The Effectiveness of Corpus- Based Approach to Language Description in Creating Corpus-Based Exercises to Teach Writing Personal Statements
Notice bibliographique
Résumé
Using corpora in language teaching has revolutionized language research with its ‘authentic’ appeal. Corpus tools have enabled linguistic researchers and teachers to investigate actual usages and the characteristics of certain genres in order to improve syllabus design and infer more effective classroom exercises. From this perspective, this paper attempts to use corpus tools to investigate the characteristics of one of the most important requirements of university programs admissions which is the personal statement. Despite the immense importance of writing a personal statement in the lives of students wanting to enroll in universities, little research has been conducted on its instructions. More importantly, teaching its features to university students has been neglected although personal statements are an essential genre that should be emphasized in academic writing classes or university preparation courses. The paper aims to investigate if compiling a corpus of personal statements can lead to creating an effective corpus-based activities to be taught in teaching writing a personal statement. Then the paper attempts to evaluate the pedagogical implications of using corpus-based activities and criticized the weaknesses and strengths of corpora as a resource in language teaching. This paper chose to focus on personal statements collected from law students due to the high demand on law colleges in Saudi Arabia and the difficulty of admission requirements. This study used Sketch Engine® to complie a corpus of sixty-seven personal statement with a total word count of 50, 691, then analysed the lexio-grammatical features. The results were used to create corpus-based excersises to be taught in writing courses teaching personal statements.
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 | 0,007 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».