Cohesive Errors in Writing among ESL Pre-Service Teachers
Notice bibliographique
Résumé
Writing is a complex skill and one of the most difficult to master. A teacher’s weak writing skills may negatively influence their students. Therefore, reinforcing teacher education by first determining pre-service teachers’ writing weaknesses is imperative. This mixed-methods error analysis study aims to examine the cohesive errors in the writing of English as a Second Language (ESL) pre-service teachers of differing language proficiency levels—Medium and High-level, as indicated by the band levels achieved in the Malaysian University English Test (MUET). 200-word narrative essays were collected from 30 final-year ESL pre-service teachers from UKM via email. The study found that the Medium-level pre-service teachers made the most errors in lexical cohesion, reference and conjunction cohesion categories. However, High-level pre-service teachers made more errors in lexical cohesion, ellipsis and reference. Collocation proved the most difficult form of cohesion for both groups of pre-service teachers, while High-level pre-service teachers made more errors in ellipsis than the Medium-level pre-service teachers. Nevertheless, this still indicates that the pre-service teachers’ overall mastery of cohesive writing is insufficient. Therefore, the teaching of these cohesive devices should be further fortified in the linguistic courses undertaken by ESL pre-service teachers to ensure that they are well-equipped in all aspects of cohesive writing.
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 | 0,003 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».