English-as-an-Additional-Language Employees’ Perspectives on Writing in the Workplace
Notice bibliographique
Résumé
This article presents study results on workplace writing from English-as-an-additional-language (EAL) employees’ perspectives, and shares findings about how educational institutions in British Columbia can better prepare EAL students to write in the workplace. In post-secondary academic writing, content rather than writing accuracy is often emphasized, yet most employers consider writing accuracy important as it reflects a company’s image (Hu & Hoare, 2017), and how EAL employees perceive their writing preparedness, workplace writing accuracy, and language challenges remains unexplored. Thus, we inquired: 1) How do EAL employees graduated from English-speaking universities and working in English-medium environments perceive workplace writing accuracy? 2) To what extent are they prepared for workplace writing? 3) What writing challenges do they encounter? 4) What do they think universities can do to better prepare EAL students for workplace writing? The study employed qualitative interviews with nine EAL employees who graduated from British Columbia universities and were working at English-medium companies in Canada. Data analysis suggests that the participants highly valued writing accuracy; however, their education did not prepare them adequately. In addition, the participants suggested that universities offer more communication, business, and professional writing courses; enhance support services; invite employers and EAL employees as guest speakers; and incorporate real-life scenarios in the curriculum.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 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 ».