Metalinguistic knowledge of second language pre-service teachers and the quality of their written corrective feedback : what relations?
Bibliographic record
Abstract
Cette étude quantitative vise à 1) mesurer les connaissances métalinguistiques des futurs enseignants, 2) décrire la qualité de la rétroaction corrective écrite (RCÉ) des futurs enseignants de français langue seconde (FLS), et 3) examiner la relation entre les connaissances métalinguistiques des futurs enseignants et la qualité de leur rétroaction corrective à l’écrit. Un groupe de 18 futurs enseignants de français langue seconde inscrit dans le programme de formation initiale des maîtres à Montréal a participé à l'étude. Les participants ont accompli 1) une tâche d’analyse de phrases pour mesurer leurs connaissances métalinguistiques, et 2) une tâche de rétroaction corrective écrite, pour évaluer la qualité de leurs pratiques rétroactives à l’écrit en termes de localisation d'erreur et d'explication métalinguistique fournie. Alors que les analyses descriptives sont effectuées pour répondre aux deux premières questions de la présente étude, des analyses de corrélation ont été réalisées pour déterminer s’il existe des relations entre les connaissances métalinguistiques des futurs enseignants et la qualité de leur rétroaction corrective à l’écrit. Les résultats indiquent que 1) la localisation de l'erreur de la RCÉ fournie est précise, mais 2) l'explication métalinguistique l’est moins, 3) il existe une relation entre les connaissances métalinguistiques des futurs enseignants et la qualité de leur rétroaction corrective à l’écrit.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.035 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".