Effectiveness of Corpus in Distinguishing Two Near-Synonymous Verbs: Damage and Destroy
Notice bibliographique
Résumé
This study aims to explore how corpus-based approaches can be used to address the distinctions of English near-synonyms effectively. Especially, it collected source data from the British National Corpus (BNC) and adopted Sketch Engine (SkE) as an analyzing tool to compare the near synonymous pair damage and destroy commonly misused by Chinese-speaking learners of English in terms of frequencies, genre distribution, colligation and collocation, differences in meanings and uses. It is found that damage and destroy are near-synonyms because they are relevant words and share most collocates but they are not fully intersubstitutable for certain contexts. Some words related to the human body or physical health are more collocated with damage and some such as military affairs and one’s thought or belief more with destroy. In addition, the core meaning of damage gives more emphasis on something that can be recovered but does not work well as before, while destroy offers more senses for something that no longer exists. Furthermore, the British tend to collocate the two near-synonyms with the same word to create a build-up, because destroy is endowed with a stronger degree of destruction than damage. The study ends by suggesting corpus-based analysis should be promoted in language teaching and learning to improve the accurate use of English vocabulary by language learners.
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 | 0,012 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».