Intensifier-Verb Collocations in Academic English by Chinese Learners Compared to Native-Speaker Students
Notice bibliographique
Résumé
Abstract It is difficult for L2 English learners in general, and especially Chinese learners of English, to form idiomatic collocations. This article presents a comparison of the use of intensifier-verb collocations in English by native speaker students and Chinese ESL learners, paying particular attention to verbs which collocate with intensifiers. The data consisted of written production from three corpora: two of these are native English corpora: the British Academic Written English (BAWE) Corpus and Michigan Corpus of Upper-Level Student Papers (MICUSP). The third one is a recently created Chinese Learner English corpus, Ten-thousand English Compositions of Chinese Learners (TECCL). Findings suggest that Chinese learners of English produce significantly more intensifier-verb collocations than native speaker students, but that their English attests a smaller variety of intensifier-verb collocations compared with the native speakers. Moreover, Chinese learners of English use the intensifier-verb collocation types just-verb, only-verb and really-verb very frequently compared with native speaker students. As regards verb collocates, the intensifiers hardly, clearly, well, strongly and deeply collocate with semantically different verbs in native and Chinese learner English. Compared with the patterns in Chinese learner English, the intensifiers in native speaker English collocate with a more stable and restricted set of verb collocates.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».