Evaluating Measures of Pausing for Second Language Fluency Research
Bibliographic record
Abstract
Dans les écrits sur la fluidité en L2, la meilleure façon de définir les pauses de manière opérationnelle et de déterminer quel est le lien entre les différentes mesures des pauses et la maîtrise de la L2 est abondamment débattue. Cette question interpelle les chercheurs qui s’intéressent à la fluidité en L2, en particulier ceux qui travaillent auprès de groupes dont le degré de maîtrise de la L2 varie. Les auteures se penchent sur le sujet en étudiant les données relatives à la production orale de 48 apprenants de l’espagnol (dont la L1 est l’anglais), afin d’évaluer quelles mesures des pauses sont les meilleurs indicateurs de fluidité. Son analyse porte sur différentes mesures des pauses — par 100 syllabes ou par minute, selon la durée, la nature (remplies ou silencieuses) et l’emplacement (au milieu ou à la fin d’une proposition) — ainsi que sur leur relation avec la maîtrise de la L2. Le degré de maîtrise est opérationnalisé sous forme de score combiné en connaissances linguistiques obtenu dans des tests de grammaire et de vocabulaire. Les auteures ont effectué à des analyses de corrélation et de régression afin de déterminer comment les différentes mesures des pauses rendent compte de la variabilité des scores quant à la maîtrise. Les résultats de l’étude indiquent que des pauses plus longues (une seconde ou plus) sont de meilleurs prédicteurs de la maîtrise de la L2 que les pauses plus courtes, que les pauses silencieuses sont un prédicteur plus fort de la maîtrise de la L2 que les pauses remplies, et que les pauses en milieu de proposition permettent d’établir plus clairement que les pauses en fin de proposition la distinction entre les niveaux de maîtrise. Les résultats de l’étude guideront les chercheurs dans le choix de la mesure des pauses qui répond le mieux à leurs besoins.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".