The Effect of Input Flooding and Explicit Instruction on Learning Adverb Placement in L3 French
Notice bibliographique
Résumé
Abstract This paper investigates the effect of an oral input flood and form-focused instruction on the learning of adverb placement in French by learners whose first language is Emirati Arabic. Participants were 24 university students in the United Arab Emirates who were true beginners in French. The treatment group (n = 12) received an input flood and form-focused instruction concerning the position of adverbs of aspect (e.g., parfois, jamais), and quantity (e.g., beaucoup) but the control group (n = 12) did not. Results show that input flooding and instruction were beneficial: with positive adverbs the treatment group produced and accepted significantly more adverbs in the target position, and decreased their non-target placement from pretest to posttest. One third of the participants accepted and the produced target order 100% of the time on the posttest. With negative adverbs both groups improved significantly from pre- to posttest, and were more accurate than they were with positive adverbs. The paper concludes with pedagogical implications for teaching adverbs in input-poor linguistic environments. Résumé Cet article examine les effets d’une exposition accrue à l’input oral et de l’enseignement axé sur la forme sur l’apprentissage du placement des adverbes d’aspect (par ex., parfois, jamais) et de quantité (par ex., beaucoup) en français par des apprenantes dont la langue première est l’arabe émirien. Les participantes sont 24 étudiantes universitaires vivant aux Émirats arabes unis. Elles sont des vraies débutantes en français. Le groupe expérimental (n = 12) a reçu une exposition accrue à l’input oral et de l’enseignement axé sur la forme, contrairement au groupe témoin (n = 12), qui n’en a pas reçu. Les résultats révèlent que l’enseignement explicite et l’exposition accrue à l’input oral ont eu un effet positif : avec les adverbes positifs le groupe expérimental a produit et accepté plus d’adverbes dans la position cible et a diminué son placement non cible du prétest au posttest. Un tiers des participantes du groupe expérimental ont accepté et produit l’ordre cible dans 100 % de leurs réponses dans le posttest. En ce qui concerne les adverbes négatifs les deux groupes ont amélioré leur performance du prétest au posttest d’une façon statistiquement significative. Leurs réponses sont plus justes avec les adverbes négatifs qu’avec les adverbes positifs. L’article conclut en soulignant certaines implications pédagogiques concernant l’enseignement des adverbes dans des environnements d’apprentissage pauvres en input langagier.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».