Identifying Problematic Segmental Features to Acquire Comprehensible Pronunciation in EFL Settings: The Case of Japanese Learners of English
Notice bibliographique
Résumé
The present study examines how to identify problematic pronunciation features for particular EFL learners, namely native Japanese speakers (NJs) learning English, to acquire comprehensible pronunciation, and tests the appropriateness of the selection. The study comprises two phases. In the identification phase, eight English-specific segmentals, /æ, f, v, θ, ð, w, l, ɹ/, were selected as the most problematic for NJs by drawing on various cross-linguistic analyses (i.e. a remedial approach) as well as a survey in which the advice of 48 experienced NJ English teachers was examined (i.e. an expert judgment approach). In the experimental phase, the relative influence of these sounds on comprehensibility and accentedness was analyzed. Twenty NJ participants read two types of sentences: sentences containing eight English-specific segmentals and sentences without them. Four native English speakers (NEs) subsequently rated all speech stimuli on a rubric of accentedness and comprehensibility. Significant differences were found between NEs’ ratings of the two types of sentences both in the domain of comprehensibility and accentedness. The results indicate that the eight segmentals determine NEs’ speech perception to a great degree, which in turn provides some support for the validity of the identification procedure (i.e. the combination of the remedial and expert judgment approaches).
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».