Lexical Bundles in a Saudi General-Audience Podcast in English: A Corpus Analysis
Notice bibliographique
Résumé
Research finds that lexical bundles are vital to fluent language processing as they reduce cognitive load when memorized as chunked sequences of language, especially for second-language (L2) learners. Although lexical bundles in academic and political discourse have been studied, their use in podcasts is a less-researched domain in corpus linguistics even though podcasts are an increasingly popular medium that offers authentic public discourse for diverse audiences, including L2 learners and instructors. To address this gap, this study investigates the most frequently occurring and widely dispersed lexical bundles in an English-language, general-audience Saudi podcast. A specific corpus consisting of 10 podcast episodes (almost one hour each) was submitted to AntConc for the identification of lexical bundles based on three predefined parameters: length, frequency, and distribution. A lexical bundle was extracted if it consisted of a four-word sequence that occurred at least five times in at least five texts. From a podcast corpus of 111,174 words, 56 four-word lexical bundles were identified and ranked according to frequency, and their grammatical structures were analyzed. Results show that lexical bundles such as thank you so much, a lot of people, be honest with you, and and I was like are high on the list. Structurally, they consist of nominal, verb-based, and prepositional phrases among others, although verb-based bundles are the most common. The study concludes by providing a list of lexical bundles that may be used for podcast-based learning practice in a L2 listening class or for independent learning.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».