Accounting Academic Word List (AAWL): A Corpus-Based Study
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 368
فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_EFL-6-1_003
تاریخ نمایه سازی: 23 خرداد 1400
چکیده مقاله:
The aim of this study was threefold: it aimed to develop a field-specific academic word list for accounting, to find the degree of coincidence between the word list and Coxhead's academic word list (AWL), and also to compare the occurrences of the most frequently used words in the list with six available word lists in different disciplines. A large corpus of accounting research articles was compiled and analyzed. We recognized ۶۵۸ academic word families with the highest frequency in the corpus which we calledAccounting Academic Word List (AAWL). These ۶۵۸-word families accounted for ۱۰.۱۶ % of the whole corpus. Further analysis indicated that out of these high-frequency word families we identified, only ۳۵۴ coincided with those listed in AWL. Moreover, ۵۰ most frequently used words in the list accounted for ۳.۹۸ % of the whole corpus. These words appeared in six available word lists in different disciplines with different degrees of occurrences which is a starting point for the development of a composite word list. Generally, this study confirmed the significance of subject-specificity of corpus-based word lists. The findings of this study suggest that AAWL can be used as a reference for the accounting community.
کلیدواژه ها:
Academic Word List ، Accounting Academic Word List ، Corpus analysis ، Accounting Students ، English for Academic Purposes
نویسندگان
رضا خانی
Department of English Language and Literature, Faculty of Literature and Human Sciences, Ilam University, Ilam, Iran
بهروز کلانتری
Department of English Language and Literature, Faculty of Literature and Human Sciences, Ilam University, Ilam, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :