The Power of Prediction: Assessing the Impact of Initial-Letter Guessing Strategies on Phrasal Verb Retention
Notice bibliographique
Résumé
There is growing interest in the effects of the strategies for learning phrasal verbs found in mainstream English-as-a-foreign-language textbooks. However, the only exercise format examined involves filling in particles in gapped spaces next to a verb. The present study examined and compared two strategies for learning phrasal verbs and assessed whether one constituent word is more likely to be remembered. One hundred and thirty-four Japanese university students learning EFL were asked to study and remember 24 phrasal verbs. One group was asked to guess the phrasal verb when shown the definition along with the initial letter of the verb before it was revealed. The other group was asked to study the phrasal verb and its definition before being asked to recall it when only the definition and the initial letter of the verb were shown. The impact of the guessing and retrieval procedures was measured shortly after and one week later in a cued-recall test of productive knowledge. Results from mixed effects logistic regression modelling showed that guessing was more effective than retrieval, even when the guesses were wrong. It was also found that verbs were remembered better than particles, regardless of the learning strategy. Although guessing is a common strategy for learning phrasal verbs in mainstream English-as-a-foreign-language textbooks, research on its effectiveness is limited. The findings show that making and correcting errors is not as detrimental as previously thought.
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 | 0,000 |
| 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 | 0,000 | 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) | 0,016 | 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 ».