Rétroaction par les pairs par l'entremise de blogues : Perceptions et pratiques d'étudiants universitaires avancés d'anglais langue seconde
Notice bibliographique
Résumé
This multi-case study investigates the perceptions and practices of blog-mediated peer feedback in the context of an academic writing class of advanced ESL adult learners. The study aims to examine the linguistic errors commonly made by these learners, explore how they provide feedback to their peers through blogs, analyze their responses to the feedback received, and investigate their perceptions of this feedback approach. \nThe study was conducted at a francophone Canadian university, in the context of a mandatory academic writing course within the Teaching English as a Second Language (TESL) program. The study follows a multiple-case study design combining qualitative and quantitative data collection methods, including analysis of written productions, blog-mediated peer feedback, semi-structured interviews, and a demographic questionnaire. The findings highlight that sentence structure and spelling are the most frequent error types among advanced adult ESL learners. Furthermore, they reveal that the predominant feedback type preferred by these learners is direct error correction with comments, followed by direct error correction without comments. In terms of their revisions learners not only aligned these with their peer comments but also made correct substitutions. As for learners’ perceptions, although all the participants showed a positive attitude towards blog-mediated peer feedback, emphasizing its user-friendliness and convenience, some learners expressed concerns about their peer’s competence to provide feedback. The results of this study contribute to the understanding of the benefits and challenges of using blog-mediated peer feedback as a pedagogical tool in ESL writing classrooms. Furthermore, it provides valuable insights for instructors of advanced ESL learners in higher education regarding the types of errors their students tend to make when writing in academic contexts as well as how they integrate the feedback provided by their peers.
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 | 0,008 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».