The English Pronunciation Teaching in Europe Survey: Factors inside and outside the Classroom
Notice bibliographique
Résumé
In the past two decades, a number of studies have looked at how English pronunciation is taught, focusing on teaching practices, materials, training and attitudes to native speaker models from both the teachers’ and the learners’ perspective. Most of these studies have been conducted in English-speaking countries such as the USA (Murphy, 1997), Great Britain (Bradford and Kenworthy, 1991; Burgess and Spencer, 2000), Canada (Breitkreutz, Derwing and Rossiter, 2001; Foote, Holtby and Derwing, 2011), Ireland (Murphy, 2011) and Australia (Couper, 2011; Macdonald, 2002). In Europe, pronunciation teaching has been studied in Spain (Walker, 1999) and, more recently, in Finland (Tergujeff, 2012, 2013a, b). Work has also looked at attitudes towards native speaker models and the degree of success in reaching the model, for example, in Poland (Nowacka, 2010; Waniek-Klimczak, 2002;Waniek-Klimczak and Klimczak, 2005), Serbia (Paunović, 2009) and Bulgaria (Dimitrova and Chernogorova, 2012). In Finland, Lintunen (2004) and Tergujeff, Ullakonoja and Dufva (2011) focused on learners, not teachers, but both studies included a survey section exploring methods in English pronunciation teaching. These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».