Second language acquisition of the semantics of focus-sensitive presupposition triggers in English and Persian
Notice bibliographique
Résumé
Une des différences entre l'acquisition d'une langue première (L1), un processus qui est toujours réussi, et l'acquisition d'une langue seconde (L2), où l'apprenant ne réussira pas forcément à acquérir les représentations linguistiques ciblées, est que les apprenants en L2 sont déjà équipés du système de leur L1. En fait, de multiples études ont montré que les apprenants font des erreurs systématiques dans leur L2 qui peuvent être attribuées aux caractéristiques de leur L1. L'étude actuelle contribue au domaine du transfert en L1 en étudiant l'acquisition – en L2 – des propriétés sémantiques liées au mot even 'même' en anglais et en perse. En particulier, l'accent sera mis sur le présupposé additif de even et comment ce présupposé se manifeste dans les deux langues. L'étude considérera deux cas d'apprentissage: les locuteurs natifs du perse (L1) qui sont des apprenants de l'anglais (L2) et des locuteurs natifs de l'anglais (L1) qui sont des apprenants du perse (L2). Ces deux langues diffèrent par rapport à la façon dont le présupposé additif est déclenché: En anglais, le présupposé additif de even n'est exprimé de manière explicite que lorsque even est employé en position prénominale. Je présume que ce présupposé est exprimé de façon muette parce qu'il ne correspond pas directement à un mot prononcé et que l'on observe des contraintes syntaxiques. De plus, ce présupposé est communiqué indirectement parce que c'est une fonction secondaire de even, en supposant que cette particule est principalement employée pour exprimer la surprise, l'inattendu ou l'improbabilité. Par conséquent, l'hypothèse sera que les locuteurs natifs de l'anglais débuteront leur acquisition du perse avec un système d'encodage indirect et muet du présupposé additif en raison d'un transfert de leur L1. D'autre part, les locuteurs natifs du perse interprèteront en anglais le sens de even comme s'il se trouve un système qui transmet le présupposé additif de façon explicite en anglais: le présupposé additif en perse est communiqué par le mot ham. Dans cette étude, l'hypothèse de réassemblage de traits (Feature Reassembly Hypothesis; Lardiere 2005, 2008, 2009 et travaux ultérieurs) a été utilisée comme point de vue théorique pour expliquer pourquoi les apprenants d'une L2 quelconque échouent et réussissent à acquérir le système sémantique de cette L2, comme décrit ci-dessus. Cette théorie prend pour acquis l'existence d'une étape dans l'acquisition d'une L2 où les apprenants créent des correspondances entre les traits de leur L1 et ceux d'une L2, ainsi qu'une étape subséquente lors de laquelle les erreurs et les incohérences causées par des tentatives de correspondances erronées sont résolues. Des expériences vérifiant les jugements de félicité ont été administrées auprès de deux groupes d'apprenants de niveau intermédiaire et avancé, le tout afin d'examiner le développement de la L2 lors des deux stades d'acquisition. Les résultats indiquent de forts effets de la L1 qui persistent dans les deux niveaux d'acquisition – et en apprenant l'anglais, et en apprenant le perse. Ces résultats suggèrent que converger sur une représentation sémantique ciblée peut être difficile en raison d'effets de la L1 tenaces. En particulier, les locuteurs natifs de l'anglais apprennent relativement facilement que le système anglais ne fonctionne pas pour interpréter les données du perse, mais ils ont une grande difficulté à acquérir le système turc de présupposé additif étant donné que le contraste entre additif et non-additif n'est associé à aucun déclencheur lexical dans leur langue native.
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 | 0,001 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».