Strategies and Success in Technical Vocabulary Learning: Students' Approaches in One Academic Context
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
Recognizing the importance of lexis and vocabulary learning strategies (VLS) in academic studies, this article presents a descriptive case study of technical vocabulary learning in English over one academic term in an intact, required first year course in a graduate school of theology in Canada. After outlining background information and describing the research methods, the article discusses the vocabulary learning strategies and success of five non-native (NNES) and six native English speaker (NES) participants. Data were collected using pre- and post-Tests of Theological Language (TTL), through mid- and end-of-term interviews, and at the end of the course using an Approach to Vocabulary Learning Questionnaire. Analyses addressed the VLS that NNES and NES students use in learning the technical vocabulary of their discipline, how these VLS may be classified in relation to previous research, what types of words participants report learning, and whether a particular approach to or strategy in technical vocabulary learning predicts success in acquisition, as reflected in scores on the TTL. Results indicate that participants used a variety of VLS, though no one strategy appeared to dominate. Detailed portraits of participants’ approaches to technical vocabulary learning are included. While there were no consistent trends in approaches to or strategies in success on the TTL, overall participants who approached their technical vocabulary learning in an unstructured manner tended to obtain higher scores on the TTL. In terms of growth in depth of vocabulary knowledge, however, TTL results suggest that a structured approach may be helpful for NNESs.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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