Evaluating Measures of Pausing for Second Language Fluency Research
Notice bibliographique
Résumé
Dans les écrits sur la fluidité en L2, la meilleure façon de définir les pauses de manière opérationnelle et de déterminer quel est le lien entre les différentes mesures des pauses et la maîtrise de la L2 est abondamment débattue. Cette question interpelle les chercheurs qui s’intéressent à la fluidité en L2, en particulier ceux qui travaillent auprès de groupes dont le degré de maîtrise de la L2 varie. Les auteures se penchent sur le sujet en étudiant les données relatives à la production orale de 48 apprenants de l’espagnol (dont la L1 est l’anglais), afin d’évaluer quelles mesures des pauses sont les meilleurs indicateurs de fluidité. Son analyse porte sur différentes mesures des pauses — par 100 syllabes ou par minute, selon la durée, la nature (remplies ou silencieuses) et l’emplacement (au milieu ou à la fin d’une proposition) — ainsi que sur leur relation avec la maîtrise de la L2. Le degré de maîtrise est opérationnalisé sous forme de score combiné en connaissances linguistiques obtenu dans des tests de grammaire et de vocabulaire. Les auteures ont effectué à des analyses de corrélation et de régression afin de déterminer comment les différentes mesures des pauses rendent compte de la variabilité des scores quant à la maîtrise. Les résultats de l’étude indiquent que des pauses plus longues (une seconde ou plus) sont de meilleurs prédicteurs de la maîtrise de la L2 que les pauses plus courtes, que les pauses silencieuses sont un prédicteur plus fort de la maîtrise de la L2 que les pauses remplies, et que les pauses en milieu de proposition permettent d’établir plus clairement que les pauses en fin de proposition la distinction entre les niveaux de maîtrise. Les résultats de l’étude guideront les chercheurs dans le choix de la mesure des pauses qui répond le mieux à leurs besoins.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».