Multi-Word Verbs vs. One-Word Verb Construction: Between Avoidance and Preference in EFL Learning Contexts
Notice bibliographique
Résumé
Although English allows for both one-word and multi-word verbs, past research has shown that EFL students commonly struggle with, and even avoid, multi-word verbs. This study aims at examining the influence of utilizing contextualized authentic materials via reading activities on EFL intermediate learners' attitudes towards avoiding and preferring using MWV (multi-word verbs, also known as phrasal verbs (PV)) or one-word verbs. The study used both experimental and descriptive methods, and data was collected via pre- and post-tests. MWVs are introduced through reading activities to two learning groups: group A represents the experimental group, and group B acts as the control group. MWVs were introduced to the participants of group A via contextualized authentic materials (texts, pictures, and cartoons) and to group B through non-authentic contextualized reading texts. The analyzed data has shown that the attitudes of group A’s participants improve towards using some MWVs' types on many occasions rather than utilizing their counterparts of one-word verbs. For example, they prefer using transparent and semi-transparent prepositional PVs as well as transparent adverbial PVs. On the other hand, the findings have shown that the participants avoid using non-transparent PVs regardless of their constructions (prepositional PVs, adverbial PVs, or phrasal prepositional verbs). In addition, they avoid using adverbial PVs of the semi-transparent PV’s types. Hence, contextualized authentic material via reading activities is a more effective strategy for enhancing EFL learners' attitudes towards preferring using MWVs rather than their counterparts of one-word verbs, specifically the transparent prepositional and adverbial of PV’s types.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».