MétaCan
Menu
Retour à la cohorte
Enregistrement W4307835685 · doi:10.5539/elt.v15n11p84

Maritime Students Meeting the Maritime Industry English Standards: An Analysis of Types of Sentences

2022· article· en· W4307835685 sur OpenAlexvenueno aff
Jameela Hanoon Umarlebbe, Sarimah Shamsudin, Seriaznita Haji Mat Said

Notice bibliographique

RevueEnglish Language Teaching · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnglish Language Learning and Teaching
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSentenceAdverbialSubject (documents)LinguisticsGrammarVerbPsychologyObject (grammar)Academic writingDependent clauseArtificial intelligenceNatural language processingComputer scienceMathematics education

Résumé

récupéré en direct d'OpenAlex

A sentence is the highest unit of grammar. Thus, constructing error-free sentences in writing is one of the biggest challenges encounted by most non-native speakers, and even university students are not an exception to this reality. This study aims at investigating various types of sentences produced by tertiary-level maritime students in a Sri Lankan university. The study was based on a narrative writing activity in the English for Academic Purposes (EAP) module. The students were provided forty-five minutes to produce the piece of writing as an in-class activity on a topic relevant to their field visit to a port. This is a descriptive study based on the analysis of a small corpus of essays written by twenty maritime students, and a structural analysis of sentences was employed to examine the students’ writing. Different kinds of sentences and sentence errors were identified, and they were classified accordingly. The findings of the study revealed that the students favoured simple sentences over other sentence types. Approximately two-thirds of the sentences produced belonged to the simple sentence category. The compound-complex form was found to be the least utilized sentence type among the target group. The analysis of sentences was based on the elements of the clause structure explained in Quirk et al. (1985) and Oshima and Hough (2006). Interestingly, it was observed that there was no single common clause structural pattern used by the participants. Instead, they used subject-verb-object (SVO), subject-verb-complement (SVC) and subject-verb-adverbial (SVA) types very often when writing. Similarly, fragments and run-on sentences were recorded high among maritime learners’ erroneous sentences in writing. The study findings have pedagogical implications for the teaching of English language grammar that subsumes essay writing in the EAP module.

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)0,002
score de la tête « metaresearch » (Gemma)0,014
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,274
Écart entre enseignants0,267 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetEnglish Language Learning and TeachingTravaux en français237 207