The Role of Depth versus Breadth of Vocabulary Knowledge in Success and Ease in L2 Lexical Inferencing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study determines whether breadth and depth of vocabulary knowledge are related to L2 ease and success in lexical inferencing. To this end, two tests meas- uring vocabulary breadth and depth were administered to 50 participants. Two weeks later, all participants received an inferencing task and rated the degree of perceived ease in inferencing on a 6-point Likert-scale questionnaire. The findings indicated that although both vocabulary breadth and depth played an important role in lexical inferencing success, vocabulary breadth made a more important contribution. The results further revealed that neither vocabulary breadth nor depth had a significant effect on perceived ease of inferencing.Cette étude détermine dans quelle mesure l’étendue et la profondeur des connais- sances lexicales sont liées à la facilité en L2 et à la réussite en inférence linguis- tique. À cette fin, nous avons fait passer à cinquante participants deux examens pour évaluer l’étendue et la profondeur de leurs connaissances lexicales. Deux semaines plus tard, nous avons donné à tous les participants une tâche d’inférence et en avons évalué le degré de facilité perçue avec un questionnaire en 6 points sur l’échelle Likert. Les résultats indiquent que si l’étendue et la profondeur des connaissances lexicales jouent tous les deux un rôle important dans la réussite en inférence lexicale, l’étendue du vocabulaire y contribuent davantage. L’étude a également démontré que ni l’étendue ni la profondeur des connaissances lexi- cales n’ont un effet significatif sur la facilité d’inférence perçue.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 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 découle