Identifying Linguistic Markers of Collaboration in Second Language Peer Interaction: A Lexico‐grammatical Approach
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.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».