Corpus-Based Error Analysis of Chinese Learners’ Use of High-Frequency Verb Take
Notice bibliographique
Résumé
This study investigated the erroneous use of the high-frequency verb TAKE by the Chinese college learners of English as a foreign language (EFL), aiming to identify the similarities and differences between Chinese EFL learners, aimed at finding out more effective ways for the teaching and researching of the high-frequency verbs. Corpus-based Contrastive Interlanguage Analysis and Error Analysis were carried out in the present study, with the subcorpora ST4 and ST6 of CLEC (Chinese Learner English Corpus) as the learner corpora.  The analyses involved the misuse of the verb TAKE by the Chinese EFL learners. The error analysis of TAKE was based on the classification in the corpus CLEC. From the perspective of the overall frequency, the ST6 learners commit fewer errors than the ST4 learners. From the perspective of error types, the ST6 learners and the ST4 learners have much in common. That is, the error types of “wd” and “cc” take up an overwhelming part of all the errors in both corpora. These errors are caused by some interlingual and intralingual factors such as language transfer, overgeneralization, and communication strategy. In comparison, in the process of EFL learning, the non-English majors are interfered by their mother tongue to a larger extend than the English majors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,069 | 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 ».