Collaborating with Mature English Language Learners to Combine Peer and Automated Feedback: a User-Centered Approach to Designing Writing Support
Notice bibliographique
Résumé
300,000 immigrants move to Canada each year in search of better economic opportunities, and many have limited English language skills. Improving written literacy of newcomers can enhance education, employment, or social integration opportunities. However, frequent, timely, and personalized feedback is not always possible for immigrants. Online writing support tools can scaffold writing development by providing this feedback, but existing systems provide inadequate support when instructors are inaccessible. In this paper, we show how feedback system design can leverage peer and automated feedback to support mature English Language Learners’ (ELL) needs and practices. We identify strong associations between epistemic beliefs and learning strategies, highlighting the importance of tasks that activate productive epistemic beliefs. We find learners accurately assessed high-level issues in a peer’s writing and are accepting of automated feedback, demonstrating that a platform combining peer-review and machine feedback could promote meaningful discussions. We present the results of our mixed-methods investigation that integrates three sources of information: analysis of learners’ psychometric constructs, writing samples to identify error patterns, and participatory design group sessions incorporating human-centred design methods. We synthesize our results into four guidelines derived from seven findings resulting from the investigation of a system that scaffolds writing development for mature immigrant ELLs in the absence of formal instructional support. First, we find that ELLs require a platform to collaboratively iterate through the writing process. Next, we suggest how peer feedback can be enhanced through automated support. We then demonstrate how rubric design can guide both linear and holistic peer-review. Finally, we illustrate why open learner models and learning dashboards should contextualize real world progress.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».