MétaCan
Menu
Retour à la cohorte
Enregistrement W4414503355 · doi:10.37213/cjal.2025.34475

Collaboration in the revision of a piece of writing

2025· article· en· W4414503355 sur OpenAlexvenueno aff
Carmen Rodríguez Gonzalo

Notice bibliographique

RevueCanadian Journal of Applied Linguistics · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueStudent Assessment and Feedback
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Process (computing)Natural (archaeology)Corrective feedbackNatural languagePhase (matter)Composition (language)Test (biology)Language acquisition

Résumé

récupéré en direct d'OpenAlex

The importance of revision has been recognised by numerous scholars of the teaching and learning of writing (Abad & Rodríguez-Gonzalo, 2023; Bereiter & Scardamalia, 1987; Camps, 2020; Horning & Becker, 2006), especially if it is understood as a recursive and transversal phase that affects all levels of language (Álvarez Angulo, 2011; Camps, 2020; Marin & Legros, 2006). To test whether group revision is an effective tool in the teaching-learning process of writing in Spanish as a first language, in this paper we analyse large group revision sessions recorded in the natural context of a university classroom in which we implemented a didactic writing sequence (Camps, 2020; Dolz et al., 2001; Rodríguez-Gonzalo & Abad-Beltrán, 2023). The objective of this paper—an instrumental case study (Stake, 2007; Yin, 2009)—is to describe the interactions that take place in this revision process, categorise the aspects of the different linguistic levels to be identified and describe the students' proposed actions aimed at modifying the texts. The results show that approaching the revision phase collectively encourages the development of the students' metalinguistic and meta-rhetorical awareness (Horning, 2006), provided that this phase is not limited to the correction of errors in the final text and is conceived as a complex process that represents growth, progress and discovery (Haar, 2006) in the composition of a piece of writing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,089
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,089
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0050,007
Communication savante0,0070,005
Science ouverte0,0030,010
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,343
Écart entre enseignants0,327 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Applied LinguisticsMême sujetStudent Assessment and FeedbackTravaux en français237 207