Identifying Linguistic Markers of Collaboration in Second Language Peer Interaction: A Lexico‐grammatical Approach
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
Although there is consensus that collaboration refers to two or more learners working together to accomplish a task (Davin & Donato, 2013; Ohta, 2001), debate remains about how to assess collaboration. Researchers have pursued two approaches to evaluate collaboration during peer interaction: rater judgments (e.g., Ahmadi & Sedeghi, 2016; Winke, 2013) and qualitative coding of interactional patterns (e.g., Galaczi, 2008; Storch, 2002a). Largely absent, however, has been any attempt to describe the linguistic features of collaboration. Therefore, the present study uses corpus linguistic techniques to identify the linguistic markers of collaborative and noncollaborative peer interactions. Students of English as a second language ( N = 80) enrolled in an intensive English program carried out a paired oral test as part of the program's formative assessment procedures. Their interactions were audio‐recorded and rated using an analytic rubric with three categories (collaboration, task completion, and style), and transcripts were analyzed for 146 linguistic features using the Biber Tagger (Biber, 1988). Linguistic features associated with high collaboration included first‐ and second‐person pronouns, wh ‐questions, that deletion, and subordinate conjunctions, whereas low‐collaboration interactions were characterized by nominal forms. The collaborative and noncollaborative functions served by these linguistic features are 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 | 0,001 | 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 | 0,000 |
| 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 découle