The Correlation Between Performances Among Lexical-Related Tasks and The Performance in The Sentence Construction Task
Notice bibliographique
Résumé
This study employed a quantitative correlational design to explore the correlation between the students' performances among lexical-related tasks and how these tasks affect the performance in a sentence construction task. Using IBM SPSS Statistics Version 22’s Pearson Partial Correlation Test, this study calculated participants' performance in primary lexical attributes by recognizing the following aspects of lexical knowledge: pronunciation patterns, morphological structures, syntactic properties, semantic characteristics such as abstract and interconnectedness, and a complete sentence construction in a strict naturalistic classroom setting. The test results showed that the participants made 297.05 seconds on average for 42 correct responses in Lexical Decision Task, 5.88 seconds per picture projected on the screen in Picture-Naming Task, 8.33 seconds for each word in Semantic Judgment Task, and 30.17 seconds on average to complete a sentence. These results concluded that the participants' performance in identifying strings of letters does not correlate significantly with their performance in understanding how a particular word functions grammatically within a sentence. In terms of the level of automaticity, the participants’ performance exceeded the average performance. The findings suggested that their performance in understanding primary lexical attributes in single lexicons does not facilitate their understanding of semantic characteristics. Henceforth, the students’ lexical knowledge does not yet construct an integrated linguistic representation in the target language acquisition. The study confirmed previous evidence that stated that a better performance in lexical-related tasks significantly impacted sentence processing and construction skill.
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 | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».