MétaCan
Menu
Retour à la cohorte
Enregistrement W1499801486 · doi:10.4324/9781315044811

Intelligent Language Tutors

2013· book· it· W1499801486 sur OpenAlexaboutno aff
V. Melissa Holland, Michelle Sams, Jonathan D. Kaplan

Notice bibliographique

Revuenon disponible
Typebook
Langueit
DomaineComputer Science
ThématiqueNatural Language Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceLinguisticsNatural language processingPhilosophy

Résumé

récupéré en direct d'OpenAlex

The techniques of natural language processing (NLP) have been widely applied in machine translation and automated message understanding, but have only recently been utilized in second language teaching. This book offers both an argument for and a critical examination of this new application, with an examination of how systems may be designed to exploit the power of NLP, accomodate its limitations, and minimize its risks. This volume marks the first collection of work in the U.S. and Canada that incorporates advanced human language technologies into language tutoring systems, covering languages as diverse as Arabic, Spanish, Japanese, and English. The book is organized into sections that express the levels of analysis dealt with in learning and teaching a language and with the tasks of the student as writer, reader, conversant, and actor in the world. These sections bring together research by specialists in linguistics, artificial intelligence, psychology, instructional design, and language teaching. In addition to providing detailed descriptions of working systems, amply illustrated with screens from lesson and authoring interfaces, the contributors address a spectrum of common issues: * What can current NLP technology contribute to computer-assisted language instruction and to research on language learning? * How can this technology meet the demands of pedagogical theory for communicative language teaching in authentic contexts? * How can designers constrain tutoring environments to ensure accurate analysis of learners' language? * What can NLP-based systems teach us about language acquisition, about linguistic theory, and about theories of language pedagogy? * What lessons have been learned in using these systems to date? Discipline-specific issues are illuminated as well: the relative merits of the major syntactic frameworks for NLP-based language tutoring; the adaptation of theories like lexical conceptual structure to support semantic interpretation; the integration of input language with visual microworlds and dialogue games; the pragmatics of the tutoring discourse; the selection of instructional principles to guide system design; and the accomodation of design to individual differences and learner styles. A concluding section assesses this work from larger theoretical and practical perspectives -- experimental psychology and psycholinguistics, linguistics, language teaching, and second language acquisition research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,088
Score d'incertitude au seuil0,294

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0050,004
Science ouverte0,0020,003
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0880,044

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,272
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations94
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetNatural Language Processing TechniquesTravaux en français237 207