Developing literature review writing and citation practices through an online writing tutorial series: Corpus-based evidence
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
Writing a literature review (LR) in English can be a daunting task for non-native English-speaking graduate students due to the complexities of this academic genre. To help graduate students raise genre awareness and develop LR writing skills, a five-unit online tutorial series was designed and implemented at a large university in Canada. The tutorial focuses on the following features of the LR genre: logical structure, academic vocabulary, syntax, as well as citation practices. Each tutorial unit includes an interactive e-book with explanations, examples, quizzes, and an individual or collaborative LR writing assignment. Twenty-nine non-native English-speaking graduate students from various institutions participated in the tutorials and completed five writing tasks. This study reports on their developmental trajectories in writing performance in terms of cohesion, lexical features, syntactic features, and citation practices as shown in three individual writing tasks. Corpus-based analyses indicate that noticeable, often non-linear, changes are observed in several features (e.g., use of connectives, range and frequency of academic vocabulary) across the participants' writing samples. Meanwhile, citation analysis shows a steady increase in the use of integral citations in the participants' writing samples, as measured with occurrence by the number of sentences, along with a more diverse use of reporting verbs and hedges in their final writing samples. Pedagogical implications are discussed.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 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