Examining the Dependability and Practicality of Analytic Rubric of Summary Writing Using Multivariate Generalizability Theory: Focusing on Japanese University Students with Lower-Intermediate Proficiency in English
Notice bibliographique
Résumé
English teachers, especially those who teach summary writing to students with relatively lower proficiency in English face difficulty in teaching summary writing and while assessing their students’ performances. In the classroom context, an analytic rubric is pedagogically more helpful than a holistic rubric because the teacher can confirm the strengths and weaknesses of their students’ summary performance and the students can receive constructive feedback (Yamanishi et al., 2019). This study examined the practicality of the analytic rubric which consisted of four rating scales, including language use, by investigating seven in-service English teachers’ honest assessment of 160 summaries of Japanese private university students who are inexperienced in writing English summaries and have lower-intermediate proficiency of English. Furthermore, this study examined the dependability of the analytic rubric using multivariate generalizability theory (Brennan, 2001). The results showed that assessing language use and judging summaries, copied, to a lesser or greater extent, from the source text was difficult because of diverse linguistic errors and the use of paraphrasing was lacking. Therefore, it is necessary to define the gravity of language errors and that of copying in more detail to develop a rubric that suits to assess the summaries written by English learners with lower-intermediate level of English.
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 | 0,006 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».