Enhancing Writing Proficiency: The Role of Model Essays as Corrective Feedback Tools in IELTS Writing Task Achievement and Coherence/Cohesion
Notice bibliographique
Résumé
Proficiency in IELTS writing tasks is crucial for obtaining high scores in this internationally recognized test. This quasi-experimental study investigated the effectiveness of corrective feedback in improving the gain scores of both academic writing task 1 and task 2. Sixty Iranian students participated in pre/post-test administrations, with the experimental group receiving instruction based on the analysis made on 10 model essays, and the control group received reformulation on their own produced texts. Two skilled raters assessed the students' typewritten texts in terms of task response and "coherence/cohesion" – two writing band descriptors. After conducting ANOVA and Bonferroni post hoc tests, the results demonstrated that the treatment group achieved significantly higher scores in the two mentioned components. In both the post-test and delayed post-test, the Experimental Group (EG) consistently outperformed the Control Group (CG) in task response sub-scale of academic writing task 1 & 2 (p < 0.05). Further examination, employing a multi-mediator approach, accentuates the substantial impact of these writing rubrics on the overall IELTS score. Additionally, within the EG, there was a significant increase in coherence scores between the pretest and posttest (p < 0.05). However, no statistically significant change was observed between the post-test and the delayed post test (p > 0.05).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».