Artificial Intelligence as a Provider of Feedback on EFL Student Compositions
Notice bibliographique
Résumé
In response to the arrival of advanced artificial intelligence (AI) in the form of ChatGPT, this study examines its potential for providing feedback to foreign language writers. This represents a more acceptable use of AI in the writing classroom, rather than students simply using AI to write their entire essay. The methodological procedure involved eliciting normal classroom writing-practice essays from 29 English major students at a Saudi university, with ChatGPT (2023) then given a simple prompt requesting feedback. Both the essays and the feedback were qualitatively analysed to respond to research questions concerning the feedback’s consistency and credibility, and the extent to which it represented the different potential feedback types, based on a review of the extensive literature on the subject. Although superficially impressive, close examination revealed certain weaknesses to the AI feedback. For example, there was inconsistency in how the feedback was handled across essays, and some statements were not fully accurate regarding the respective text. In focus, the feedback was primarily accuracy-oriented, while even-handed in attention to content, organisation, and lower-level language matters, providing both positive and negative comments. However, there was a paucity of message-oriented communicative and explicit affective feedback. Like many teachers, ChatGPT was selective in terms of the feedback provided, but the decisions of what to address did not seem altogether motivated by criteria that an expert human feedback provider would consider. The main conclusion is that while AI feedback on writing practice is useful, it does require human monitoring by a teacher.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».