Feedbacking Strategies of English Language Teachers on the Written Outputs of Students in Distance Learning
Notice bibliographique
Résumé
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 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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».