Past Tense Production by English Second Language Learners With and Without Language Impairment
Notice bibliographique
Résumé
PURPOSE: This study investigated whether past tense use could differentiate children with language impairment (LI) from their typically developing (TD) peers when English is children's second language (L2) and whether L2 children's past tense profiles followed the predictions of Bybee's (2007) usage-based network model. METHOD: A group of L2 children with LI (L2-LI) and a matched group of L2-TD peers were administered the past tense probe from the Test of Early Grammatical Impairment (Rice & Wexler, 2001) and the Peabody Picture Vocabulary Test (Dunn & Dunn, 1997). A representative input corpus provided distributional information for each verb used. Background information was obtained via parent questionnaire. RESULTS: The L2-LI group used fewer tense-marked verbs than did the L2-TD group. In both groups, vocabulary size and word frequency predicted accuracy with regular and irregular verbs. Children omitted regular past tense marking most often after alveolar stops, dropping the allomorph /Id/; L2-TD children omitted /t/ more often than /d/. Finally, first language typology predicted past tense accuracy. CONCLUSIONS: Past tense use could potentially differentiate between English L2 children with and without LI. The impact of vocabulary, frequency, and phonological factors supported the network model and indicated profile differences between L2-LI and L2-TD children.
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 | 0,004 |
| 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 | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».