L2 Learner Cognitive Psychological Factors About Artificial Intelligence Writing Corrective Feedback
Notice bibliographique
Résumé
Although the study of artificial intelligence (AI) used in language teaching and learning is increasingly prevailing, research on language two (L2) learner cognitive psychological factors about AI writing corrective feedback (WCF) is scarce. This paper explores L2 learner cognitive psychology of pigai, an AI evaluating system for English writings in China, from perspectives of perception, noticing, uptake, initiative, retention and emotion. It investigates the consistency between learner cognitive psychology about AI WCF and the expected one and probes into the correlation of learner cognitive psychological factors about AI WCF, aiming at bridging the gap between the research of AI WCF and that of L2 learner cognitive psychology. After a 5-point Likert anonymous questionnaire survey of 1952 undergraduate L2 learners in Anhui University of Finance and Economics (AUFE), the statistical data of Pearson correlation coefficient indicate that learner perception, noticing, uptake, initiative, retention and emotion are positively related in the context of AI WCF, which conforms to the early research of learner cognitive psychology about WCF. But one sample t-test reveals that learner cognitive psychology of AI WCF only occasionally or sometimes consists with the expected one. The subsequent random interviews with 15 respondents suggest that pigai WCF is beneficial to L2 writing, yet there is still much room for it to improve to be deeply integrated with human WCF.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».