MétaCan
Menu
Retour à la cohorte
Enregistrement W4381730627 · doi:10.1177/00336882231181771

Inferring the Meaning of Idioms: Does Accuracy Matter for Retention in Memory?

2023· article· en· W4381730627 sur OpenAlexaff
Xi Yu, Frank Boers

Notice bibliographique

RevueRELC Journal · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueSecond Language Acquisition and Learning
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésPsychologyMeaning (existential)RecallTest (biology)LinguisticsInterpretation (philosophy)ImperfectCognitionOddsCognitive psychologyLogistic regressionComputer science

Résumé

récupéré en direct d'OpenAlex

There are grounds for believing that prompting language learners to infer the meaning of new lexical items is beneficial because inferring the meaning of lexical items and verifying one's inferences invites more cognitive investment than simply being presented with the meanings. However, concerns have been raised over the risk that wrong inferences interfere with later recall of the correct meanings. The present study examines the effect of inferencing on language learners’ retention of idiomatic expressions (e.g. jump the gun, pull your weight and stay the course). In a counter-balanced within-participant design, 26 advanced learners of English were presented with 21 idioms in contexts either with their meaning clarified from the start ( k = 7) or with the instruction to try and infer their meaning before receiving the clarification. The latter condition was designed so that accurate interpretations were more likely for some idioms ( k = 7) than for others ( k = 7). The learners’ responses at the inferencing stage were collected for analysis. One week later, the participants took an unannounced meaning-recall test. Recall was the most successful in the learning condition where the likelihood of accurate inferences was high. Items that had been inferred accurately stood a better chance (odds ratio 1.22) of being recalled than items whose interpretation had needed to be rectified. Approximately 13% of the wrong or imperfect inferences re-emerged in the post-test, suggesting that the learners did not readily discard them despite the corrective feedback. The findings indicate that, for inferencing procedures to be optimally useful, they need to be implemented in ways that ensure a high success rate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,102
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,102
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,005
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,346
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRELC JournalMême sujetSecond Language Acquisition and LearningTravaux en français237 207