Vocab SIG: A cognitive semantic approach to L2 learning of phrasal verbs
Notice bibliographique
Résumé
This quasi-experimental study investigated the contributions of a paired-associate learning method and a semantic analysis method for enhancing Japanese EFL learners’ knowledge of phrasal verbs. In addition, since dual coding theory argues that basic image schemas of the orientation of particles create opportunities for deeper memory traces, a third treatment was included. It consisted of a semantic analysis along with basic pictures showing the direction of a trajectory in relation to a landmark. The results of the three treatments revealed participants who received the semantic analysis and those who received the semantic analysis plus basic pictures treatment outperformed the paired-associate group on the test. Based on the initial findings, it appears a semantic analysis approach is an effective teaching method that should be used to help learners overcome the confusion experienced when using phrasal verbs. 本論では準実験的研究法を使用し、日本人英語学習者の句動詞に関する語彙知識強化における、対連合学習法 (Paired-Associate Learning Method) と意味論的分析学習法 (Semantic Analysis Method) の貢献度を調査した。さらに、二重符号化理論 (Dual Coding Theory) に基づく主張、すなわち、方向性を示す副詞不変化詞の基本的イメージスキーマによってより深い記憶定着の機会が与えられるという論に基づき、第3の方法を設定した。これは、意味論的分析と共に、目標物と関係づけられた移動軌跡の方向性を示すイメージを与えるものである。以上3種類の方法を行った後、事後テストと遅延事後テストにおいて語彙記憶の保持を測定した結果、意味論的分析を受けた群および、意味論的分析に加えイメージを与えられた被験者群で、対連合学習法の被験者群を上回る結果が示された。この初期調査の結果、意味論的分析が、学習者が句動詞を使用する際に経験する混同を克服する助けとなる効果的な教授法であることが示唆された。
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 0,004 |
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 ».