Reading academic English: Carrying learners across the lexical threshold
Notice bibliographique
Résumé
The ESP reading problem With the growth of English as the lingua franca of work and study, many non-English speakers find themselves needing to attain some level of proficiency in English in order to function in jobs or courses. However, they may have limited time to devote to language learning, and little interest in knowing English outside the work or study context. Responding to these circumstances, English for Specific Purposes (ESP) curriculum designers have attempted to reduce the time frame of learning through domain targeting. They attempt to identify and teach the lexis, syntax, functions and discourse patterns most commonly used in a domain (for chemistry students, test tubes, passive voice, clarification requests and laboratory reports). This approach has given waiters, tour guides and airline pilots enough English to function in their domains after relatively short periods in the classroom. But it runs into complications when the specific purpose is to read extended texts in a professional or academic domain. It now seems clear that the cross-domain generalities of English (pronoun system, verb tenses, basic vocabulary, etc.) can be introduced and practised within a subset of the language. Simple reading tasks such as understanding signs and instructions can be undertaken knowing only the English used in a particular job or profession. But does this hold true for reading longer texts? Consider the position of the learner who knows the grammar of English and the technical terms of a domain: text analysis shows that these terms are typically rather few (Flowerdew, 1993c), roughly 5% of tokens (Nation, 1990).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».