Notice bibliographique
Résumé
Phonological regressions or U-shaped development have frequently been observed in longitudinal studies of child speech production. However, the typology of which phonological patterns regress, and their implications for learning, have not been given much attention in the recent literature on constraint-based phonological development. One basic question is simply the definition of a phonological regression, as created by the grammar or other mechanisms, which is in turn dependent on the type of grammar and learner assumed. This paper systematically addresses the question of whether or not attested phonological regressions are incompatible with an error-driven approach to grammatical development, whereby each round of learning is predicted to move the learner closer to the target language. From this perspective, this survey discusses case studies of phonological regression in the literature, grouped according to their ease of explanation under error-driven learning. Three types are identified and exemplified: regressions which are easily explained with existing error-driven algorithms for constraint-reranking; regressions which can also be derived through error-driven learning by adopting an additional tool (for incorporating child-specific phonetic experience); and regressions whose error-driven motivation remains unclear. Another central theme of the survey is the degree of variation and lexical exceptionality among these regression patterns, and the extent to which such variability is captured in the learner's algorithms or grammar. Interim conclusions are provided, and necessary future directions for empirical and theoretical research are discussed. This article is categorized under: Linguistics > Language Acquisition Linguistics > Linguistic Theory.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».