MétaCan
Menu
Retour à la cohorte
Enregistrement W4390711382 · doi:10.36312/jolls.v3i2.1209

Investigating Students’ Writing Skills in Generating Descriptive Texts: Experiences Learned from English for Specific Purposes (ESP) Contexts in Privates Universities

2023· article· en· W4390711382 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Language and Literature Studies · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueEducational Methods and Media Use
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésGrammarPsychologyVocabularyCategorizationComprehensionMathematics educationDescriptive statisticsLinguisticsPedagogy

Résumé

récupéré en direct d'OpenAlex

Writing occupies a paramount role in the conveyance of ideas, demanding a profound comprehension of the nuances integral to crafting impeccable written compositions. The research under consideration was undertaken with the objective of delving into the writing skills of students and discerning the challenges they encounter in composing descriptive texts. Employing a mixed-method approach, the study engaged English learners at STIE AMM Mataram, constituting a cohort of 28 students. To attain a comprehensive understanding of their writing abilities and difficulties, the research employed writing tests and interviews as research instruments. The research outcomes revealed a mean score of 69.92 for the students, indicative of a concerning trend of inadequate proficiency in writing descriptive texts, essentially categorizing their abilities as 'poor.' A closer examination of the data delineated specific performance distributions among the students: 12% garnered scores below 60, designating them as 'poor,' while 40% fell within the 61-70 score range, also categorized as 'poor.' Moreover, 36% secured scores in the 71-80 range, positioning them in the 'average' category, and a mere 12% earned scores designated as 'very good. Vocabulary and organization stood out with ratings categorized as 'good to average,' showcasing relative strengths. Conversely, content, grammar, and mechanics were characterized by a 'fair to poor' categorization, underscoring significant areas of difficulty. In particular, students grappled with challenges concerning grammar, content development, and mechanical aspects of writing. In light of these findings, it is evident that students encounter multifaceted difficulties, particularly in the realms of grammar, content creation, and mechanics. As a viable solution, it is recommended that English teachers prioritize providing students with ample opportunities for writing practice. These opportunities should be designed to specifically enhance content development and grammar proficiency in writing descriptive texts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,138
Score d'incertitude au seuil0,380

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,351
Écart entre enseignants0,310 · 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