MétaCan
Menu
← Retour à la cohorte
Enregistrement W3024973587 · doi:10.5539/elt.v13n6p58

An Empirical Study of Chinese EFL Learners’ Understanding and Translation of Expressions of Multiplication Entailing “Times”

2020· article· en· W3024973587 sur OpenAlexvenueno aff
Li Jing

Notice bibliographique

RevueEnglish Language Teaching · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueNatural Language Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnglish grammarLinguisticsGrammarPhilosophy

Résumé

récupéré en direct d'OpenAlex

The debate on how to understand such expressions of multiplication entailing “times” as “n times more than” and “increase (by) n times” has been on and off in China since the 1980s. A review of literature seems to suggest that despite early-stage divergence in understanding, there is a general consensus among the Chinese academia at present that the English word “times” entails the base number, and therefore expressions of multiplication like “n times more than” and “increase (by) n times” are equivalent to the expression “n times as much/many as”. This paper intends to find out whether this consensus is reflected in Chinese EFL learners’ understanding of those expressions. Altogether 16 English majors from one of the key universities in the northern part of China were tested on their understanding and translation of two passages with embedded arithmetic comparisons using “n times more than” and “increase n times” respectively. It is found that a sizable proportion of them (62.5% for the former and 56.25% for the latter) gave inaccurate translation and that their rendering manifests not only their misunderstanding but also indiscretion in the translating process. Such factors as students’ indiscriminate use of information from the Internet, ambiguity and errors in popular grammar books, the presumed disjunction between EFL research and EFL teaching, and the untimely updating of English competence on the part of Chinese EFL teachers in China are proposed as possible reasons.

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)0,004
score de la tête « metaresearch » (Gemma)0,014
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,003
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,037
Tête enseignante GPT0,342
Écart entre enseignants0,306 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnglish Language Teaching→Même sujetNatural Language Processing Techniques→Travaux en français237 207→