Assessing academic writing: L1 English content professors’ accommodation to non-standard rhetorical organization in L2 student writing
Notice bibliographique
Résumé
Abstract \nAssessing academic writing: L1 English content professors’ accommodation to non-standard rhetorical organization in L2 student writing \n \nMargaret Levey \n \nIt is estimated that second language (L2) speakers of English in the world now outnumber first language (L1) English speakers more than 3 to 1. This shift in balance necessitates a re-examination of the notion of Standard English as L2 speakers develop regional and functional variations of English. In academic writing, Standard English is based not just on discrete elements of the language, but also on culturally determined rhetorical organization, which L2 scholars are expected to master to succeed in academia. Research suggests that in English academic publishing, the insistence on this culturally-defined rhetorical organization results in the unintentional silencing of the voices of L2 scholars. Yet whether the same insistence exists for university class assignments has been under investigated. Studies on the differences in the rhetorical organization of student-written compositions in languages other than English have not considered reader response. Conversely, studies exploring reader response to L2 writing have focussed on sentence-level errors rather than on rhetorical organization. \nUsing think-aloud protocols to access the thought processes of L1 content professors as they assess L2 student writing presented in both standard and non-standard rhetorical organization, this study employs a framework of critical discourse analysis to investigate whether L1 professors at a large Canadian university with a significant international student body accommodate to non-standard rhetorical organization in L2 student 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».