A Corpus-Based Genre and Collocational Study of the Near-Synonyms: Grasp, Capture, Seize, Snatch, and Take
Notice bibliographique
Résumé
This study investigated the genre, collocational, and semantic preferences of the near-synonymous English verbs grasp, capture, seize, snatch, and take. The researchers drew data from the Corpus of Contemporary American English (COCA) and three traditional non-corpus-based dictionaries. The results revealed that writers use the verb take much more commonly across all eight genres, with a frequency of 863,996 out of 909,634 total occurrences of all verbs across these genres. Non-formal genres, such as TV/movies and spoken language, show the highest frequencies of the verb take. Additionally, the findings indicate that categorizing their adverb and noun collocates according to semantic preferences provides insights into their co-occurring contextual usage. For instance, the noun collocates of the verb take fall into semantic themes that include responsibility, action, observation/perception, benefits, life, location, and evaluation. In contrast, the verb capture, which has the second highest frequency, is associated with semantic themes such as visual representation, abstract concepts, data, focus, force, and body parts. The third most frequent verb, grasp, has semantic themes related to body parts, abstract concepts, physical objects, mental attributes, and opportunity. These findings could help ESL/EFL teachers design lessons that focus on genre-specific language use. For instance, ESL learners could develop their ability to identify verb preferences across various genres. Additionally, COCA is freely accessible online. Teachers could engage students in task-based learning. For example, they can ask students to generate a collocational distribution list of a set of near-synonyms and then ask group the semantic preferences of the target synonyms. The students could find subtle differences between the synonyms. Ultimately, this awareness could also improve their linguistic competence.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».