Second language writing

Abstract This study introduces K-text, a website designed to measure Korean language proficiency from second language writing and speech data through 20 complexity, accuracy, and fluency indices using natural language processing. A key advantage of K-text is its ability to measure accuracy and fluency in addition to complexity. To test the 20 indices’ preliminary validity, this study investigates whether they can predict overall criterion-based Korean proficiency from 1 to 6 (equivalent to A1 to C2) when they are used to analyze 45,855 second language learners’ essays from the Korean Learner Corpus. The findings show that all of the individual K-text indices are significant predictors of overall Korean proficiency. Together, the 20 indices accounted for 44.50% of the variation observed in proficiency scores. These results suggest that K-text is a valuable resource for analyzing Korean language production data in relation to overall proficiency.

این پژوهش K-text را معرفی می‌کند، وب‌سایتی که برای سنجش مهارت زبان کره‌ای از داده‌های نوشتاری و گفتاری زبان دوم از طریق ۲۰ شاخص پیچیدگی، دقت و روانی با استفاده از پردازش زبان طبیعی طراحی شده است. مزیت اصلی K-text توانایی آن در سنجش دقت و روانی علاوه بر پیچیدگی است. برای آزمون روایی مقدماتی این ۲۰ شاخص، این پژوهش بررسی می‌کند که آیا آن‌ها می‌توانند مهارت کلی زبان کره‌ای مبتنی بر معیار را از ۱ تا ۶ (معادل A1 تا C2) پیش‌بینی کنند، زمانی که برای تحلیل ۴۵٬۸۵۵ انشای زبان‌آموزان زبان دوم از پیکره زبان‌آموزان کره‌ای به کار می‌روند. یافته‌ها نشان می‌دهد که همه شاخص‌های منفرد K-text پیش‌بینی‌کننده معنادار مهارت کلی زبان کره‌ای هستند. در مجموع، این ۲۰ شاخص ۴۴/۵۰٪ از واریانس مشاهده‌شده در نمرات مهارت را تبیین کردند. این نتایج نشان می‌دهد که K-text منبعی ارزشمند برای تحلیل داده‌های تولید زبان کره‌ای در ارتباط با مهارت کلی است.

The rapid adoption of generative artificial intelligence (AI) tools such as ChatGPT in second language (L2) writing instruction has produced a fast-growing body of research on AI-generated written corrective feedback. Two recent scoping reviews have mapped this literature broadly, focusing on feedback quality, learner uptake and pedagogical integration. However, neither review specifically examined how this literature treats grammatical and lexical development as distinct, measurable constructs, nor how it addresses the moderating role of learner proficiency over time. This scoping review synthesizes 30 empirical and methodological sources, identified through a targeted, PRISMA-ScR-informed search of Google Scholar, Scopus-indexed journal content and ERIC, together with citation networks, to map the state of longitudinal research on generative-AI-mediated feedback and grammatical-lexical development in L2/EFL writing. The review finds that most intervention studies remain limited to a single semester or shorter, that grammatical accuracy and lexical development are rarely measured as separate, co-tracked outcomes and that only a small number of very recent studies (2025-2026) have applied longitudinal growth-modelling techniques, none of which disentangle grammar from vocabulary or systematically test proficiency level as a moderator of developmental trajectories. No such study appears to have been conducted in the Vietnamese EFL context, based on the sources identified in this review. The review proposes a research agenda for longitudinal, multi-proficiency-level, construct-differentiated research on generative-AI-mediated feedback and outlines implications for instructional design and future primary research.

پذیرش سریع ابزارهای هوش مصنوعی مولد مانند ChatGPT در آموزش نگارش زبان دوم (L2) منجر به رشد سریع پژوهش‌ها در زمینه بازخورد اصلاحی نوشتاری تولیدشده توسط هوش مصنوعی شده است. دو مرور محدوده‌ای اخیر این ادبیات را به طور کلی ترسیم کرده‌اند و بر کیفیت بازخورد، جذب یادگیرنده و ادغام آموزشی تمرکز داشته‌اند. با این حال، هیچ‌یک از این مرورها به طور خاص بررسی نکرده‌اند که این ادبیات چگونه توسعه دستوری و واژگانی را به عنوان سازه‌هایی متمایز و قابل سنجش مورد توجه قرار می‌دهد و یا نقش تعدیل‌کننده سطح مهارت یادگیرنده در طول زمان را چگونه بررسی می‌کند. این مرور محدوده‌ای با ترکیب ۳۰ منبع تجربی و روش‌شناختی، که از طریق جستجوی هدفمند مبتنی بر PRISMA-ScR در Google Scholar، محتوای مجلات نمایه‌شده در Scopus و ERIC، همراه با شبکه‌های ارجاعی شناسایی شده‌اند، وضعیت پژوهش‌های طولی درباره بازخورد مبتنی بر هوش مصنوعی مولد و توسعه دستوری-واژگانی در نگارش زبان دوم/انگلیسی به عنوان زبان خارجی (EFL) را ترسیم می‌کند. یافته‌های مرور نشان می‌دهد که اغلب مطالعات مداخله‌ای به یک ترم یا کمتر محدود می‌شوند، دقت دستوری و توسعه واژگانی به ندرت به عنوان پیامدهایی جداگانه و همزمان سنجیده می‌شوند و تنها تعداد اندکی از مطالعات بسیار جدید (۲۰۲۵-۲۰۲۶) از تکنیک‌های مدل‌سازی رشد طولی استفاده کرده‌اند که هیچ‌یک از آن‌ها دستور زبان را از واژگان تفکیک نکرده یا سطح مهارت را به طور نظام‌مند به عنوان تعدیل‌کننده مسیرهای رشد بررسی نکرده‌اند. بر اساس منابع شناسایی‌شده در این مرور، هیچ مطالعه‌ای از این نوع در زمینه آموزش زبان انگلیسی به عنوان زبان خارجی در ویتنام انجام نشده است. این مرور، دستورکار پژوهشی برای مطالعات طولی، چندسطحی از نظر مهارت و متمایز از نظر سازه‌ای درباره بازخورد مبتنی بر هوش مصنوعی مولد ارائه می‌دهد و پیامدهایی برای طراحی آموزشی و پژوهش‌های اولیه آینده ترسیم می‌کند.

Reflective freewriting holds a distinctive place in ESL writing pedagogy as a low-stakes, exploratory practice in which learners articulate tentative thinking before it is shaped by evaluative demands. The rapid integration of generative AI (GenAI) into second language (L2) writing now threatens to absorb reflective freewriting into a wider regime of AI-mediated production, reducing reflection to one more output to be generated, polished or summarised. This article argues that this loss is not only pedagogical but ontological. Drawing on Biesta’s theory of subjectification, the article conceptualises reflective freewriting as subjectifying writing, functioning as a site of existential encounter with the world, where the learner uses language to respond in their own name. The article introduces the construct of algorithmic foreclosure to describe the structural tendency of GenAI systems to short-circuit this existential response, substituting generated text for the indeterminate work of subjectification. Together, these constructs support a case for protecting reflective freewriting as a non-AI-mediated space within L2 writing pedagogy.

نوشتار آزاد تأملی جایگاهی متمایز در آموزش نگارش زبان انگلیسی به عنوان زبان دوم دارد و به عنوان یک تمرین کم‌خطر و اکتشافی، به زبان‌آموزان امکان می‌دهد تا اندیشه‌های اولیهٔ خود را پیش از آن‌که تحت تأثیر الزامات ارزشیابی قرار گیرد، بیان کنند. ادغام سریع هوش مصنوعی مولد (GenAI) در نگارش زبان دوم (L2) اکنون تهدید می‌کند که نوشتار آزاد تأملی را در یک نظام گسترده‌تر تولید مبتنی بر هوش مصنوعی جذب کند و تأمل را به یکی دیگر از خروجی‌هایی که باید تولید، ویرایش یا خلاصه شود، تقلیل دهد. این مقاله استدلال می‌کند که این فقدان نه تنها آموزشی بلکه وجودی است. با بهره‌گیری از نظریهٔ سوژه‌سازی بیستا (Biesta)، مقاله نوشتار آزاد تأملی را به عنوان نوشتاری سوژه‌ساز مفهوم‌پردازی می‌کند که به عنوان عرصه‌ای برای مواجههٔ وجودی با جهان عمل می‌کند، جایی که زبان‌آموز با زبان به نام خود پاسخ می‌دهد. مقاله سازهٔ «انسداد الگوریتمی» را معرفی می‌کند تا گرایش ساختاری سامانه‌های GenAI را برای کوتاه‌کردن این پاسخ وجودی و جایگزینی متن تولیدشده به جای کار نامعین سوژه‌سازی توصیف کند. این مفاهیم در مجموع از ضرورت حفظ نوشتار آزاد تأملی به عنوان فضایی غیرمبتنی بر هوش مصنوعی در آموزش نگارش زبان دوم حمایت می‌کنند.