The sociocognitive functions of English use during L2 French collaborative writing tasks
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
Reflecting the important role of collaborative dialogue in second language (L2) learning, collaborative writing tasks have been widely used in L2 classrooms to help students gain new knowledge and consolidate their existing knowledge about how the target language works. Although use of the first language (L1) during peer interaction has been criticized (Levine, 2003; Unamuno, 2008), collaborative dialogue research has identified how L1 English use serves several important sociocognitive functions and supports knowledge mediation in foreign language classrooms (Swain & Lapkin, 2013). This study also examines the sociocognitive functions served by English in an L2 French classroom but compares the functions used by L1 English ( n = 13) and L2 English ( n = 7) speakers during collaborative writing tasks. Their discussions during two collaborative writing tasks were transcribed, and their English use was analysed in terms of its sociocognitive function. Results showed that L1 and L2 English speakers used English for similar sociocognitive functions, mainly for generating ideas, managing the task, and discussing vocabulary. However, there were some different patterns in terms of how extensively English was used within a turn across the functions. Implications are discussed in terms of the potential benefits of using linguistic resources other than the target language in multilingual L2 classrooms.
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 | 0,006 | 0,005 |
| 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 | 0,011 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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