The Impact of Discourse Marker Instruction on Fluency, Accuracy, and Complexity Improvement of Iranian Intermediate EFL Learners
Notice bibliographique
Résumé
The purpose of the study was to investigate the impact of discourse marker (DM) instruction on fluency, accuracy, and complexity improvement of Iranian intermediate EFL learner’s writing. To this aim, among the two hundred forth year English major learners in Dezful university, Iran, fifty of them who were in the intermediate level, based on the scoring system of the university, were recruited. They were given a topic to write before intervention. Then, the fifty participants passed through twenty-hour instruction on micro and macro DMs, based on Belles-Furtuno’s (2004) classification of discourse markers. The mentioned classification included both sentential and supra sentential markers. In the process of explicit instruction (EI) of DMs, they were given various exercises and activities to apply DMs and learn the function and usage of these units and input flood (IF) was performed along with corrective feedback (CF) with the help of the teacher with their mistakes and misunderstandings of DMs. After intervention, they were given another topic to write to examine if EI+IF of DMs could help them improve fluency, accuracy, and complexity of their writing. To quantify the results the Wolfe-Quintero (1998) method was used and it was unveiled that all the three components of writing improved after intervention, which practically means instruction of DMs could enhance learner’s writing in the three aspects. The findings can be used by teachers and syllabus designers to consider DMs as one of the most crucial components in writing courses.
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 | 0,001 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».