Evidence-Based Design Principles for Spanish Pronunciation Teaching
Notice bibliographique
Résumé
In spite of the considerable body of pedagogical and experimental research providing clear insights into best practices for pronunciation instruction, there exists relatively little implementation of such practices in pedagogical materials including textbooks. This is particularly true for target languages other than English. With the goal of assisting instructors wishing to build effective evidence-based instructional practices, we outline a set of key principles relevant to pronunciation teaching in general, illustrated here via Spanish in particular, drawing on previous pedagogical research as well as methods and findings from experimental (applied) linguistics. With the overall goal of enabling learners to move toward greater intelligibility, these principles include the importance of perceptual training from the onset of learning, a strong prosodic component, the use of contextualized activities, and a focus on segmental and prosodic phenomena with a high functional load as well as those that are shared across target language varieties. These principles are then illustrated with innovative perception and production exercises for beginner, university-level learners of Spanish. We conclude with a discussion of ways in which the pedagogical principles exposed here can be extended beyond the production of individual activities to the design of a broader pronunciation curriculum.
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 | 0,303 | 0,284 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,012 | 0,005 |
| Science ouverte | 0,008 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».