Formats and implementations of exercises for collocation learning: Learning outcomes and students’ beliefs
Notice bibliographique
Résumé
Abstract Collocation‐focused exercises in language courses often require students to choose the right words from a given set of candidates to reassemble broken‐up collocations. Other exercises invite the students themselves to supply the missing words to complete collocations. One would expect exercises to serve the purpose of retrieval practice after students are first exposed to the collocations, but textbook analyses have revealed that they are also used in a spirit of trial and error. Collocation exercises thus show variation in format and in implementation, the combinations of which may yield different learning outcomes. The present study applied a 2 × 2 counterbalanced within‐participant design, where 56 ESL learners (international students enrolled in a TESOL program) tackled multiple‐choice or gap‐fill exercises on 32 verb–noun collocations (e.g., “catch fire”), half of which they had first been given a chance to study. This initial exercise was followed in the same session by a practice test to remind the participants of the correct collocations. One week later, they sat a delayed posttest. The gap‐fill format implemented as retrieval practice produced the best learning outcomes whereas the multiple‐choice format implemented in a trial‐and‐error fashion produced the poorest, despite feedback on both the initial exercise and the practice test. Despite its poorer effectiveness, one third of the participants expressed a preference for the multiple‐choice format in retrospective interviews.
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 | 0,009 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».