The Role of Error Types and Feedback in Iranian EFL Classrooms
Notice bibliographique
Résumé
To facilitate successful language learning, teachers need to establish positive affect among students yet also engage in the interactive confrontational activity of error correction (Magilow, 1999). To shed more light on the issue, this study aims at the investigation of the error types, corrective feedback moves, and learner uptake, i.e., responses to feedback in Iranian communicatively-oriented EFL classrooms. The database is drawn from transcripts of audio-recordings of the elementary and high intermediate classes of a language institute including almost 12 hours of interaction among the students and teachers. Following the analysis, the errors were coded as grammatical, lexical, phonological or unsolicited use of L1 (first language) and corrective feedback moves as explicit correction, recast, clarification request, metalinguistic clues, elicitation, or repetition. Moreover, the suggested breakdown for uptakes included student-generated repair, repetition, and needs repair. Grammatical errors were the most frequent error type in the entire database (50.5%); however, phonological (26%) and lexical errors (22%) had lower rank error type. Moreover, the results indicated an overwhelming tendency for the teachers to use recasts (50.5%) in spite of their complete ineffectiveness at eliciting student-generated repair. Repetition (96%), metalinguistic feedback (86%), elicitation (67.5%), and clarification request (44%) –the negotiation of form feedback moves- were instead supposed to fulfill this aim.
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 | 0,001 | 0,014 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».