MétaCan
Menu
Retour à la cohorte
Enregistrement W2165484266 · doi:10.5539/elt.v8n9p119

Vocabulary Levels and Size of Malaysian Undergraduates

2015· article· en· W2165484266 sur OpenAlexvenueno aff
Madhubala Bava Harji, Kavitha Balakrishnan, Sareen Kaur Bhar, Krishnaveni Letchumanan

Notice bibliographique

RevueEnglish Language Teaching · 2015
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésVocabularyPsychologyCompetence (human resources)Reading (process)Vocabulary developmentTest (biology)Mathematics educationExtensive readingLanguage acquisitionLinguistic competenceTeaching methodLinguisticsSocial psychology

Résumé

récupéré en direct d'OpenAlex

Vocabulary is a fundamental requirement of language acquisition, and its competence enables independent reading and effective language acquisition. Effective language use requires adequate level of vocabulary knowledge; therefore, efforts must be made to identify students’ vocabulary base for greater efficiency and competency in the language. Students with limited vocabulary size may fail to comprehend the contents of the reading materials and their learning may be impaired. This study had aimed to address this concern and sets out to examine the vocabulary knowledge, i.e. in terms of vocabulary level and size of undergraduates at a private university in Malaysia, where English is the medium of instruction. 120 first year undergraduates from three academic programs, who participated in this study, sat for the Nation and Laufer’s (1999), Version A of Productive Vocabulary Levels Test, which is recommended and used for diagnostic purposes. The findings show that almost none of the students have acquired the vocabulary required at UWL, and most of them managed to acquire only a 2000 word level at Level A. At UWL, a larger proportion fell on the lower scale, implicating that their vocabulary knowledge is insufficient to cope with the reading text and possibly with the studies at the university.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,313
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language TeachingMême sujetSecond Language Acquisition and LearningTravaux en français237 207