The Use of Semi-automatic Annotation in Speech Acts Performed by Learners of English
Notice bibliographique
Résumé
Since rare research studied speech acts (SAs) from a macro perspective, this study used a semi-automatic annotation tool named Dialogue Annotation and Research Tool (DART) to examine the most frequently performed SAs by Chinese and Thai learners of English as a foreign language (EFL). It also attempted to reveal the reasons for the similarities and differences in the SA performances of EFL learners from discrete linguacultural backgrounds. This study involved 30 Chinese and 30 Thai EFL learners, totaling 60 participants. A total of 30 dyadic English interlanguage conversations were collected for this study. The learner corpus research with the contrastive interlanguage analysis was adopted for the analysis. The DART annotation revealed that both Chinese and Thai EFL learners most frequently performed the same six SAs. These SAs were labeled by DART as state, hesitate, reqInfo, answer, expressOpinion, and stateReason. Of the six listed SAs, both Chinese and Thai EFL learners most frequently performed the SA labeled state; both cohorts also presented the SA stateReason least often. Task requirements, the frequent use of certain types of formulaic language, and English proficiency levels were ascertained as factors causing the identical presentation of the six identified SAs. The English proficiency levels of Chinese EFL learners were determined as the principal reason for their discrete performance of SAs. Conversely, the influence of the Thai linguacultural background denoted the primary factor for discrepancies in the SA performance of Thai EFL learners.
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 | 0,008 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».