Analysis of Subject-Verb Agreement Errors in Third Person Singular Verb Forms by Spanish University Students: A Corpus-Based Study
Notice bibliographique
Résumé
This study is aimed at analyzing subject-verb agreement (SVA) errors with third person singular lexical verbs in the Present Simple by Spanish higher-education students in a computerized learner corpus from Universidad Internacional de La Rioja (UNIR). The corpus is composed of 155 participants and 246 writing samples and it consists of the students’ spontaneous writings in response to a compulsory online forum from the nonlinguistic subject, ICT Tools Applied to the Learning of English, which is included in the curriculum of the Degree in Early Years Education. The SVA errors found in the corpus were classified according to Dulay, Burt and Krashen’s (1982) Surface Strategy Taxonomy, which groups language errors into four different types: omission, addition, misformation and misordering. The results show that the most frequent type of error made by the students is misformation, followed by misordering and by addition, which account for almost 95% of the total number of errors, whereas omission is the least frequent type of error, accounting for only 5% of all the errors. At the same time, the analysis indicates that the errors produced by the students are mainly intralingual, reflecting an inadequate or incomplete learning of the target language, and also interlingual since some errors committed by the learners are related to native language (NL) transfer. These results suggest some pedagogical implications for the teaching and learning of SVA rules which are also included in the paper.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».