Analyzing the Impact of CALL Tools on English Learners' Writing Skills: A Comparative Study of Errors Correction
Notice bibliographique
Résumé
The study seeks to compare the effectiveness of Computer-Assisted Language Learning Tools (ChatGPT, Grammarly, and Google Translate) in correcting the occurrences of common errors in English as a second/foreign language (ESL/EFL) learners’ writing. An experimental design offered instructions for Class A with ChatGPT, Class B with Grammarly, Class C with Google Translate, and Class D was the control group with no exposure to any of these tools. Data were collected from texts created by the students based on pictures, both before and after the intervention. It was found that ESL/EFL learners frequently made eight distinct types of errors in their writing: spelling, punctuation, capitalization, possessive words, verb forms, subject-verb agreement, articles, and prepositions. The interventions across different classes showed that ChatGPT in Class A significantly corrected spelling, verb form, and subject-verb agreement-related errors, Grammarly in Class B excelled in correcting prepositional errors, and Google Translate in Class C effectively addressed errors in article use, capitalization, and possessives. In contrast, the control group in Class D surpassed the others in enhancing punctuation. In Class A, ChatGPT, and in Class B, Google Translate displayed enhanced effectiveness in rectifying common writing errors of ESL learners compared to Grammarly in Class B and the control group. The findings suggest that employing targeted digital tools for distinct grammatical challenges can substantially enhance learning outcomes in a language learning context.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 tête enseignante, 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 ».