Targeting count and noncount nouns in English through textual enhancement and elaboration tasks: effects on L2 development and text comprehension
Notice bibliographique
Résumé
This study investigated the effects of input enhancement in isolation and in combination with output elaboration tasks on the accuracy of count and noncount nouns and text comprehension in English as a Second Language. Participants were twenty-three Spanish adult ESL learners who were divided into one control and two intervention groups. The intervention lasted two weeks, and learners were required to read materials with input enhancement and to participate in classroom tasks that elicited output practice. Pre- and post-tests included a grammaticality judgment task, a written task and a decontextualized task. A note-taking activity along with questionnaire and interview materials provided qualitative support for the data analyzed quantitatively.Results from a two-factor ANOVA with repeated measures revealed the following: (a) no significant effect in regard to participants' mean scores on the grammaticality judgment tasks for Group, Time, or the Group x Time interaction; (b) participants' mean scores on the writing tasks showed a significant effect for Time, irrespective of group. Findings from the decontextualized task were not analyzed statistically, but they suggest beneficial effects on the performance of the intervention groups. Finally, findings from this study demonstrated improvement in text comprehension over time, irrespective of group (and no Group x Time interaction), which provided empirical support that this type of treatment is relatively unobtrusive to comprehension.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».