Examining the Efficacy of ChatGPT and Human-Derived Corrective Feedback in Addressing Grammatical Errors in Saudi EFL Students' Compositions
Notice bibliographique
Résumé
Employing an explanatory mixed-methods approach, this study compared the affordances of ChatGPT’s written corrective feedback (WCF) and human corrective feedback in fostering linguistic accuracy among Saudi EFL learners. Participants were 53 undergraduates at the University of Jeddah, divided into an experimental group (n = 26) and a control group (n = 27). Over eight weeks, both groups engaged in two 1.5-hour writing sessions per week. The experimental group received WCF from ChatGPT, while the control group received human WCF. Pretests and posttests assessed participants’ grammatical competence before and after the intervention. Error-flagging accuracy was evaluated by a panel of experienced university teachers of English. Semi-structured interviews with six experimental-group participants explored perceptions of ChatGPT. Quantitative findings indicated that ChatGPT was a more effective source of WCF than human feedback, as the experimental group significantly outperformed the control group in the posttest. However, human feedback was slightly more accurate in error-flagging. Qualitative results revealed that most students valued ChatGPT for its precise error identification, though some considered human feedback clearer in explanation. The study concludes that ChatGPT can serve as a valuable supplementary tool for corrective feedback in Saudi EFL 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».