Notice bibliographique
Résumé
Abstract Schwartz and Sprouse (2021) argue against property-by-property Transfer ( Westergaard, 2021a , b ) and for wholesale transfer ( Rothman, 2015 ) into a third language grammar by questioning the cognitive plausibility of “extracting a proper subpart from the … grammar and using that proper sub-system as the basis for a new cognitive state.” I will argue that the insights from the approaches of López (2020) ; Lightfoot (2020) ; Dresher (2018) , and Westergaard (2021a) when applied to empirical data from L3 English data from L1 Arabic/L2 French speakers, give us reason to question Schwartz and Sprouse’s defence of wholesale transfer, and its typological underpinnings. We can set the study of L3A in a larger context which can unify domains such as the acquisition of phonology and syntax via a unified approach to parsing. By invoking an underspecified, minimal UG, primary linguistic data, and domain-general third factors which act in concert to parse the E-language to select structures, we can capture the underlying similarity of first, second, and third language acquisition. Parsing proceeds in an error-driven fashion, structure by structure, drawing on the Integrated I-language and UG options found in a Repository. In essence, this approach renders the wholesale/property-by-property distinction a false dichotomy.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».