Comparing the Lexical Features of EAP Students’ Essays by Prompt and Rating
Notice bibliographique
Résumé
Previous research has shown that high frequency lexical items, such as AWL words and formulaic expressions, may differentiate between texts written by ex- pert and novice writers (Chen & Baker, 2010; Hancioğlu, 2009), and that lexical features related to breadth, depth, and accessibility differentiate among texts from L2 writers of different proficiency levels (Crossley & McNamara, 2009, 2012; Crossley, Weston, McLain Sullivan, & McNamara, 2011). The current study compared the essays written by EAP students in response to either a cause or an effect writing prompt. As part of their EAP writing class, the students (N = 94) had two weeks to read six source texts and take notes to prepare for an integrative-writing exam. Students’ essays were assessed by three raters using a holistic rubric, and five lexical features of their essays were analyzed: percentage of AWL word use, content word frequency, word familiarity, imagability, and lexical diversity. The results indicated that responses to the effect prompt were rated sig- nificantly lower than cause essays, contained more frequent and familiar words, and had a lower percentage of AWL words. However, there was no significant correlation between essay ratings and lexical features. Potential explanations for the findings and pedagogical implications are discussed. Des recherches antérieures ont révélé que les items lexicaux à haute fréquence, tels la liste des mots académiques et les formules rigides, peuvent varier selon que le texte soit écrit par un expert ou un débutant (Chen & Baker, 2010; Hancioğlu, 2009), et que les éléments lexicaux liés à l’envergure, la profondeur et l’accessi- bilité varient dans les textes écrits par des auteurs L2 de compétences différentes (Crossley & McNamara, 2009, 2012; Crossley, Weston, McLain Sullivan, & McNamara, 2011). La présente étude a comparé des rédactions écrites par des élèves d’anglais académique où la tâche d’écriture évoquait des causes ou des effets. Le cours d’anglais académique exigeait que les élèves (N=94) lisent, en deux semaines, six textes originaux et qu’ils prennent des notes pour se préparer à un examen écrit intégratif. Trois évaluateurs se sont appuyés sur une rubrique globale pour analyser cinq éléments lexicaux : pourcentage de l’utilisation des mots de la liste des mots académiques, fréquence des mots lexicaux, capacité à évoquer des images mentales et diversité lexicale. Les résultats démontrent que les évaluations des rédactions basées sur la tâche d’écriture évoquant des effets étaient nettement inférieures aux évaluations des rédactions basées sur la tâche d’écriture évoquant des causes. Ces premières comptaient également plus de mots familiers et répandus, et moins de mots figurant dans la liste des mots académiques. Les auteurs présentent des hypothèses pour expliquer ces résultats, ainsi que les impli- cations pédagogiques de leur recherche.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».