MétaCan
Menu
Retour à la cohorte
Enregistrement W2407512480 · doi:10.1558/wap.v8i1.27207

Textual appropriation in two discipline-specific undergraduate writings

2016· article· en· W2407512480 sur OpenAlexafffund
Ling Shi

Notice bibliographique

RevueWriting & Pedagogy · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueAcademic Writing and Publishing
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesUniversity of British Columbia
Mots-clésAppropriationDisciplineAcademic writingReading (process)Scientific writingStatement (logic)CitationComputer scienceMathematics educationLinguisticsSociologyPsychologyLibrary scienceSocial science

Résumé

récupéré en direct d'OpenAlex

Research has explored how scholars use citations to write intertextually across disciplines but have rarely compared how students, especially undergraduates, appropriate source texts in their writing in arts versus sciences. This study explores textual appropriation and source use in disciplinary writing of second language undergraduates in a North American university. Two samples of undergraduate writing were analyzed. One is a biology paper written by Cary to summarize a scientific concept or statement, and the other is an essay in Film Studies written by Martin on a topic of his own choosing. Text-based interviews were conducted to solicit participants’ comments and explanations of how they used source texts in completing the two specific disciplinary writing tasks. Results suggest different citing behaviors between the two students in terms of the types of sources they used (textbooks, monographs, and non-reading sources), the format of textual borrowing (quoting versus paraphrasing), and reasons for citing and not citing (e.g., to use others’ words or ideas versus expressing one’s own ideas or knowledge). The paper ends with an example of an assignment designed to help students explore how to make citation decisions in disciplinary 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,065
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,065
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0050,004
Études des sciences et des technologies0,0040,003
Communication savante0,0050,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,310
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWriting & PedagogyMême sujetAcademic Writing and PublishingTravaux en français237 207