チューターが実際に減点するもの
見た目は、学生が締切前夜に整えるものです。公表された採点ルーブリックによれば、それは通常、成績を決める区分の中で最も比重の小さいものです。実際に重みが置かれるのはどこか、そしてその理由をここで示します。
広く用いられている大学のライティング・ルーブリックでは、成績を決めるのは5つの基準であり、そのうち文法、綴り、整った参考文献一覧に関わるのは1つだけである。残りの4つは、論証の質、証拠の扱い方、そしてその文章がジャンルに応じてどのように構成されているかを評価する。締切前の最後の1時間を使って誤字を探す学生は、5つの区分のうち最も確認しやすい1つを磨いているのであって、実際に成績の土台となる区分を磨いているわけではない。
学生が締切前夜にやり取りする助言ではなく、実際に渡される基準に従うと、採点者はエッセイの何を見るのだろうか。論証と分析、証拠の使用、構成が、これを明示しているルーブリックでは評価の大部分を占める。学生が最も気にする区分である提示は、通常、最も狭い部分にすぎず、人々が提示と呼ぶものの多くは、実際には構成として採点される。この文章は、実際に重みがどこにあるのかを示すために、伝聞ではなく公表されたルーブリックに基づいている。
採点者はエッセイの何を見るのか
採点者が公表されたルーブリックに基づいて作業する場合、一般的な印象ではなく、4つの点を見る。すなわち、論証の質、証拠がどれほど信頼でき、関連性があるか、構成が課題のジャンルに適合しているか、そして言語そのものが正確かである。ルーブリックは、2人の異なる採点者が同じ答案に対しておおむね同じ成績に到達するために存在するが、それは各区分が採点者の全体的な印象に委ねられるのではなく、一貫して適用できるほど具体的である場合にのみ機能する。
Association of American Colleges and Universities のためにアメリカの大学の教員によって作成された Written Communication VALUE Rubric は、5つの基準を同じ4点尺度で採点する。すなわち、文脈と目的、内容の展開、ジャンルと学問分野の慣例、資料と証拠、そして統語と機械的要素の統制である。University of Houston-Downtown が公表した版は、これを、設計上のプログラムレベルの評価ツールではなく、得点化された授業用ルーブリックに適用している。5つの基準を順に読むと、実際に重みがどこにあるかが分かる。
| ルーブリックでの呼び方 | 実際に採点しているもの |
|---|---|
| 文脈と目的 | その文章が、話題に対する一般的な扱いではなく、実際の課題とその読者に応答しているかどうか |
| 内容の展開 | アイデアが、単に紙面上に存在するだけでなく、実際に機能するのに十分な関連性と展開を備えているかどうか |
| ジャンルと学問分野の慣例 | 課題の種類と学問分野が期待するものに照らして評価される、構成、構造、書式 |
| 資料と証拠 | 資料が、単に存在し句読点が正しいだけでなく、主張に対して信頼でき、関連しているかどうか |
| 統語と機械的側面の統制 | 言語そのものが明確で、文法、用法、文レベルの誤りがないかどうか |
ほとんどの学生がプレゼンテーションと呼ぶのは、最後の行だけである。その一つ上の行であるジャンルと学問分野の慣例では、書式、構成、構造が実際に採点される。つまり、日常的な意味でのプレゼンテーションは二つのカテゴリーに分かれており、一つは構造に関するもの、もう一つは表面的な正確さに関するものである。そして、その表面的な正確さの部分は、五つのうちの一つのカテゴリーにすぎない。
論証と分析が最も重視され、最もごまかしにくい
上の表の最初の二行、文脈と目的、および内容の展開は、紙面上の思考の質を扱っている。ここで重要なのは、その文章が実際に与えられた問いに答えているかどうか、そしてその中のアイデアが、主張されているだけでなく展開されているかどうかである。これらを合わせると五つの評価基準のうち二つを占めており、ルーブリックの中で他のどの単独の観点よりも大きな割合を占める。
理由の論点が最も重く扱われるのは、人生で何が重要かについての価値判断だからではない。そうではなく、論証の質は紙面上で最もごまかしにくく、採点者が確認するのに最も時間がかかるからである。誤字は、その語を読むのに要する時間のうちに目に入る。ある主張が、提示された証拠から実際に導かれるかどうかは、その周囲の段落を注意深く通読して初めて判断できる。だからこそ、それはより高く評価される。TextPulseのfree thesis statement generatorは、まさにその基準を中心に設計されている。すなわち、ある主張が、単に話題を文に言い換えただけではなく、具体的で擁護可能であるかどうかである。そして、エッセイを下書きする前にそれを実行しておけば、ルーブリックが最も重く配点する区分を守ることができる。
自分の論文を人間らしくする
重要な語句や引用には手を加えずに、AI支援テキストを変換して自然な人間の文章のようにします。
証拠は、存在だけでなく信頼性によって採点される
出典と証拠は、引用が存在し、正しい形式で示されているかではなく、その出典が信頼でき、かつ結び付けられている特定の主張に関連しているかによって評価される。実際には周囲の文を支えていない引用は、証拠の問題を装った存在の問題であり、背後の参考文献一覧が完全であっても、この基準ではより弱く読まれる。
これは書式上の誤りとは別の失敗であり、評価も別である。誤った様式の引用は、文法や体裁に近い軽微なずれであり、読者はなお追うことができる。ところが、その横に置かれた主張を実際には裏付けていない出典は内容上の問題であり、正しい書式であっても修復できない。この区分で実際に評価される確認とは、下書きを読み返し、それぞれの出典がそこで何をしているのかを問うことであり、単に句読点が正しいかだけを確認することではない。
構成は、学生が提示と呼ぶものの大半を静かに吸収する
ジャンルおよび学問分野の慣例とは、上の表における行であり、組織、書式設定、構成をまとめて扱うもので、一般的な基準ではなく、特定の課題タイプが何を期待しているかに照らして判断される。実験報告書、文献レビュー、内省的エッセイは意図的に異なる構成を取るので、文章はよく書けていても誤ったジャンルの形をしているものは、ここでは、文がどれほど整っていても減点される。
これは、通常 structure という語が示すよりも広い範囲のカテゴリーである。見出しの階層、段落の順序、実際の論旨を予告する導入、導入を単に言い換えるだけではない結論、そのすべてが、レイアウトと書式設定とともに、この単一の基準の下で採点される。TextPulse の 無料エッセイチェッカー は、構成と文レベルの正確さの両方に対して下書きを一度に確認するが、これはまさに、この二つが同じものではなく、関連しつつも別個のカテゴリーとして採点されるからである。
締切前夜に最も小さいカテゴリーへ注意が集中する理由
統語と機械的正確さの統制は、五つの基準の中で最も範囲が狭く、多くの学生が最終確認の大半を費やすのもここである。その理由は、何が重要かを見誤っているからではない。文法上の誤りは文を読み直した瞬間に目に入る一方で、弱い論旨は、真夜中に誰も望まないような、ゆっくりした骨の折れる再読をして初めて見えてくるからである。見えるものを修正することは、時間切れに対する合理的な対応であり、それがルーブリックで最も高く評価される対応でなくても同様である。
表面的な正確さは、自身のカテゴリーを超えてなお重要である。TextPulse 自身の 学術的ライティングの機械的正確さに関する研究 によれば、内容をどちらの方法でも検証できなかった成人読者が判断した場合でも、同一の内容は、誤り率が上がると、より弱い文章であり、より能力の低い書き手であると評価された。この効果は、ルーブリックの配点とは別の仕組みである採点者の全体的印象に及び、両者が同じページ上で同時に作用している。
Grammarly の代替は別個に評価され、コンマスプライスの修正は、その中で最も多く修正を入れられる誤りである。
採点者の全体的な印象は、依然として目に見える誤りによって左右されるため、提示の仕方を完全に無視することはできない。締切に追われる状況では、作業の順序は多くの学生が実際に時間を費やす順序とは逆であるべきである。すなわち、まず論旨と構成を読み、最後にコンマを読む。なぜなら、実際に点が置かれている順序がその順序だからである。TextPulse の無料ツール集は、その順序の両端、すなわち構成と論旨、ならびに文レベルの正確さの両方を扱っており、順序を入れ替えること自体がより難しい習慣である場合に備えている。
よくある質問
採点者はエッセイの何を見るのか? 主に4つです。公表されたルーブリックでは、通常それらが明示されています。すなわち、論点の質、証拠の信頼性と関連性、構成が課題のジャンルに適合しているか、そして言語そのものが正確かどうかです。通常、最初の3つは4つ目より重く扱われますが、学生が最も多くの時間をかけて確認するのは4つ目のほうです。
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.