Computer-assisted vocabulary learning: multimedia annotations, word concreteness, and individualized instruction
Notice bibliographique
Résumé
This dissertation addresses research gaps in second / foreign language (L2) vocabulary learning by investigating issues surrounding multimedia annotations, word concreteness, and individualized instruction. Two experiments were conducted with beginner learners of L2 German who used Voka, an online flashcard-based multimedia program for intentional vocabulary learning designed by the author of this dissertation. Experiment 1 explored the effectiveness of annotations for vocabulary learning by also considering word concreteness and variation in annotation effectiveness among learners. Using a within-subjects design, 72 participants studied 15 abstract and 15 concrete German nouns. For each word, learners received a translation, an example sentence, and one of five annotation clusters that address the form, meaning and / or use of a word: PG) picture, gloss of example sentence, DG) definition, gloss, PA) picture, audio pronunciation, DA) definition, audio, or PAGD) picture, audio, gloss, definition. An immediate vocabulary posttest revealed that for both abstract and concrete words, annotation clusters containing a picture are significantly more effective than clusters without a picture. The delayed posttest data showed, however, that all annotation clusters are equally effective for abstract and concrete words. Furthermore, both posttests demonstrated that abstract words are significantly harder to learn than concrete words in all annotation clusters and that the effectiveness of annotation clusters varies across learners. Experiment 2 constructed an individualized learning environment by considering the effectiveness of different annotation clusters on learner performance in experiment 1 to then examine the additional effect of two presentation sequences of annotation clusters on L2 vocabulary learning. Using a between-subjects design, 68 participants studied another 28 nouns with Voka. The FIX group received a fixed presentation sequence that showed all words in each learner's most effective annotation cluster. The ALT group received an alternating presentation sequence of each learner's two most effective annotation clusters by studying 14 words in each cluster. The results showed that presentation sequence has no effect on L2 vocabulary learning. The dissertation discusses the implications of the findings of both experiments and identifies potential avenues for future research.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».