Are Second Language Learners Just as Good at Verb Morphology as First Language Learners
Notice bibliographique
Résumé
We addressed whether children learning French as a first (L1) and multilingual children (MUL, for whom French is a second or third language) are sensitive to sub-regular verb conjugation patterns (i.e., neither default, nor idiosyncratic) (e.g., Albright, 2002; Clahsen, 1999). Some argue that children with other first languages have more difficulty learning verb conjugation patterns due to their lesser exposure to the language (e.g., Nicoladis, Palmer, & Marentette, 2007). We hypothesized that older children would perform better than younger children and that L1 and MUL children learning French would process verb inflection patterns differently based on their default status (-er verbs), and reliability (e.g., sub-regular-ir verbs), with MUL children showing weaknesses in non-default types (Royle, Beritognolo, & Bergeron, 2012). We elicited verbs in 169 children (aged 67 to 92 months) attending preschool (n = 105) or first grade (n = 64), who were L1 or MUL learners of Québec French, using 24 verbs with regular, sub-regular, and irregular participle forms (6 of each, ending in /e/, /i/, /y / or IDiosyncratic) in the passé composé (perfect past). Using our Android application Jeu de verbes, verbs were presented with images (see Figure 1) to each child in an infinitival form (infinitival complements or the periphrastic future, e.g., Marie va cacher ses poupées ‘Mary will hide her dolls’) and present tense contexts (e.g., Marie cache toujours ses poupées ‘Mary always hides her dolls’). Children were prompted to produce the passé composé by answering the question ‘What did she do yesterday, Marie?’.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,034 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».