Notice bibliographique
Résumé
Phrasal verbs present persistent challenges for second language (L2) learners due to their figurative meanings, multiple interpretations, and variable word order. This article reviews five strands of research that contribute to effective phrasal verb instruction: corpus-based studies, which identify what to teach, and four instructional approaches—input-based, output-based, retrieval-based, and cognitive linguistic—that offer insights into how to teach. Corpus studies identify high-frequency phrasal verbs, common meanings, and register variation, while learner corpus research reveals patterns of underuse and cross-linguistic influence. Instructional studies show that textual enhancement promotes noticing, and output and retrieval tasks improve retention when carefully sequenced. Cognitive linguistic (CL) approaches foster generalization through conceptual metaphors and particle meanings, though their success depends on learner readiness. Despite these advances, most strands have been examined in isolation. This review calls for research on integrated instructional sequences that align corpus-informed selection, CL scaffolding, and retrieval practice. It also highlights the need to investigate how retrieval and communicative output can be coordinated to support durable, flexible phrasal verb use in L2 learning. Les verbes à particule posent des problèmes persistants aux apprenants d’une langue seconde (L2) en raison de leurs sens figurés, de leurs interprétations multiples et de l’ordre variable des mots. Cet article passe en revue cinq axes de recherche qui contribuent à un enseignement efficace des verbes à particule : les études basées sur des corpus, qui identifient ce qu’il faut enseigner, et quatre approches pédagogiques — basées sur l’intrant, basées sur la production, basées sur la récupération et la linguistique cognitive — qui offrent des éclairages sur la manière d’enseigner ces verbes. Les études de corpus identifient les verbes à particule très fréquents, les sens fréquents et les variations de registre, tandis que les recherches sur les corpus d’apprenants révèlent des tendances de sous-utilisation et d’influence translinguistique. Les études pédagogiques montrent que la mise en évidence du texte favorise la prise de conscience, et que les tâches de production et de récupération améliorent la rétention lorsqu’elles sont soigneusement ordonnées. Les approches de linguistique cognitive (LC) favorisent la généralisation par le biais de métaphores conceptuelles et des sens des particules, bien que leur succès dépende du degré de préparation de l’apprenant. Malgré ces avancées, la plupart des axes de recherche ont été examinés de manière isolée. Ce texte appelle à des recherches sur des séquences d’enseignement intégrées qui alignent la sélection basée sur le corpus, l’échafaudage offert par la LC et la pratique de récupération. Il souligne également la nécessité d’étudier la manière dont la récupération et la production communicative peuvent être coordonnées pour soutenir l’utilisation durable et flexible des verbes à particule dans l’apprentissage d’une L2.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».