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
What started off as a field of interest in studies revolving around Conversation Analysis in the late 1970s (Sacks et al.), has experienced an increasing interest in research on second language learning in institutional settings – repair. Many studies have found that repair is not exclusively targeted at error correction but has been shown to fulfill discourse-related functions as well (e.g. Liebscher and Dailey-O’Cain; Razfar). However, despite its crucial role in institutional settings, assessment situations have been largely neglected in this research. This study aims to fill this gap. It examines how repair is done amongst the instructor and beginner students of German during oral exams. The instances of repair are categorized as self- or other-initiated self-repair (Schegloff et al.). Self-initiated repair is described following the categories identified by Levelt. Nine beginner learners of German, who have previously shown different levels of learning success, were video-recorded during their oral exams. Using conversational analyst methods, this study aims at identifying 1) What forms of repair occur and which functions they fulfil, and 2) How successful repairs are depending on the learners’ level of success. While self-initiated self-repair and error corrections are the most dominant form, the findings also indicate that the oral exam setting elicits economic and pragmatic functions as well and further sharpens the learners’ self-perception of their own performance depending on their success level, which influences the ability to spot and repair trouble sources. Pedagogical implications of these findings will be discussed.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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