Measuring L1 and L2 Productive Derivational Knowledge: How Many Derivatives Can L1 and L2 Learners with Differing Vocabulary Levels Produce?
Notice bibliographique
Résumé
Abstract Derivational knowledge, the ability to understand and produce derivatives of a word, is essential for vocabulary learners to expand their lexical knowledge. Earlier research (e.g., Schmitt & Zimmerman, 2002) has shown that L2 learners may have limited ability to produce derivatives compared to L1 speakers. However, the degree to which productive derivational knowledge differs between L1 and L2 learners, and among learners at different levels of vocabulary knowledge has yet to be examined. The present study investigated the extent to which L1 English speakers (n = 23) and L2 English learners (n = 107) at varying vocabulary levels (1000‐5000) could produce the derivatives of 90 headwords in a decontextualized derivative recall test. A generalized linear mixed model indicated that L1 and L2 productive derivational knowledge significantly differed, and L2 productive derivational knowledge differed among learners with different vocabulary levels. However, the results revealed that the L1 speakers and the learners who had mastered the higher vocabulary levels (3000–5000) produced a similar number of derivatives in the decontextualized recall test. The findings suggest that learners’ vocabulary levels could be indicative of L2 productive derivational knowledge to some degree. Lastly, the results are discussed to provide pedagogical implications for teaching and assessing L2 productive derivational knowledge.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».