Les facteurs influençant la profondeur de traitement de la rétroaction corrective écrite des apprenants de français langue étrangère
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
La rétroaction corrective écrite (RCE) est un domaine qui suscite l’attention des chercheurs en langue seconde (L2), que ce soit sur le plan pédagogique ou théorique (Lira-Gonzales et Nassaji, 2020). Il existe un consensus sur ses bénéfices dans l’apprentissage d’une langue étrangère/L2, mais très peu de recherches ont examiné la manière dont les apprenants traitent les différents types de rétroaction. À partir d’une approche mixte, cet article examine la façon dont les apprenants du français langue étrangère (FLE) analysent cognitivement deux types de rétroaction corrective (RC) : indirecte (avec des codes) et directe (correction fournie). Seize étudiants d’un cours d’écriture en FLE d’une université publique costaricaine y ont participé pendant le premier semestre de 2021. Les questions suivantes ont guidé cette recherche : (1) Les types de rétroaction peuvent-ils influencer la profondeur de traitement (PdT) de la RC de l’apprenant ? (2) Les types d’erreurs peuvent-ils influencer la PdT de la RC de l’apprenant ? La collecte de données était basée sur deux textes argumentatifs (d’environ 500 mots chacun) rédigés pendant le semestre et sur une réflexion à haute voix après chaque activité d’écriture. Les participants ont reçu de la RC indirecte pour le premier texte et de la RC directe pour le deuxième. Les résultats ont démontré qu’il n’y avait pas de relation significative entre le type de rétroaction et la PdT des informations des apprenants. Cependant, il existait une relation significative entre la PdT et certains types d’erreurs morphologiques, comme les accords.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle