MétaCan
Menu
Retour à la cohorte
Enregistrement W2971762722 · doi:10.1075/itl.19011.lir

The provision and efficacy of peer feedback in blogs versus paper-based writing

2019· article· en· W2971762722 sur OpenAlexaffabout
María-Lourdes Lira-Gonzales, Hossein Nassaji

Notice bibliographique

RevueITL Review of Applied Linguistics · 2019
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensUniversity of VictoriaUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesnon disponible
Mots-clésPopularityPeer feedbackSecond language writingClass (philosophy)Computer sciencePsychologyPeer reviewSecond languageMathematics educationSocial psychologyLinguisticsPolitical scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract While the use of blogs has gained increasing popularity among second language (L2) writers, research into their role in developing L2 writing ability is yet underdeveloped. In particular, investigations into the use and effectiveness of peer feedback on L2 blogs are limited. The current study sought to fill this gap by comparing the provision of peer feedback in blogs versus on paper. Participants were a class of ESL students in a TESL university program in Quebec who produced written texts both in blogs and on paper, received peer feedback, and then revised their texts. Altogether, the findings suggest that while both blogs and paper can be influential mediums for L2 writing, they may inspire different types of errors, elicit different types and degrees of feedback, and lead to differences in subsequent revisions.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,991
Score d'incertitude au seuil0,303

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,282
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueITL Review of Applied LinguisticsMême sujetEFL/ESL Teaching and LearningTravaux en français237 207