Corrective Feedback in Second Language Teaching and Learning : Research, Theory, Applications, Implications
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
Introduction: The role of corrective feedback: Theoretical and pedagogical perspective - Hossein Nassaji and Eva Kartchava PART 1: ORAL CORRECTIVE FEEDBACK Chapter 1: Oral corrective feedback in L2 classrooms: What we know so far - Rod Ellis Chapter 2: The nature of peer corrective feedback during oral interaction: Cognitive and social perspectives - Masatoshi Sato Chapter 3: The timing of oral corrective feedback - Paul Gregory Quinn (University of Toronto) and Tatsuya Nakata PART 2: COMPUTER-MEDIATED CORRECTIVE FEEDBACK Chapter 4: Computer-assisted corrective feedback and language learning - Trude Heift and Volker Hegelheimer Chapter 5: Peer corrective feedback in computer-mediated collaborative writing - Neomy Storch Chapter 6: Interactional feedback in computer-mediated communication: A review of the state of the art - Nicole Ziegler and Alison Mackey PART 3: WRITTEN CORRECTIVE FEEDBACK Chapter 7: Language-focused peer corrective feedback in second language writing - Magda Tigchelaar and Charlene Polio Chapter 8: Negotiated oral negotiation in response to written errors - Hossein Nassaji Chapter 9: Why some L2 learners fail to benefit from written CF Corrective Feedback - John Bitchener PART 4: STUDENT AND TEACHER ISSUES IN CORRECTIVE FEEDBACK Chapter 10: Student and teacher beliefs and attitudes towards corrective feedback - Shaofeng Li Chapter 11: Non-verbal Feedback - Kimi Nakatsukasa and Shawn Loewen Conclusion, reflections, and final remarks - Hossein Nassaji and Eva Kartchava List of Contributors
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 | 0,004 | 0,001 |
| 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 | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,006 |
| 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