A Tentative Corpus-Based Study of Collocations Acquisition by Chinese English Language Learners/UNE ETUDE TENTATIVE DE RECUEIL-BASEE SUR L'APPRENTISSAGE DES ACCORDS PAR LES APPRENANTS CHIOIS D'ANGLAIS
Notice bibliographique
Résumé
Abstract: Though collocations have drawn much attention in the field of language acquisition, yet difficulties with them have not been investigated in much detail. This paper reports on a corpus-based exploratory study that analyzes the mistakes learners made when they produced English collocations. The study shows that not only beginners but also advanced learners have difficulties in choosing the right collocates and the difficulties that learners of different levels have are more or less the same. The biggest challenge for them is to choose the appropriate verbs. The L1 influence on the production of L2 collocations exists at every stage of learning though it varies with the learners' L2 competence. Based on this study, a corpus-based approach is advanced in the end to cope with the difficulties in the acquisition of L2 collocations. Key words: Collocation, second language acquisition, corpus-based, CLEC Resume : Ce document fait un bilan sur une etude explorateur de recueil-basee qui fait une analyse des erreurs commis par les apprenants au cas des accords. Cette etude montre que non seulement les debutants mais aussi les apprenants du niveau avance ont du mal a choisir un bon terme d'accord et que les erreurs y reviennent au meme pour tout niveau. Le plus grand defi pour eux est de choisir le mot juste. Le fait que la langue 1 inflence sur la production du choix d'accord existe au niveau quel que ce soit malgre la variation du niveau de langue 2 des apprenants. Base sur cette etude, une approche recueil-basee est engagee a la fin pour traiter ce probleme existant dans l'apprentissage de l'accord en Langue 2. Mots clefs: Accord , apprentissage de la langue secondaire, recueil-basee , CLEC ((ProQuest-CSA LLC: ... denotes non-USASCII text omitted.) 1. INTRODUCTION Although a corpus-based approach to SLA research and foreign language teaching is still in its infancy, there has been a growing interest in this new field. There are several reasons for this. Firstly, it is the computer that has introduced incredible speed, total accountability, accurate replicability, statistical reliability and the ability to handle huge amounts of data (Kennedy 2000: 5). Secondly, a growing awareness of the usefulness of quantitative data provides major impetuses to the re-adoption of the corpus-based language study3 as a methodology in linguistics (McEnery and Wilson 1996: 18). Many SLA researchers have found it very difficult to simply follow what theoretical linguists or psycholinguists say about an L1 acquisition model and check if the same abstract linguistic principle is still applicable in L2 learning. More and more researchers now prefer to look at real language performance data instead of relying too much on intuitive or introspective data. Thirdly, it is widely accepted that in modern language classroom the teacher should act as a research facilitator rather than the more traditional imparter of knowledge. Under such a student-centered teaching background, corpus-based adaptive learning has gained much attention ... 2001). Recently there has been a growing awareness that it is necessary to investigate learner language by collecting a large amount of learner performance data on computer. The term 'learner's corpus' was first used for Longman's learners' dictionaries, in which the information on EFL learners' common mistakes was provided. A project called ICLE (International Corpus of Learner English) was launched as a part of ICE (International Corpus of English) project in 1990. Now more than a dozen of projects constructing learner corpora have been underway around the world, (see the web site: http://www.lancs.ac.uk/postgrad/tono/) In China, an available learner corpus is CLEC (Chinese English Learner Corpus), which was built under the lead of Professor Gui Shichun and Professor Yang Huizhong. Some researches on language acquisition have focused on the phenomenon of collocation. …
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».