A Corpus-Based Study of Semantic Collocations of the Verb “Feel” in English Public Speaking Setting: Chinese EFL V.S Native Speakers
Notice bibliographique
Résumé
As great importance has been given to English in China, English public speaking is becoming an important part in students’ English learning. Meanwhile, many forms of English speaking contests have been flourishing in China over two decades. However, analysis of semantic prosodies in public speaking setting is relatively complex and subjective due to the difficulties in describing the evaluative meanings and the attitudes as intended by the speaker. This paper is a contrastive study of semantic prosody of the word feel which was concordanced from two sub corpora (CES_S and CES_C) from a self-built corpus (Corpus of English Speeches(CES)), aiming to explicitly reveal how EFL learners are different from native speaker when using a word with specific semantic prosody in English public speaking setting. The results show that there is no significant difference between Chinese students (EFL learners) and U.S and UK celebrities (Native English speakers) when they use the word feel with positive semantic preference in the context of delivering a speech, but EFL learners tend to express more positive emotions towards their counterparts than they do to themselves. In addition, the EFL learners have higher frequencies in using the word feel with the negative environment than the native English speaker do. This paper thus offers additional information on choosing the right semantic collocation and provide instructional guidance for English public speaking teaching and learning in China.
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 | 0,045 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».