Vocabulary Knowledge and Metacognitive Awareness in L2 Listening: Testing the Core-Peripheral Hypothesis
Notice bibliographique
Résumé
This study tested predictions from Hulstijn’s core-peripheral framework for second-language listening by comparing the relative contributions of vocabulary knowledge and metacognitive awareness among Chinese EFL learners. Participants were 166 third-year English majors with intermediate proficiency (TEM-4 scores 65–75). They completed comprehensive assessments of four vocabulary dimensions: written breadth, written depth, aural breadth, and aural depth. They also completed a measure of metacognitive awareness and a standardized listening test. Hierarchical regression analysis revealed that vocabulary knowledge accounted for the majority of variance in listening. Aural vocabulary measures explained substantial additional variance beyond written measures. By contrast, metacognitive awareness contributed only minimal incremental variance after vocabulary had been entered into the model. Within the vocabulary dimensions, aural depth and aural breadth were the strongest predictors of performance. The coefficients for written measures were markedly reduced once aural measures were statistically controlled. These results support a hierarchical distinction between core and peripheral components. They position vocabulary knowledge, particularly in its aural modality, as foundational to listening success, whereas metacognitive awareness plays a supplementary role that may vary across proficiency levels. The clear superiority of aural over written vocabulary challenges assessment practices that prioritize orthographic knowledge, underscoring the need for modality-specific vocabulary instruction to enhance L2 listening comprehension.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».