MétaCan
Menu
← Retour à la cohorte
Enregistrement W4230110372 · doi:10.22215/etd/2016-11701

Designing and Evaluating Training for Discipline-Specific Peer Writing Tutors

2016· dissertation· en· W4230110372 sur OpenAlexaffabout
Shelley Appleby-Ostroff

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineSocial Sciences
ThématiqueLegal Education and Practice Innovations
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésTUTORPeer tutorSet (abstract data type)Training (meteorology)Process (computing)Mathematics educationPedagogyEmpirical researchPsychologyWriting centerComputer scienceMedical educationMedicineEpistemology

Résumé

récupéré en direct d'OpenAlex

This qualitative empirical study develops a set of theory-supported criteria for designing effective training programs for peer tutors in discipline-specific writing centres.It then assesses whether the criteria are present in a writing tutor-training program at an Eastern Ontario law school.The study draws on theories about writing-centre pedagogy, the writing process, and effective training for peer writing tutors in developing the criteria.Measuring the law school's writing tutor-training program against the theory-supported criteria reveals the presence of most of the criteria.The only significant shortcomings identified are that the law school's program does not select tutors on the basis of their personal attributes, focuses more on practice than theory, and does not include regular observation and self-evaluation activities.These findings suggest that the program is effective in training law-student tutors to provide discipline-specific writing support to their peers. Chapter 1: IntroductionPeer feedback is an integral part of academic writing instruction in North American universities.Writing centre conferences, in-class tutoring, peer writing groups, and writing fellows 1 are now common features of many undergraduate and graduate writing programs (Fitzgerald & Ianetta, 2016).These collaborative learning approaches to writing instruction actively involve students in their own learning and aim to help writers enter new discourse communities.Evolved from the grammar "fix-it shops" of the 1970s, writing centres offering individualized academic writing instruction have become fixtures at most North American universities (Carino,1995).During writing centre conferences, students trained as writing tutors 2 offer personalized writing support to their peers primarily through Socratic questioning and active listening techniques.These techniques help tutors guide student writers in recalling knowledge they already have, but have trouble accessing, as well as in constructing new knowledge.Typically, these discovery-based "one-to-one writing conferences" (Harris, 1986), focus on helping students become better writers rather than only on fixing a particular piece of writing (e.g., North, 1984). 1 Writing fellows are students who tutor their peers "in specific courses, often in collaboration with the instructors of these courses" (Fitzgerald & Ianetta, 2016, p. 157) Writing fellows "are probably most likely to work continuously and in depth with disciplinary genres" (Fitzgerald & Ianetta, 2016, p. 157). 2 Some Canadian university writing centres employ professional writing instructors (e.g.,

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,051
score de la tête « metaresearch » (Gemma)0,129
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,268

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0510,129
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,003
Communication savante0,0050,003
Science ouverte0,0040,005
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,244
Tête enseignante GPT0,507
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetLegal Education and Practice Innovations→Travaux en français237 207→