MARC

 008250123s2024        us                              c    eng  d
■001000017164155
■00520250211152838
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384483618
■035    ▼a(MiAaPQ)AAI31561972
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a401
■1001  ▼aDavidson,  Samuel  S.
■24510▼aCorreGram:  Using  Corpus  Data  to  Develop  Student-Adaptable  Automated  Corrective  Feedback  for  the  L2  Spanish  Language  Classroom
■260    ▼a[Sl]▼bUniversity  of  California,  Davis▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Sagae,  Kenji.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Davis,  2024.
■520    ▼aAutomated  corrective  feedback  (ACF),  in  which  a  computer  system  helps  language  learners  identify  and  correct  errors  in  their  writing  or  speech,  is  considered  an  important  tool  for  language  instruction  by  many  researchers.  Such  systems  allow  learners  to  correct  their  own  mistakes,  thereby  reducing  teacher  workload  and  potentially  preventing  issues  related  to  grammatical  error  fossilization.  Research  in  this  area  has  led  to  the  development  and  widespread  adoption  of  tools  such  as  Grammarly  for  English  learners.  However,  research  in  grammatical  error  correction  (GEC)  and  other  forms  of  ACF  in  languages  other  than  English  has  been  much  more  limited.  This  dearth  of  research  is  in  part  due  to  the  large  demand  for  English  instruction,  but  is  also  driven  by  the  limited  training  data  available  for  non-English  languages.  However,  a  new  corpus  of  learner  Spanish  collected  at  UC  Davis,  COWS-L2H,  provided  me  with  an  opportunity  to  explore  development  of  ACF  for  students  studying  Spanish.  In  my  dissertation  work,  I  explore  the  error  patterns  present  in  writing  by  students  of  Spanish  in  COWS-L2H,  and  use  this  information  to  inform  a  novel  data  augmentation  technique  to  generate  synthetic  data  for  training  language  models  capable  of  correcting  learner  errors  in  Spanish  text.  I  then  use  this  synthetic  data,  along  with  learner  data  from  COWS-L2H,  to  train  an  AI-based  GEC  model  for  Spanish  learners  that  is  adaptable  to  learner  L1  and  proficiency  level.  Finally,  I  explore  how  this  automatically  corrected  writing  can  be  used  to  present  feedback  to  learners  in  a  pedagogically  motivated  way.  To  that  end,  I  combine  the  GEC  model  trained  using  data  from  COWS-L2H  with  hand-written  templates  and  feedback  produced  by  generative  LLMs  to  craft  appropriate  feedback  for  learners  using  the  system.  The  end  goal  is  a  grammar-checker  that  is  able  to  not  only  explain  why  something  a  student  wrote  is  potentially  incorrect,  but  is  also  able  to  guide  the  student  to  make  the  correction  themselves.  I  demonstrate  this  novel  system,  CorreGram,  and  further  discuss  details  of  its  implementation  and  proposals  for  how  the  system  may  be  effectively  utilized  in  the  language  classroom.
■590    ▼aSchool  code:  0029.
■650  4▼aLinguistics
■650  4▼aComputer  science
■650  4▼aForeign  language  instruction
■653    ▼aComputer-assisted  language  learning
■653    ▼aCorpus  linguistics
■653    ▼aAutomated  corrective  feedback
■653    ▼aGrammatical  error  correction
■653    ▼aSecond  language  acquisition
■653    ▼aSpanish  education
■690    ▼a0290
■690    ▼a0984
■690    ▼a0444
■71020▼aUniversity  of  California,  Davis▼bLinguistics.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0029
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164155▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서