (MF errors); grammatical errors attract the most attention whichever the instruction it is; in MF Instru. and FM (c) In general, the majority of feedback type after FF errors (phonological, grammatical and lexical errors) is recast, whereas the majority of feedback type after MF errors is Negotia.C; as it is related to instruction types, in FF Instru., teachers prefer to use Negotia.C to follow phonological and lexical errors, and recast to follow grammatical errors; in MF Instru., teachers prefer to use recast to follow FF errors (phonological, grammatical and lexical errors); in FM (d) Negotia.C invites the most learner repair, followed by Expli.C and recast respectively; As it is related to instruction types, Negotia.C brings about the highest repair rate, and recast leads students to produce the lowest rate of repair in FF Instru., MF Instru. and F& M Instru. as well.
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 | 0,003 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».