Affix Acquisition of Chinese English Learners: A Case Study Based on a Self-Built Corpus
Notice bibliographique
Résumé
Nowadays, theoretic and empirical research into affix acquisition in Second Language Acquisition has attracted increasing attention (Peng Tingting, 2009; Zhao Ming, 2014; Chen Jie, 2017). However, there are still few empirical studies on affix acquisition of Chinese English learners, especially from the perspective of corpus linguistics. The present research aims to find out how affixes are acquired and used in written texts by Chinese English learners. A case study was conducted based on a self-built corpus. All of the data are collected from 174 undergraduate students majoring in English at a university in central China. Compleat Lexical Tutor (v.8.3) and AntConc (v.3.5.2) are used to process and analyze the data. As is shown in the results of the research, affixes acquired and used by Chinese English learners can be divided mainly into the following categories: 1. High-frequency affixes, such as -s, -ed, -ing, etc. 2. Intermediate-frequency affixes, such as -ly, -al, etc. 3. Low-frequency affixes, such as im-, in-, ir-, etc. Therefore, the affixes that are used most frequently are -s and -es, but prefixes are seldom used in written text. The present study is beneficial for providing a crucial reference for the instruction of vocabulary and writing in colleges.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».