Investigating the Lexical Demands of English-as-an-Additional-Language and General-Audience Podcasts and Their Potential for Incidental Vocabulary Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study investigated the lexical demands of English-as-an-additional-language (EAL) and general-audience podcasts and their potential for incidental vocabulary learning. Two corpora (i.e., one EAL and one general-audience) comprising 1,188,512 tokens were analyzed to determine the necessary vocabulary knowledge to reach 90% and 95% coverage. The results indicated that 2,000 and 3,000 word families plus proper nouns (PN), marginal words (MW), transparent compounds (TC), and acronyms (AC) covered 90% and 95% of words in podcasts, respectively. The results also showed that EAL and general-audience podcasts required 1,000 and 2,000 words families to reach 90% coverage, respectively. Regarding 95% coverage, knowledge of 2,000 (EAL) and 3,000 (general-audience) word families was required. The results also demonstrated almost 60% of word families from the 2,000-word level were encountered 15+ times in each corpus, suggesting podcasts may hold relatively great potential for learning such words incidentally. Furthermore, our findings indicated that there was some potential for incidentally learning words from the 3,000-word level in both corpora, while general-audience podcasts may hold greater potential in this regard. Implications for using podcasts in language pedagogy are also discussed.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,004 | 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 découle