MétaCan
Menu
Retour à la cohorte
Enregistrement W4387365885 · doi:10.5430/wjel.v13n8p348

Feedbacking Strategies of English Language Teachers on the Written Outputs of Students in Distance Learning

2023· article· en· W4387365885 sur OpenAlexvenueno aff
Cailvin D. Reyes

Notice bibliographique

RevueWorld Journal of English Language · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEducation and Critical Thinking Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRubricComputer scienceMathematics educationClass (philosophy)ConstructiveObjectivity (philosophy)Set (abstract data type)PsychologyArtificial intelligenceProcess (computing)

Résumé

récupéré en direct d'OpenAlex

This study aimed to describe the feedback strategies of English Language Teachers on the written outputs of students in distance learning and how these strategies help the students improve their written outputs. It also aimed to propose a feedback framework that can be adopted by Language teachers in distance learning. This study was conducted using a general qualitative inquiry design in which a researcher-made validated interview guide served as the primary data collection tool. The study had 10 English Language Teachers as Participants who were chosen purposively using criteria set by the researcher. The findings of this study revealed that English teachers use positive words to motivate students to do better, provide constructive criticisms to improve students’ outputs, observe confidentiality, remind students to avoid plagiarism, focus on grammatical errors, use rubrics for objectivity’s sake, and give general comments on errors in class. The participants perceived that these feedback strategies lead to improvement, motivate students to keep on improving their outputs, raise awareness among students on their errors, and assure students that their outputs are being monitored. Furthermore, the things that the English teachers consider when they provide feedback on the written outputs of their students include being punctual, and assuring students that their outputs are being monitored. Additionally, feedback strategies have to be humane, and objective, and should check on the authenticity of students’ output. Lastly, the proposed feedback framework is centered on improving students’ written outputs. Its seven elements are complementary to each other to realize the main objective of the framework.

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)0,013
score de la tête « metaresearch » (Gemma)0,067
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,067
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,019
Tête enseignante GPT0,331
Écart entre enseignants0,312 · 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'étudeQualitatif
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of English LanguageMême sujetEducation and Critical Thinking DevelopmentTravaux en français237 207