A Contrastive Study on the Use of Lexical Chunk Among Chinese Learners of Different Proficiency Levels
Notice bibliographique
Résumé
This study examines the juniors’ and sophomores’ writings with the same prompt, attempting to investigate the general pictures of their lexical chunk (“lexical chunk” is abbreviated to LC) use and the main features of using LC categories. The study shows the following results: (a) Juniors generally have higher frequency of using LC, especially in using 4 LC categories: topic-related LC (TRLC), sentence-building LC (SBLC), general LC (GLC) and opinion-presented LC (OPLC), except discourse LC (DLC). (b) In terms of using LC categories, juniors show a better proficiency of SBLC noticeably, which is revealed by their better-structured sentences, rich diversity of SBLC and more native-like sentence logic. (c) Juniors and sophomores show similarity in using TRLC in that their choices of topic-related lexical phrases are both extremely influenced by writing prompt. (d) Juniors employ less DLC than sophomores because juniors attach more importance to the idea, opinion and proof, while sophomores rely more on the signal words of passage due to the purpose of gaining scores and using DLC as facilitators to make the whole passage coherent. (e) Juniors use OPLC more frequently and diversely, while sophomores overuse a certain OPLC.
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 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».