A Tentative Corpus-based Study of Collocations Acquisition by Chinese English Language Learners
Notice bibliographique
Résumé
Though collocations have drawn much attention in the field of language acquisition, yet difficulties with them have not been investigated in much detail. This paper reports on a corpus-based exploratory study that analyzes the mistakes learners made when they produced English collocations. The study shows that not only beginners but also advanced learners have difficulties in choosing the right collocates and the difficulties that learners of different levels have are more or less the same. The biggest challenge for them is to choose the appropriate verbs. The L1 influence on the production of L2 collocations exists at every stage of learning though it varies with the learners’ L2 competence. Based on this study, a corpus-based approach is advanced in the end to cope with the difficulties in the acquisition of L2 collocations. Key words: Collocation, second language acquisition, corpus-based, CLEC Resume: Ce document fait un bilan sur une etude explorateur de recueil-basee qui fait une analyse des erreurs commis par les apprenants au cas des accords. Cette etude montre que non seulement les debutants mais aussi les apprenants du niveau avance ont du mal a choisir un bon terme d’accord et que les erreurs y reviennent au meme pour tout niveau. Le plus grand defi pour eux est de choisir le mot juste. Le fait que la langue 1 inflence sur la production du choix d’accord existe au niveau quel que ce soit malgre la variation du niveau de langue 2 des apprenants. Base sur cette etude, une approche recueil-basee est engagee a la fin pour traiter ce probleme existant dans l’apprentissage de l’accord en Langue 2. Mots clefs: Accord , apprentissage de la langue secondaire, recueil-basee , CLEC
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 | 0,000 | 0,001 |
| 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) | 0,004 | 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 ».