What Features Best Characterize Adult Second Language Utterance Fluency and What Do They Reveal About Fluency Gains in Short-Term Immersion?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study reports on how one can examine a second language (L2) speech corpus in order to define which of many possible features of L2 utterance fluency (i.e., speech fluidity) should be the focus of an L2 fluency gains investigation. Participants were 100 adult English-speakers enrolled in a French immersion program. Data from 50 randomly selected participants were assigned to Sample A for Analysis 1 and the remainder to Sample B for Analysis 2. In Analysis 1, 23 candidate speech features, drawn from the literature at large, were examined in Sample A through a series of logical and statistical steps and systematically reduced to four features as constituting a core set of L2 utterance fluency features. In Analysis 2, these four features were examined in the Sample B corpus for gains after 5 weeks of immersion. Results indicated strong gains on all four. In Analysis 3, by way of replication, we reversed the process by using the Sample B data to first define the target fluency features and then the Sample A data to test for fluency gains. The main results replicated those of Analyses 1 and 2. The four features that emerged as core L2 utterance fluency features were mean syllable run length and mean phonation run length between silent pauses, and mean syllable duration and mean silent pause duration. Mean filled pause duration did not meet the criteria for belonging to the same fluency construct. Overall, the results showed that it is possible (a) to operationally define L2 fluency markers without reference to fluency gains, and (b) to then use these fluency markers to study L2 fluency gains without the gains data having shaped the operational definition of fluency in the first place, thereby avoiding the circularity of post hoc identification of relevant variables.
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.
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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle