MétaCan
Menu
Retour à la cohorte
Enregistrement W2461301006 · doi:10.5539/elt.v9n8p106

Effectiveness of Using Screencast Feedback on EFL Students’ Writing and Perception

2016· article· en· W2461301006 sur OpenAlexvenueno aff
Amira Desouky Ali

Notice bibliographique

RevueEnglish Language Teaching · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueStudent Assessment and Feedback
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyPerceptionPeer feedbackConstructiveVideo feedbackControl (management)Mathematics educationPedagogyComputer science

Résumé

récupéré en direct d'OpenAlex

This mixed-methods research was carried out to investigate the effect of screencast video feedback on the writing of freshmen, studying academic writing course at a university in Egypt, and explore their perception towards receiving screencast feedback. Two classes of 63 students were chosen to participate in this study and were assigned into two groups; an experimental group (33 students) and a control one (30 students). While the control group received written comments, the experimental group received video feedback to the higher order concerns of writing (content, organization and structure) and written feedback to the lower order concerns (accuracy) of their writings. Two writing tests were administered to the two groups before and after the experiment. To investigate the perception towards screencast feedback, an online questionnaire was applied to the experimental group after the experiment. Results showed that the experimental group outperformed the control group in the higher order concerns of writing as well as the overall writing skill in the writing posttest. Findings also revealed that the majority of students in the experimental group perceived screencast feedback positively for being clear, personal, specific, supportive, multimodal, constructive, and engaging. However, they reported few challenges such as slow loading time and inability to download videos to their computers. The research concludes with implications for practitioners and researchers.

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)0,005
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,019
Tête enseignante GPT0,355
Écart entre enseignants0,336 · 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'étudeObservationnel
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

Citations83
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetStudent Assessment and FeedbackTravaux en français237 207