Editing assistance tool validation for English language learners
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Editing assistance software programs are computer-based tools that check and make suggestions for the grammar, spelling and style of a piece of writing. These tools are becoming more popular as recommendations for students who struggle with written expression, such as English language learners (ELLs). The purpose of the present study is to compare the performance of four different programs with embedded editing assistance tools in their ability to identify errors in the writing of ELLs. Design/methodology/approach Repeated measures ANOVAs were conducted to determine whether there were differences in the number of errors (i.e. spelling, grammar, punctuation and errors that change the meaning of the text) identified by editing assistance programs (i.e. Grammarly, Ginger, Microsoft Word, Google Docs and human raters) for writing by ELLs. Findings The results of the present study indicate that the four programs did not differ in their identification of spelling errors. None of the editing assistance programs identified as many errors as the human raters; therefore, editing assistance cannot yet replace effective human editing for ELLs. Research limitations/implications Limitations with the present study include manual verification of errors flagged by editing programs, multiple raters, a small sample size and a young sample of students. Practical implications The paper includes practical factors to consider when integrating editing assistance software into the classroom, including the development needs of students, the impact of students' first language and student training on the technology. Originality/value This paper provides school psychologists, teachers and other professionals working with students with specific, evidence-based recommendations for implementation of editing assistance AT.
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.
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 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle