Pragmatic Rating of L2 Refusal: Criteria of Native and Non-native English Teachers
Notice bibliographique
Résumé
Many studies have shed light on rater criteria for assessing the performance of language skills (e.g., Eckes, 2005). However, the interface between rater assess- ment and interlanguage pragmatics (ILP) has remained largely unnoticed. To address this interface, this study explored the ratings native (NES) and nonnative English speaking (NNES) teachers assigned to second language (L2) refusal pro- duction and the criteria they applied in their ratings. To this end, 50 NES and 50 NNES teachers participated in rating L2 refusal production of EFL learners that included responses to a 6-item written discourse completion task. The data were analyzed qualitatively and quantitatively. Qualitative analysis showed that na- tive teachers applied 11 criteria and nonnative teachers applied 6 criteria in their pragmatic ratings. Reasoning/explanation was the leading criterion in teacher assessment among native raters, whereas politeness was the main criterion for nonnative ratings. Quantitative analysis documented variation in the frequency of drawing on rating criteria and significant differences in ratings, with NNES teachers being more lenient and divergent in their ratings. The results suggest there is a gap between NES and NNES teachers in terms of rating criteria, strictness, and convergence in rating.
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) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».