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.
Notice bibliographique
Résumé
Writing involves more than attention to form (e.g., orthography, grammar), since it requires attention to text type, content, and genre. However, most students of English as a second language (L2) tend to prioritize linguistic accuracy in their writing, to the detriment of the content of their texts. Automatic speech recognition (ASR) has the potential to mitigate this, as it reduces the cognitive burden of writing by facilitating the text input process (using a skill most humans possess—speaking), offering assistance in spelling, and allowing a focus on other aspects of the task (e.g., cohesion, content). Automatic speech recognition is not only accessible and free, but it also fulfills Chapelle’s (2001) criteria of an effective computer-assisted language learning tool (e.g., authenticity, learner fit). Despite these affordances, there is a dearth of studies examining the possible affordances of ASR for writing. This mixed methods, one-shot study examines L2 writers’ perceptions of using ASR to write using the technology acceptance model (TAM). Seventeen (N = 17) undergraduate students at a Canadian university were provided with training on Google Voice Typing (Google Docs) and carried out a series of ASR-based writing tasks over a two-hour period. In order to measure their perceptions of the target criteria, participants filled in a TAM-informed survey consisting of statements about their experience with ASR scored on a 7-point Likert scale. To further explore the participants’ perceptions, semi-structured interviews followed. Findings indicate positive perceptions of ASR’s usefulness in terms of language learning and its ease of use due to the user-friendly voice commands. This suggests that ASR has pedagogical potential, thus requiring further examination to determine its optimal use for L2 writing.
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 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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 découle