“Instructing” the Cruxes of Language Errors: Diagnosing the EFL Students’ Significant Translation Errors
Notice bibliographique
Résumé
The study follows growing the author’s concern over the EFL students’ significant translation errors although a number of researches in the field of Error Analysis showed the equivalent/unchanged results, namely, MT and TL interferences were the major causes of the EFL students’ Writing and Translation errors. EFL students keep making errors. On the basis of the facts, the study aims at specifically instructing the cruxes of the errors, diagnosing the students’ errors and observing whether or not significant improvements were found after instructing the errors. This study entailed the use of a qualitative method design. The purposive sampling and typical sample technique were ways of selecting the population and sample. Observation and unstructured interviews were techniques of collecting the data while the 1973 Corder’s clinical elicitation; and Miles and Huberman’s flow model were techniques of analysing the data. The results of the study showed that the significant translation errors made by the 2nd-year ED class II-A students before instructing the cruxes of errors were heavily centred on MT causes, TL interferences, and Communication Strategy of Holistic strategy of Approximation and Analytical strategy of Circumlocution-based errors. The total number of these errors was 1,948. In contrast, after instructing them, it significantly decreased to 636. The decrease in the number of errors in the students’ translation positively signified that the instruction of the cruxes of the errors could deduct students’ critical English language issues from making errors. The instruction in the cruxes of the errors effectively mitigates the significant effects of the MT and TL interferences, and Communication strategy-based errors; significantly improves the students’ knowledge of the cruxes of the LLU errors in Translation, as well as qualifies the outputs of their Indonesian-English translation.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| 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 | 0,001 |
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 ».