Notice bibliographique
Résumé
Abstract Acquiring vocabulary knowledge is a vital part of L2 learning because vocabulary plays a significant role in every mode of communication (reading, listening, writing, and speaking). For learners to become independent users of a L2, they must know many thousands of words and learn how to use them well in communication. For example, learners of English must acquire up to 9,000 words (e.g., happy) and their morphologically-related forms (e.g., happiness, unhappy, happily) to comprehend spoken and written texts (e.g., conversation, television programs, films, novels, and newspapers) ( Nation, 2006 ; Webb & Rodgers, 2009a , 2009b ). Moreover, acquisition of L2 vocabulary entails learning different aspects of word knowledge such as word parts, collocations, and associations, not only learning form-meaning connections. Thus, the teaching, learning, and researching of L2 vocabulary can be highly complex. The purpose of this chapter is to provide a guide to researching instructed second language vocabulary acquisition. The chapter sets out to provide (1) an overview of key concepts in vocabulary research, (2) a brief overview of L2 vocabulary research focusing on intervention studies, (3) an overview of a frequently employed study design (pretest-posttest design), different measures for assessing L2 vocabulary knowledge as well as options and cautions for interpreting data, (4) advice for future vocabulary researchers, and (5) tips to overcome potential challenges.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,213 | 0,122 |
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 ».