Acquisition of English Tense‐Aspect Morphology by Advanced French Instructed Learners
Notice bibliographique
Résumé
The acquisition of English verbal morphology has been mostly tested as a second language (L2) in English-speaking settings (Bardovi-Harlig, 1992a, 1992b, 1992c, 1998; Bardovi-Harlig & Bergström, 1996; Bayley, 1991, 1994), more rarely as a foreign language (e.g., Robison, 1990, 1995), in only one cross-sectional study with native speakers of French in a foreign/L2 setting in Quebec (Collins, 2002), and never with French speakers living in France, who have much less exposure to English than their Francophone counterparts living in Quebec. The present cross-sectional study analyzes data from a group of 21 high school French speakers learning English in France to address two main research questions: (a) Do our learners exhibit nativelike performance in their use of the various past morphological forms across the lexical aspectual classes (e.g., Vendler, 1957/1967)? (b) Does their first language lead French speakers to overuse the English present perfect due to its morphological similarity with the passé composé? Our findings underscore the effect of lexical aspect on the use of past tense markers while highlighting a significant departure from the predicted developmental path of past tense marking: States are marked more consistently than telic events in the narrative task. Possible theoretical and methodological factors that might account for the present findings are discussed.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».