Notice bibliographique
Résumé
In spite of Krashen’s (1985) claims that the only way to acquire a second language is through non-stressful comprehensible input, Swain (1995, 1998, 2005) and others propose that the production of language (speaking or writing), under certain circumstances, is a significant part of the second-language acquisition process. Swain also states that there are three functions of output, and one of these is the noticing or triggering function, in which through producing output, learners become aware of their linguistic knowledge. This study examines the role and effectiveness of output – in particular, the noticing function of language output – in developing the writing skills of an English as a Foreign Language (EFL) student from Saudi Arabia. The notice function enables the student to identify lexis and grammar problems in his writing. Data collection for the study was conducted in three stages: In Stage 1 the participant, who studies English at Latrobe Language Centre in Level 4A, wrote three paragraphs in response to illustrated questions. In Stage 2, the participant compared his original writing to model paragraph feedback tools. In Stage 3, the student rewrote his original paragraphs based on what he noticed in Stages 1 and 2. This methodology demonstrated the aspects of language that a second-language learner noticed while forming a paragraph on his own. It also illustrated what the participant noticed when he compared his writing to a model and what changes he made to his writing, as a result. It pushed the learner to create a modified output, leading to development of his writing skills in second-language acquisition.
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 | 0,025 | 0,170 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,002 |
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 ».