MétaCan
Menu
Retour à la cohorte
Enregistrement W2186083606 · doi:10.5539/ijel.v5n6p95

Contributions of Grand Linguistic Theories to Second Language Acquisition Research and Pedagogy

2015· article· en· W2186083606 sur OpenAlexvenueno aff
Mohammad Alimohammadirokni

Notice bibliographique

RevueInternational Journal of English Linguistics · 2015
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTheoretical linguisticsLinguisticsSecond-language acquisitionApplied linguisticsUniversal grammarCognitive linguisticsPsychological nativismLinguistic relativityLinguistic descriptionSociocultural linguisticsSociologyQuantitative linguisticsPsychologyPhilosophyCognitionPolitical science

Résumé

récupéré en direct d'OpenAlex

Research on second language acquisition (SLA) and use has always been enriched by linguistic schools and theories. The purpose of the present paper is give readers a snapshot of contributions grand linguistic theories have made to L2 acquisition research and pedagogy. The grand linguistic theories chosen for review in the present study include Structural Linguistics, Nativism, Functional Linguistics, and Cognitive Linguistics. These four linguistics theories have been, and some of them are, paid much more focus in the field of linguistics than other theories. In fact, the areas of SLA research and pedagogy have been highly influenced by these four grand linguistic theories. However, their impacts on these two areas have not been equal and, as a matter of fact, some of linguistic theories have more influenced SLA research while other theories have had implications more for SLA pedagogy. The contributions of the aforementioned grand linguistic theories to SLA research and pedagogy are discussed, along with criticisms against the contributions of each linguistic theory posed by the rival researchers.

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)0,014
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,017
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,004
Études des sciences et des technologies0,0030,023
Communication savante0,0090,012
Science ouverte0,0020,007
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,049
Tête enseignante GPT0,387
Écart entre enseignants0,338 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

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

En bref

Citations1
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of English LinguisticsMême sujetEFL/ESL Teaching and LearningTravaux en français237 207