Teaching Formulaic Sequences in the Classroom: Effects on Spoken Fluency
Notice bibliographique
Résumé
Formulaic sequences (FS) are frequently used by native speakers and have been found to help non-native speakers sound more fluent as well. We hypothesized that explicitly teaching FS to classroom ESL learners would increase the use of such language, which could further result in increased second language (L2) fluency. We report on a 5-week study where students in a control group (n = 8) heard authentic English and practiced speaking and listening using a task-based approach, while students in a treatment group (n = 11) did the same but also focused on noticing and using FS found in weekly topic transcripts. Measures of speech rate (syllables per minute) and mean length of run (number of syllables found in the longest stretch with no pauses) served as objective measures of fluency. Sixteen native-speaker judges assessed excerpts from pre- and posttests for subjective fluency. The number of syllables of FS (expressed as a ratio of the total number of syllables) was counted by two judges. Results found large effect sizes for group membership in all measures, with the treatment group increasing FS use and fluency to a large extent and statistically outperforming the control group on most measures. We conclude that explicitly teaching formulaic sequences may lead to increased use of such phrases and also increased fluency.Les locuteurs natifs emploient souvent des formules; celles-ci font également en sorte que les locuteurs non natifs semblent parler la langue avec plus de fluidité. Nous avons émis l’hypothèse selon laquelle l’enseignement explicit de formules en classe à des étudiants en ALS augmenterait l’emploi de formules, ce qui mènerait à une meilleure compétence en L2. Nous rendons compte d’une étude de 5 semaines pendant lesquelles des étudiants dans un groupe témoin (n = 8) ont écouté de l’anglais authentique et se sont pratiqués à parler et à écouter selon une approche basée sur les tâches. Les étudiants du groupe expérimental (n = 11) ont fait la même chose mais se sont également penchés sur le repérage et l’emploi de formules dans des transcriptions thématiques chaque semaine. Les mesures du débit de parole (syllabes par minute) et de la longueur moyenne des tronçons (nombre de syllabes dans le plus long tronçon sans pause) ont servi de mesures objectives de la fluidité. Seize juges- locuteurs natifs- ont évalué la fluidité subjective à partir d’extraits tirés de pré-tests et post-tests. Deux juges ont compté le nombre de syllabes des formules (exprimé sous forme de ratio du nombre total de syllabes). Les résultats ont révélé une importante ampleur des effets pour l’appartenance au groupe avec toutes les mesures. L’augmentation de l’emploi des formules et de la fluidité chez le groupe expérimental a été notable et le rendement de ce groupe a été supérieur de façon significative à celui du groupe témoin pour la plupart des mesures. Nous concluons que l’enseignement explicit des formules pourrait mener à un emploi accru de ces expressions ainsi qu’à une meilleure fluidité.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».