In this study, we used a data-mining approach to identify hidden groups in a corpus-based second-language (L2) vocabulary experiment. After a vocabulary pre-test, a total of 132 participants performed three online reading tasks (in random orders) equipped with the following glossary types: (1) concordance lines and definitions of target lexical items, (2) concordance lines of target lexical items, and (3) no glossary information. Although the results of a previous study based on variable-centred analysis (i.e. multiple regression analysis) revealed that more glossary information could lead to better learning outcomes (Lee, Warschauer & Lee, 2017), using a model-based clustering technique in the present study allowed us to unearth learner types not identified in the previous analysis. Instead of the performance pattern found in the previous study (more glossary led to higher gains), we identified one learner group who exhibited their ability to make successful use of concordance lines (and thus are optimized for data-driven learning, or DDL; Johns, 1991), and another group who showed limited L2 vocabulary learning when exposed to concordance lines only. Further, our results revealed that L2 proficiency intersects with vocabulary gains of different learner types in complex ways. Therefore, using this technique in computer-assisted language learning (CALL) research to understand differential effects of accommodations can help us better identify hidden learner types and provide personalized CALL instruction.

中文翻译：

---

通过数据挖掘技术推进 CALL 研究：在基于语料库的 L2 词汇学习实验中挖掘隐藏的学习者群体

在这项研究中，我们使用数据挖掘方法来识别基于语料库的第二语言 (L2) 词汇实验中的隐藏组。在词汇预测试后，共有 132 名参与者执行了三个在线阅读任务（随机顺序），配备以下词汇表类型：（1）目标词汇项目的词条和定义，（2）目标词条的词条, 和 (3) 没有词汇表信息。尽管先前基于变量中心分析（即多元回归分析）的研究结果表明，更多的词汇表信息可以带来更好的学习成果（Lee, Warschauer & Lee, 2017），但目前使用基于模型的聚类技术研究使我们能够发掘先前分析中未确定的学习者类型。与之前研究中发现的表现模式不同（更多的词汇表会带来更高的收益），我们确定了一个学习者群体，他们表现出成功使用索引线的能力（因此针对数据驱动学习或 DDL 进行了优化；约翰斯, 1991)，而另一组仅在使用语汇词组时表现出有限的二语词汇学习。此外，我们的结果表明，L2 熟练程度与不同学习者类型的词汇增益以复杂的方式相交。因此，在计算机辅助语言学习 (CALL) 研究中使用这种技术来了解适应的不同效果可以帮助我们更好地识别隐藏的学习者类型并提供个性化的 CALL 指导。我们确定了一个学习者群体，他们展示了他们成功使用语汇词的能力（因此针对数据驱动学习或 DDL 进行了优化；Johns，1991 年），而另一组仅在暴露于语汇词时表现出有限的 L2 词汇学习. 此外，我们的结果表明，L2 熟练程度与不同学习者类型的词汇增益以复杂的方式相交。因此，在计算机辅助语言学习 (CALL) 研究中使用这种技术来了解适应的不同效果可以帮助我们更好地识别隐藏的学习者类型并提供个性化的 CALL 指导。我们确定了一个学习者群体，他们展示了他们成功使用语汇词的能力（因此针对数据驱动学习或 DDL 进行了优化；Johns，1991 年），而另一组仅在暴露于语汇词时表现出有限的 L2 词汇学习. 此外，我们的结果表明，L2 熟练程度与不同学习者类型的词汇增益以复杂的方式相交。因此，在计算机辅助语言学习 (CALL) 研究中使用这种技术来了解适应的不同效果可以帮助我们更好地识别隐藏的学习者类型并提供个性化的 CALL 指导。我们的研究结果表明，L2 熟练度与不同学习者类型的词汇增益以复杂的方式相交。因此，在计算机辅助语言学习 (CALL) 研究中使用这种技术来了解适应的不同效果可以帮助我们更好地识别隐藏的学习者类型并提供个性化的 CALL 指导。我们的研究结果表明，L2 熟练度与不同学习者类型的词汇增益以复杂的方式相交。因此，在计算机辅助语言学习 (CALL) 研究中使用这种技术来了解适应的不同效果可以帮助我们更好地识别隐藏的学习者类型并提供个性化的 CALL 指导。