Corrective feedback, learner uptake, and feedback perception in a Chinese as a foreign language classroom
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The role of corrective feedback in second language classrooms has received considerable research attention in the past few decades. However, most of this research has been conducted in English-teaching settings, either ESL or EFL. This study examined teacher feedback, learner uptake as well as learner and teacher perception of feedback in an adult Chinese as a foreign language classroom. Ten hours of classroom interactions were videotaped, transcribed and coded for analysis. Lyster and Ranta’s (1997) coding system involving six types of feedback was initially used to identify feedback frequency and learner uptake. However, the teacher was found to use a number of additional feedback types. Altogether, 12 types of feedback were identified: recasts, delayed recasts, clarification requests, translation, metalinguistic feedback, elicitation, explicit correction, asking a direct question, repetition, directing question to other students, re-asks, and using L1-English. Differences were noted in the frequency of some of the feedback types as well as learner uptake compared to what had been reported in some previous ESL and EFL studies. With respect to the new feedback types, some led to noticeable uptake. As for the students’ and teacher’s perceptions, they did not match and both the teacher and the students were generally not accurate in perceiving the frequency of each feedback type. The findings are discussed in terms of the role of context in affecting the provision and effectiveness of feedback and its relationship to student and teacher perception of feedback.
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.
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 | 0,001 | 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) | 0,001 | 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 découle