Consideraciones sobre la evaluación morfológica de estudiantes de inglés como L2
Bibliographic record
Abstract
Este trabajo intenta ofrecer un panorama más completo de la adquisición morfológica del inglés como segunda lengua al analizar las respuestas obtenidas de una prueba de derivación tanto estadísticamente como con un análisis de errores. Dicha prueba se aplicó a 130 universitarios divididos en tres grupos de competencia y los análisis se centraron en palabras creadas con los sufijos -able y -er. En lugar de calificar las respuestas como «correctas/incorrectas», éstas se analizaron en un continuo desde «derivadas» hasta «inventadas». El objetivo general del trabajo es contemplar la manera en que se desarrolla el conocimiento morfológico considerando los sufijos evaluados, los tipos de errores y el dominio de la lengua. El análisis estadístico muestra diferencias significativas tanto en la adquisición de los sufijos como entre grupos de competencia. El análisis de errores nos dejó ver que existen diferencias en los tipos de errores que cometen los estudiantes de distintos niveles de competencia; p.ej., el grupo de menor competencia es el más propenso a añadir sufijos flexivos en lugar de derivativos. La relevancia del trabajo es demostrar que existe conocimiento parcial, haciéndonos reflexionar sobre temas de evaluación.
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 | 0.026 | 0.056 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".