Using Prewriting Tasks in L2 Writing Classes: Insights from Three Experiments
Notice bibliographique
Résumé
Even though collaborative prewriting tasks are frequently used in second language (L2) writing classes (Fernández Dobao, 2012; Storch, 2005), they have not been as widely researched as other tasks, such as collaborative writing and peer review. This article examines the effectiveness of collaborative prewriting tasks at encouraging English for Academic Purposes (EAP) students to engage in critical reflection while brainstorming the content and organization of written texts. Drawing upon data from three experiments (Neumann & McDonough, 2014a, 2014b), the impact of task design and students’ perceptions about collaboration on their prewriting discussions are explored. Suggestions for instructors with an interest in using collaborative prewriting tasks are provided.Les tâches collaboratives de préparation à la rédaction sont communes dans les cours de rédaction en langue seconde (Fernández Dobao, 2012; Storch, 2005); par contre, elles n’ont pas aussi souvent fait l’objet de recherche que d’autres tâches comme la rédaction collaborative et l’examen par les pairs. Cet article examine dans quelle mesure les tâches collaboratives de préparation à la rédaction encouragent les étudiants en anglais académique à réfléchir de façon critique pendant les séances de remue-méninges sur le contenu et l’organisation de textes écrits. Puisant dans des données découlant de trois expériences (Neumann & McDonough, 2014a, 2014b), nous explorons l’impact qu’ont l’élaboration de la tâche et les perceptions des étudiants quant à la collaboration sur leurs discussions pendant la préparation à la rédaction. En fin d’article, nous présentons des suggestions qui visent les enseignants intéressés à employer des tâches collaboratives de préparation à la rédaction.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».