Digital Feedback in a Crisis Period: A Study of Electronic Corrective Feedback on Ghanaian Students' Business Letters During the COVID-19
Notice bibliographique
Résumé
This study examined the efficacy of electronic corrective feedback (ECF) on the business letters of selected Ghanaian technical university students.A sequential exploratory mixed-methods design was used for this study.Thus, the study employed both qualitative and quantitative data.Consequently, 80 scripts from 40 students (i.e., 40 pre-test and 40 post-test scripts), and 20 questionnaire items from the same students were used.At the pre-test level, the participants composed one business letter each.Afterwards, the ECF intervention was applied to the pre-test items.Then, they were asked to write another letter at the post-test level.After the pre-and posttest activities were conducted, the participants filled out questionnaires.Therefore, the sample size (in terms of raw data) was 120.The research, thus, investigated the types of ECF provided by teachers on students' scripts, students' perceptions of ECF, and its impact on their writing skills.Findings indicate that teachers primarily used MS Word's track change feature to provide direct ECF, focusing on vocabulary, spelling, concord, punctuation, syntactic, and semantic errors.Students generally perceived this ECF as beneficial, reporting improved awareness of writing errors and enhanced writing skills.However, challenges such as limited Internet access, delayed feedback, electricity fluctuations, and difficulties in reviewing the pre-test items were noted.The study recommends that educators adapt feedback strategies to suit online learning environments better, incorporating multimedia feedback and regular virtual check-ins to enhance student engagement and understanding.The findings contribute to the growing body of research on technology-enhanced learning and feedback, offering insights into the potential of ECF to support student writing development in Ghana and at technical universities.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,024 |
| 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 | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».