MétaCan
Menu
Retour à la cohorte
Enregistrement W4415276503 · doi:10.5772/intechopen.1012811

Self-Addressed Writing by Korean-English Bilinguals

2025· book-chapter· en· W4415276503 sur OpenAlexaboutno aff
Veronika Makarova, Jisu Kim

Notice bibliographique

RevueIntechOpen eBooks · 2025
Typebook-chapter
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPriming (agriculture)First languageLanguage productionCognitionSecond languageNeuroscience of multilingualismComprehension approachSecond-language attritionLanguage assessment

Résumé

récupéré en direct d'OpenAlex

This study addresses language use by Korean-English bilinguals in self-addressed writing. Internal use of language sheds light on the speaker-related factors in language use and code-switching. While code-switching is a highly popular topic in bilingualism, it has been underexplored in self-addressed writing, where the interlocutor and domain factors are neutralized. To fill in this gap in research, the current study poses the following research questions: 1. Does picture priming trigger the use of a language associated with the culture represented in the picture (in a shopping list scenario)? 2. What languages are employed by the participants in self-addressed task-based writing (a to-do list) and why? 3. What are the code-switch patterns in the writing tasks? The study employs a mixed-methods approach with quantitative and qualitative elements that come from the analysis of three writing tasks, a survey, and answers to an open-ended post-writing question produced by 34 Korean-English bilinguals residing in Canada. The results show that participants did not necessarily code-switch, and some of them used only one language. The number of English words in the tasks correlated with the length of residence in Canada, the language the participants were most comfortable with, and English fluency. Picture priming increases the production of words in the language associated with the picture. Lack of priming decreases code-switching. The participants explain their language choice by the context, their experience with the tasks, language preference, cognitive load, and frequency of language use.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
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 Opus0,023
Tête enseignante GPT0,246
Écart entre enseignants0,222 · 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'étudeSans objet
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 revueIntechOpen eBooksMême sujetEFL/ESL Teaching and LearningTravaux en français237 207