The Facilitative Role of L1 Influence in Tense–Aspect Marking: A Comparison of Hispanophone and Anglophone Learners of French
Notice bibliographique
Résumé
English learners of French whose first language (L1) does not mark the perfective/imperfective distinction have shown verb semantic influence and an overall preference for perfective over imperfective in their use of second language (L2) tense–aspect markers. This study investigated whether learners whose L1 marks the perfective/imperfective distinction would exhibit similar acquisition profiles. Hispanophones (n= 17) and Anglophones (n= 15) at similar levels of French L2 proficiency completed a 68‐item cloze task with equal numbers of perfective and imperfective contexts distributed across 4 semantic categories: stative, activity, accomplishment, and achievements. In a 20‐minute retrospective interview, a subsample of the participants (8 Hispanophones, 11 Anglophones) commented on factors influencing their tense–aspect choices. An ANOVA of 1,012 predicates revealed that unlike the Anglophones, the Hispanophones did not prefer perfective over imperfective, and they were also less influenced by verb semantics. The learners' comments suggest that the Hispanophones made effective use of L1–L2 similarities, whereas the Anglophones appealed to verb semantics and partially understood pedagogical rules, which were frequently associated with inappropriate uses of the forms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».