Self- and Other-Repairs in Child-Adult Interaction: A Case Study of a Pair of Persian-Speaking Twins
Notice bibliographique
Résumé
<p>Twenty-five years ago, Schegloff (1989) proposed that repair is the most crucial factor in understanding the nature of language development. By observing and examining the repairs children make, not only can we understand repair organization, but also children language development and cognitive stage. Research in syntactic structure of repair, self-initiated self-repair (SISR) or other-repair have gained enough attention in recent years through the works of Forrester (2008), Radford (2008), and Morgenstern, Leroy, &amp; Caef (2013). Some studies analyzed both self-repair and other-repair (Morgenstern et al., 2013; Salonen &amp; Laakso, 2009; Forrester, 2008), whereas a few other studies analyzed only other-repairs from the perspective of parents (Huang, 2011). There are many studies done regarding the incidence of self-repair over other-repair (Schegloff et al., 1977); the relationship between repair and turn (Schegloff, 1988); corrective feedback (Laakso &amp; Soininen, 2010); other-repetition (Huang, 2011); and adult’s self-repair (Laakso &amp; Sorjonen, 2010). However, there is some inconsistency in their findings. The data for this study comprised four video-recorded adult-child interactions at a children’s home in various interactional activities (role-play, short story, or watching cartoons. The purpose of this study is to examine the incidence of self- and other-repairs in the language acquisition process of Persian children and to investigate if there is a relationship between child’s self-repair and adult’s other-repair.</p>
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 | 0,008 |
| 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) | 0,000 | 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 ».