The Impact of the Data-Driven Learning Approach on ESL Writers’ Citation Patterns
Notice bibliographique
Résumé
This study reports the impact of the data-driven learning (DDL) approach on ESL Saudi writers’ general citation patterns that contribute to their general authorial voice. Specifically, the study examines the effects of the DDL activities on ESL writers’ use of integral and non-integral citation patterns based on Swales’ (1981, 1986, and 1990) modal of citation analysis and the extended scheme of classification set by Thompson & Tribble (2001). Guided use of both the Michigan Corpus of Upper-Level Student Papers (MICUSP) and WordandPhrase.info has been designed, implemented, and assessed with a representative sample of 32 ESL upper-intermediate and advanced writers in the Department of Translation in College of Languages at Princess Nourah bint Abul Rahman University (PNU). The effectiveness of the DDL activities in improving the writers’ use of the citation patterns in composition of assignments is measured via a repeated measure paired t test. The study evaluates writers' authorial voice in terms of their use of integral and non-integral citation patterns. The quantitative analysis reveals that participants’ integral patterns (n = 398) of citation significantly outnumbered non-integral patterns (n = 126). The verb-controlling pattern occurred the most (n = 320), constituting 61% of total citation patterns. Results of the paired sample t test reveals a significant statistical difference between participants’ performances before and after the integration of the DDL activities, with the mean value being increased from 2.285 to 3.778. These results inform pedagogical implications of the DDL approach in ESL writing. The conceptual framework implementing the DDL approach in the present study provides guidance for applying corpus-informed tools when designing writing activities for upper-intermediate to advanced ESL learners.
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 | 0,010 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».