A New KE-Free Online ICALL System Featuring Error Contingent Feedback
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
As a first step to implementing a human language teacher, we have developed a new template-based online ICALL (intelligent computer assisted language learning) system capable of automatically diagnosing free-format translated inputs of learners, returning error contingent feedback. The system architecture adopted allows language teachers to build their expertise into the system by themselves without help from KEs (knowledge engineers), thus solving long-standing KE bottlenecks of conventional expert-systems-based ITS (intelligent tutoring system) or ICALL (Murray 1999). The core of the system comprises a unique FSA (finite state automaton)-based template knowledge base system, a robust and global HCS (heaviest common sequence)-based diagnostic engine, a POST(part-of speech-tagged) parser and related learners’ model and an easy-to use VTAT (visual template authoring tool). To simplify the authoring task of often quite complex template patterns, we have developed two sets of simpler rules; the first group of rules allows language teachers to manipulate with ease the complex sentence patterns by constructing a template-template representation from which many separate templates can be extracted, and the second group of buggy rules can be used to generate syntactic bugs for learners automatically by replacing part of the correct syntactic rules with plausible buggy rules. Using study participants ’ responses extracted into the system templates, we present some convincing experimental verifications that the diagnostic engine is capable of providing error-contingent feedback and diagnosis applicable to a wide range of learners having various educational backgrounds.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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