Mind the Gap: Towards Determining Which Collocations to Teach
Notice bibliographique
Résumé
Collocations form part of formulaic language use that is considered by many scholars as central to communication (Henriksen 2013; Wray 2002). Today, most scholars agree that teaching collocations to second and/or foreign language users (henceforth “L2 students”) is a must. This study offers a reflection on the directions L2 researchers and teachers may explore, and that could contribute to modelling the teaching of collocations or at least spark the debate on this issue. The fundamental point raised here is the extent to which pedagogy may be informed by knowing the most common lexical collocations (combinations of content words) and using frequency of collocates as a key factor in selecting which collocations to bring to learners’ attention. The results from this study indicate that out of the eight different lexical collocations, adjective+noun and verb+noun collocations are the most common, and should therefore be introduced first. Furthermore, most collocates (“co-occurring words” in Sinclair’s (1991) terms) come from the 1,000 and 2,000 most frequent words. Therefore, this study suggests that the same way that “[u]sing the computational approach as a starting point makes it possible to distinguish between collocations of varying frequency of use” (Henriksen 2013: 32), frequency may be used to select the target words and their collocates once collocations have been identified. This could potentially contribute to addressing the issue of selection criteria of which collocations to teach.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,027 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».