How training structure, working memory, and vocabulary size shape high variability phonetic training
Notice bibliographique
Résumé
High variability phonetic training (HVPT) enhances L2 learners’ ability to perceive difficult contrasts, but learning outcomes vary depending on individual and training-related factors. This study examined whether individual differences in working memory and vocabulary size influence HVPT outcomes across different training structures. Seventy-nine Korean learners of English completed a pretest, five training sessions, an immediate posttest, and a delayed posttest 2 weeks later. Participants were randomly assigned to one of three conditions: 1-talker (n = 29), 6-talker blocked (n = 25), or 6-talker mixed (n = 25). Training involved word identification with feedback, targeting the English vowel contrasts /i/-/ɪ/ and /ɛ/-/æ/. Tests measured identification accuracy for trained and untrained items produced by a novel talker. Working memory was measured by digit span tasks; vocabulary size was assessed with a vocabulary size test. Mixed-effects modeling revealed a main effect of training (pre–post), with greater gains in the 6-talker conditions. Vocabulary size predicted accuracy overall, while working memory interacted with training structure: in the 1-talker condition, higher working memory was associated with larger gains. The mixed condition yielded more sustained improvement than the blocked condition, particularly among learners with higher vocabulary. These results suggest that cognitive and linguistic factors shape HVPT effectiveness depending on the structure of variability.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».