Thai EFL Students’ Writing Errors in Different Text Types: The Interference of the First Language
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study aimed at analyzing writing errors caused by the interference of the Thai language, regarded as the first language (L1), in three writing genres, namely narration, description, and comparison/contrast. 120 English paragraphs written by 40 second year English major students were analyzed by using Error Analysis (EA).The results revealed that the first language interference errors fell into 16 categories: verb tense, word choice, sentence structure, article, preposition, modal/auxiliary, singular/plural form, fragment, verb form, pronoun, run-on sentence, infinitive/gerund, transition, subject-verb agreement, parallel structure, and comparison structure, respectively, and the number of frequent errors made in each type of written tasks was apparently different. In narration, the five most frequent errors found were verb tense, word choice, sentence structure, preposition, and modal/auxiliary, respectively, while the five most frequent errors in description and comparison/contrast were article, sentence structure, word choice, singular/plural form, and subject-verb agreement, respectively. Interestingly, in the narrative and descriptive paragraphs, comparison structure was found to be the least frequent error, whereas it became the 10th frequent error in comparison/contrast writing. It was apparent that a genre did affect writing errors as different text types required different structural features. It could be concluded that to enhance students’ grammatical and lexical accuracy, a second language (L2) writing teacher should take into consideration L1 interference categories in different genres.
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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle