Exploring the Impact of Online Translation on Writing Revision among Chinese Non-English Major Students
Notice bibliographique
Résumé
The present study examined the efficacy of online translation as an auxiliary revision tool for Chinese non-English majors, assessing its influence on writing performance and the students’ perceptions of its role in the revision process. This study employed writing task, questionnaire survey, and semi-structured interview to examine the efficacy of online translation as an auxiliary revision tool for Chinese non-English majors, assessing its influence on writing performance and the students’ perceptions of its role in the revision process. A total of 94 Chinese non-English majors who learn English as a foreign language (EFL) participated in the study. The results indicate that compared with those who revise their texts independently, those Chinese non-English majors who refer to online translation in the process of revision, made significantly more changes at the below-clause and clause and above levels in terms of revision domain, with increased additions and substitutions. Additionally, having access to online translation in the process of revision, Chinese non-English majors significantly increased their text length in final drafts, with decreased error rate, more low-frequency and sophisticated words, and varied lexical choices. Besides, virtually most of the participants use online translation frequently in English writing activities with a generally positive attitude towards the integration of online translation into English writing revision. For English teachers, they can consider allowing students to use online translation in the process of revision and giving students sufficient guidance on how best to realize its fullest potential. For Chinese non-English majors, they’d better keep improving their self-learning ability and double-check the online translation output by using other resources.
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 | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».