Enhancing Metalinguistic Awareness Through Microlearning: A Comparative Analysis of Catalan Acquisition Between Multilingual French and English Learners
Notice bibliographique
Résumé
Knowing that previously learned languages may influence and support language learning among multilingual learners, equipping educators with diverse tools and resources empowers them to make more informed decisions in facilitating language learning. This holds particular significance in the case of minority languages like Catalan, where resource availability tends to be more restricted. This paper presents the findings of a project aimed at identifying the specific needs of multilingual B1 learners of Catalan. Using a comprehensive five-way classification system, the study compares the written productions of multilingual learners from different linguistic backgrounds (English and French L1 learners of Catalan). Analyses revealed a similar pattern regarding the nature of the errors, with incorrect word selections at the lexical-semantic, syntactic, and orthographic levels being the most frequent. Both groups differ significantly in terms of the distribution of errors; however, they did not differ when the analyses were conducted by error types. In both cases, the most frequent error was the lexical-semantic misselections, with false analogies and incomplete applications of rules explaining the errors. These findings led to the creation of just-in-time microlearning capsules tailored to address these issues. The microlearning capsules were designed to enhance students' metalinguistic awareness. Students' and teachers' perceptions of the tool were also assessed, and both groups predominantly viewed interlinguistic information as beneficial to language learning. This project highlights how microlearning, tailored to frequent errors, can bolster multilingual learners' acquisition and provides promising tools for language teaching.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».