The Metaphor of AI in Writing in English: A Reflection on EFL Learners’ Motivation to Write, Enjoyment of Writing, Academic Buoyancy, and Academic Success in Writing
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
Several barriers hinder students from producing clear and impactful written work. Writing assignments are often given on an individual basis, similar to homework, and without any assistance. Students in a classroom context have access to both their classmates and the teacher while they are working in groups or pairs as part of their assignments. The majority of students, however, are clueless about how to begin their homework assignments. The introduction of artificial intelligence in education may help solve this problem. The current research intended to demonstrate the effects of employing automated writing evaluation (AWE) in fostering learners’ writing skills, motivation to write, enjoyment of writing, and academic buoyancy in open and distributed English as a foreign language (EFL) learning. The participants were 86 intermediate EFL students from China. The participants in the experimental group (n = 44) received instruction and feedback from their teachers only; participants in the control group (n = 42) were exposed to their teachers’ instruction as well as AWE. The results of data analysis via one-way multivariate analysis of variance indicated that the participants in the experimental group outperformed their peers in the control group in motivation to write, enjoyment in writing, academic buoyancy, and academic success in writing. Further in-depth discussions proceed regarding the implications of the study.
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 | 0,013 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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