Native and Non-Native Patterns in Conflict: Lexicon vs. Grammar in Loanword Adaptation in Brazilian Portuguese
Notice bibliographique
Résumé
English loanwords with /ʌ/ that are part of the Brazilian Portuguese (BP) lexicon are normally produced with [ɐ] (pub: [ˈpɐbɪ]). Although [ɐ] is the closest segment to /ʌ/ in the native inventory, it is highly constrained in BP: it is an allophone of /a/ that can only appear in nasal contexts. This paper investigates whether native speakers of BP generalize to novel loanwords the adaptation pattern of English /ʌ/ that is present in the BP lexicon. Two experiments were conducted, one with real loanwords and one with nonce loanwords. In the Real Loanword Experiment, participants consistently used [ɐ] both in oral (pub) and nasal contexts (funk), as predicted given the patterns in the lexicon. In the Nonce Loanword Experiment, participants used [ɐ] significantly more frequently in nasal contexts – in oral contexts, the most frequent adaptation was [a]. This reveals that speakers employ their native grammar to filter new loanwords: in contexts where [ɐ] is not licensed, they favor the corresponding licensed form. These results suggest that native speakers do not generalize non-native patterns that are present in the lexicon, mirroring what has been observed for the generalization of unnatural patterns in native grammars (e.g., Garcia 2017; Jarosz 2017).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».