Language Transfer in Chinese EFL Learners’ Receptive Vocabulary Knowledge of Delexical and Lexical Verb+Noun Collocations
Notice bibliographique
Résumé
Restricted verb+noun collocations in English comprise delexical verb+noun collocations and lexical verb+noun collocations. The former are combinations containing verbs with ‘light’ meaning, such as make a mistake, take pictures, and have dinner, while lexical verb+noun collocations refer to combinations with technical meaning or figurative sense, such as draw a conclusion and hold discussions. Many studies have shown that these collocations are challenging to non-native English speakers, but to what extent and why one type is more challenging than the other has not received much research attention. The current study focuses on Chinese EFL learners’ receptive knowledge of delexical and lexical verb+noun collocation, particularly in relation to the influence of their first language (L1). To address this, the study measured Chinese EFL learners’ receptive knowledge of delexical and lexical verb+noun collocations using COLLEX5 collocation test and the extent to which their responses in the test were congruent or incongruent with their L1, i.e., Mandarin. The results show that Chinese EFL learners’ receptive delexical verb+noun collocation knowledge is higher than their lexical ones. The results also show that 92.3% of delexical verb+noun collocation errors are congruent with Mandarin. L1 influence is also evident in lexical verb+noun collocation errors but to a lesser extent, i.e., 72.6%. These findings indicate that L1-influenced errors account for a significant portion of the errors, suggesting that EFL learners' L1 influences how L2 collocations are processed in the mental lexicon.
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) | 0,001 | 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 ».