Perspectives on Using Automated Writing Evaluation Systems to Provide Written Corrective Feedback in the ESL Classroom
Notice bibliographique
Résumé
While feedback is widely considered essential for second language (L2) writing development (Bitchener & Ferris, 2012), teachers may not always be able to provide their learners with immediate and frequent corrective feedback. Automated writing evaluation (AWE) systems can help respond to this challenge by providing L2 learners with written corrective feedback (WCF) instantaneously and as frequently as needed both inside and outside the ESL classroom. Proponents of the use of AWE systems argue that these systems can facilitate more writing practice, increase learner motivation and accuracy, and promote learner autonomy. Critics argue that AWE systems cannot give individualized feedback, are prone to errors, can diminish the role of the teacher, and warp students’ notions of good writing. As a compromise, it is recommended to use feedback from AWE systems to complement, rather than replace, teacher WCF. In this perspectives paper, we discuss the main benefits and drawbacks of using AWE to provide WCF in the ESL classroom. We conclude by arguing that, when used judiciously and effectively to complement teacher feedback, WCF from AWE systems can support teachers’ work and enhance learners’ writing motivation and development in the ESL classroom. Alors qu’un consensus existe pour dire que la rétroaction est essentielle pour le développement de la rédaction en langue seconde (L2) (Bitchener & Ferris, 2012), les enseignants ne sont peut-être pas toujours en mesure de fournir une rétroaction corrective immédiate et fréquente à leurs apprenants. Les systèmes d’évaluation automatique de rédaction peuvent aider à répondre à ce défi en fournissant aux apprenants de L2 une rétroaction corrective écrite instantanée et de façon aussi fréquente que nécessaire à la fois en classe et hors de la classe d’ALS. Les défenseurs de l’utilisation des systèmes disent que ces systèmes peuvent encourager la pratique de la rédaction, augmenter la motivation et la précision de l’apprenant et promouvoir l’autonomie de l’apprenant. Les critiques avancent que les systèmes d’évaluation automatique ne peuvent pas donner de rétroaction personnalisée, sont susceptibles de faire des erreurs, peuvent diminuer le rôle de l’enseignant et déformer la perception des étudiants quant à ce qui constitue une bonne rédaction. On recommande, comme compromis, d’utiliser la rétroaction des systèmes d’évaluation automatique comme un complément, plutôt que comme un remplacement de la rétroaction corrective écrite de l’enseignant. Dans cet article donnant des perspectives, nous discutons des principaux avantages et inconvénients de l’utilisation de l’évaluation automatique de rédaction pour fournir de la rétroaction corrective écrite dans la classe d’anglais langue seconde. Nous arrivons à la conclusion que, utilisée de manière judicieuse et efficace pour compléter la rétroaction de l’enseignant, la rétroaction corrective écrite issue des systèmes d’évaluation automatique de rédaction peut soutenir le travail des enseignants et augmenter la motivation et le développement de la rédaction des apprenants dans la classe d’ALS.
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 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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».