Investigating the impact of task complexity on uptake and noticing of corrective feedback recasts
Notice bibliographique
Résumé
Abstract This study investigated the relationship between task complexity, second language (L2) learners’ response and awareness of corrective feedback provided in the form of recasts during teacher–student interaction. Drawing on Robinson’s Triadic Componential Framework, the study examined how degrees of task complexity created by two specific task characteristics had an impact on learners’ responses (referred to as uptake), and their reported noticing of grammatical and lexical recasts. Data documenting learners’ uptake, operationalized as changes in response to feedback during interactions and noticing of recasts, as indicated in students’ self reports of detection and attention to recasts, were collected during one-on-one interaction sessions and stimulated recall sessions with ESL learners in Canada. Frequency analysis and Cochran’s Q analysis with multiple McNemar post hoc tests were carried out to compare the uptake and noticing of recasts across different tasks. The results revealed that tasks with different degrees of complexity impacted uptake and noticing of recasts differently. The results also showed that linguistic target, i.e., lexical or grammatical features, modulated the relationship between task complexity and recast uptake and noticing. The study calls for a more nuanced approach to investigating task complexity in research, and for practitioners to consider task complexity in decision making related to the use of corrective feedback and the design of classroom-based tasks.
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 | 0,002 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».