How effective is second language incidental vocabulary learning? A meta-analysis
Notice bibliographique
Résumé
Abstract There is a great deal of variation in gains found between studies of second language (L2) incidental vocabulary learning, as well as many factors that affect learning. This meta-analysis investigated the effects of exposure to L2 meaning-focused input on incidental vocabulary learning with an aim to clarify the proportional gains that occur through meaning-focused learning. Twenty-four primary studies were retrieved providing 29 different effect sizes and a total sample size of 2,771 participants (1,517 in experimental groups vs. 1,254 in control groups). Results showed large overall effects for incidental vocabulary learning on first and follow-up posttests. Mean proportions of target words learned ranged from 9–18% on immediate posttests, and 6–17% on delayed posttests. Incidental L2 vocabulary learning gains were similar across reading (17%, 15%), listening (15%, 13%), and reading while listening (13%, 17%) conditions on immediate and delayed posttest. In contrast, the proportion of words learned in viewing conditions on immediate posttests was smaller (7%, 5%). Findings also revealed that the amount of incidental learning varies according to a range of moderator variables including learner characteristics (L2 proficiency, institutional levels), materials (text type and audience), learning activities (spacing, mode of input), and methodological features (approaches to controlling prior word knowledge).
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 | 0,019 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,038 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 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 ».