Automated Diagnostic Feedback vs. Self‐Assessment: Rethinking Feedback Mechanisms on Academic Writing Development
Notice bibliographique
Résumé
Abstract As international students increasingly pursue higher education in English‐dominant countries, developing their academic writing skills is crucial. However, limited access to individualized feedback remains a challenge. AI‐driven tools and self‐assessment offer promising solutions, making feedback more accessible. This study involved 50 international graduate students who spoke English as an additional language, randomly assigned to two groups: one received BERT‐generated automated diagnostic scores and feedback, while the other engaged in self‐assessment. Using a sequential explanatory mixed‐methods design, this study investigated the effects of automated diagnostic feedback and self‐assessment on students' academic writing performance and self‐perceived writing abilities. It also explored how cognitive, metacognitive, behavioral, and affective engagement with feedback varied across the two groups. Results indicated that the machine feedback group significantly outperformed the self‐assessment group in task fulfillment, organization, and total writing scores, while no significant differences were observed for vocabulary and grammar. Additionally, the machine feedback group demonstrated deeper metacognitive, behavioral, and affective feedback engagement. However, they also reported a decline in academic writing self‐confidence. While automated diagnostic feedback proved more effective than self‐assessment in enhancing academic writing skills, its potential negative impact on students' confidence highlighted the need for future research to balance precision with emotional support.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».