Role of first language dialect in the production of second language German vowels
Notice bibliographique
Résumé
A methodological shortcoming in previous second language (L2) acquisition studies has been that researchers have assumed an overly homogenous first language (L1) ignoring dialect differences. In the current study English and German vowel production data were collected from 72 English-speaking learners of German from three distinct North American English dialect regions – the Inland North, North Central, and Western Canada. Following Flege (e.g., 1995), who proposed that L2 segments with L1 counterparts would be more difficult to perceive and produce than new L2 segments, we show that subjects did not transfer their L1 /u/ to German but rather produced the German counterpart in a manner expected in neither German nor English. Instead, this was reflected in terms of formant (F1, F2 or F3) values that varied according to the L1 dialect of the learner. In particular, learners from the North Central dialect region whose English /u/ was produced with the lowest F2 values – though not significantly different from the Inland North learners' /u/ – produced the German /u:/ with the highest F2 values of all three dialect regions. Speakers from all dialect regions were also able to manipulate their acoustic space to allow for the addition of the new German segment /y:/; however, they differed in how they ultimately established the German /u:/–/y:/ contrast. Learners from the two American dialect regions contrasted these vowels according to F2 values, while learners from Western Canada made the contrast utilizing F3. Based on these results, we conclude that L2 vowel formant values differ by dialect region even when the learners' L1 dialects differ only subtly. Lastly, results provide further evidence that this influence is not simply the result of direct L1 transfer.
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 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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».