Deriving meaning through context: Interpreting bare nominals in second language Japanese
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Previous studies on the second language acquisition of telicity have suggested that learners can use morphosyntactic cues to interpret sentences as telic or atelic even in cases where the cues differ in the first language (L1) and second language (L2) (Slabakova, 2001, 2005; Gabriele, 2008; Kaku et al., 2008a, 2008b). The present study extends this line of research by focusing on a case in which learners cannot rely on morphosyntactic cues in order to reach the appropriate aspectual interpretation. We examine the acquisition of telicity by English-speaking learners of Japanese, focusing on how learners interpret bare count nouns such as kaado ‘card’ that obligatorily display count noun morphosyntax in English. In Japanese, a bare noun such as kaado is ambiguous with respect to number and therefore a verb phrase such as kaado-o kakimashita ‘wrote card’ can be interpreted as either telic ‘wrote the cards’ or atelic ‘wrote cards’ depending on the context. The results of two studies with both intermediate (Study 1: n = 38; Study 2: n = 38) and advanced (Study 1: n = 7; Study 2: n = 10) learners of Japanese show that there are learners at both levels of proficiency that have difficulty with the interpretation of bare count nouns and assign an exclusively telic reading to a verb phrase such as kaado-o kakimashita ‘wrote card’. We argue that this interpretation is due to the boundedness of count nouns in L1 English and propose that a retreat from negative transfer is difficult when there is variability in the native speaker input and when meaning has to be derived from context in the absence of morphosyntactic cues.
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.
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 | 0,003 | 0,004 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 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 découle