How Thai EFL Learners Deal With English Regular Past Forms: A Case Study of a Speech Sound Perspective
Notice bibliographique
Résumé
The pronunciation of regular past tense verbs seems to be difficult for most L2 learners, especially in L2 learners whose first language phonological system is different from the English one. It is predicted that Thai EFL students could encounter difficulties perceiving English coda clusters like the ‘-ed’ ending sounds. For this reason, this research investigates the extent to which the first-year and the third-year English major undergraduate students in a public university perceive the English regular past tense verbs. To be precise, this study compares the ability to perceive the regular past tense of the first-year and third-year students. In addition, the strategies they use to perceive the ‘-ed’ ending verbs among the three different allomorphs ([t], [d] and [ɪd]) are investigated. The data collection was derived from the perception tests of 30 first-year and 30 third-year students and a Pronunciation Learning Strategy (PLS) questionnaire. The perception tests were divided into two subtests: perception test and perception syllable identification test. The PLS questionnaire was employed to find out the strategies they used in English pronunciation learning. The overall results show that the third-year students demonstrated a better performance than the first-year students in both tests (t=-2.778; p<.01 in the perception test; t=-1.466; p>.05 in the syllable identification test). However, the syllable identification test’s results do not show consistency with Solt et al.’s (2004) model, while the perception test’s do. Moreover, the findings from the questionnaire reveal no statistically significant difference between the first and the third-year students in terms of pronunciation learning strategies (p>.05).
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».