Les facteurs influençant la profondeur de traitement de la rétroaction corrective écrite des apprenants de français langue étrangère
Bibliographic record
Abstract
La rétroaction corrective écrite (RCE) est un domaine qui suscite l’attention des chercheurs en langue seconde (L2), que ce soit sur le plan pédagogique ou théorique (Lira-Gonzales et Nassaji, 2020). Il existe un consensus sur ses bénéfices dans l’apprentissage d’une langue étrangère/L2, mais très peu de recherches ont examiné la manière dont les apprenants traitent les différents types de rétroaction. À partir d’une approche mixte, cet article examine la façon dont les apprenants du français langue étrangère (FLE) analysent cognitivement deux types de rétroaction corrective (RC) : indirecte (avec des codes) et directe (correction fournie). Seize étudiants d’un cours d’écriture en FLE d’une université publique costaricaine y ont participé pendant le premier semestre de 2021. Les questions suivantes ont guidé cette recherche : (1) Les types de rétroaction peuvent-ils influencer la profondeur de traitement (PdT) de la RC de l’apprenant ? (2) Les types d’erreurs peuvent-ils influencer la PdT de la RC de l’apprenant ? La collecte de données était basée sur deux textes argumentatifs (d’environ 500 mots chacun) rédigés pendant le semestre et sur une réflexion à haute voix après chaque activité d’écriture. Les participants ont reçu de la RC indirecte pour le premier texte et de la RC directe pour le deuxième. Les résultats ont démontré qu’il n’y avait pas de relation significative entre le type de rétroaction et la PdT des informations des apprenants. Cependant, il existait une relation significative entre la PdT et certains types d’erreurs morphologiques, comme les accords.
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 | 0.007 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".