MétaCan
Menu
Retour à la cohorte
Enregistrement W2914821466 · doi:10.5296/jsel.v7i1.14342

An Investigation of Verb-Forms Errors in the Spoken English of English-Majors and Non-English Majors at Emirates Canadian University College/ U.A.E.

2019· article· en· W2914821466 sur OpenAlexaboutno aff
Mohammed Hamid Al-Ta’ani

Notice bibliographique

RevueJournal for the Study of English Linguistics · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRemedial educationVerbCurriculumPsychologyMathematics educationLinguisticsPedagogy

Résumé

récupéré en direct d'OpenAlex

This study aimed at identifying the strategies used by University students in learning English as a second language and their weaknesses in the grammatical and the lexical use of the English verb-forms. A total number of (8) university students were interviewed personally. Interviews were taped and each student’s speech was transcribed in order to be analyzed. The grammatical and the lexical errors were categorized and put to further analysis and investigation which explained the reasons and strategies behind their occurrences. The findings indicated that: - the learners’ errors were developmental and they benefited from instructions, most of the frequent errors were due to interference of the first language and the majority of errors were interlanguages errors, simplification and overgeneralization proved to be the most two widely used strategies in learning a second language and the learners’ motivation to communicate may exceed their motivation to produce grammatically correct sentences. A major conclusion of this study is the need of the English-major students for a remedial course in which they may have the opportunity to practice the basic structures of the English Language. Finally, based on the results of this study some pedagogical implications for English teachers and university instructors, curriculum designers and policy makers were highlighted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,092
Score d'incertitude au seuil0,182

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,268
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal for the Study of English LinguisticsMême sujetSecond Language Acquisition and LearningTravaux en français237 207