Notice bibliographique
Résumé
For undergraduates following any course of study, it is essential to develop the ability to write effectively. Yet the processes by which students become more capable and ready to meet the challenges of writing for employers, the wider public, and their own purposes remain largely invisible. Developing Writers in Higher Education shows how learning to write for various purposes in multiple disciplines leads college students to new levels of competence. This volume draws on an in-depth study of the writing and experiences of 169 University of Michigan undergraduates, using statistical analysis of 322 surveys, qualitative analysis of 131 interviews, use of corpus linguistics on 94 electronic portfolios and 2,406 pieces of student writing, and case studies of individual students to trace the multiple paths taken by student writers. Topics include student writers’ interaction with feedback; perceptions of genre; the role of disciplinary writing; generality and certainty in student writing; students’ concepts of voice and style; students’ understanding of multimodal and digital writing; high school’s influence on college writers; and writing development after college. The digital edition offers samples of student writing, electronic portfolios produced by student writers, transcripts of interviews with students, and explanations of some of the analysis conducted by the contributors. This is an important book for researchers and graduate students in multiple fields. Those in writing studies get an overview of other longitudinal studies as well as key questions currently circulating. For linguists, it demonstrates how corpus linguistics can inform writing studies. Scholars in higher education will gain a new perspective on college student development. The book also adds to current understandings of sociocultural theories of literacy and offers prospective teachers insights into how students learn to write. Finally, for high school teachers, this volume will answer questions about college 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 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 | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».