The Teaching and Learning of Third Tone Sandhi: L2- and Heritage-Learners of Mandarin Chinese in Canadian University Classes
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
In this paper, we probe the question of whether heritage leaners (HLs) have a phonological (rather than just the documented phonetic) advantage in language classes. Polinsky (2015) argues adult HLs, while divergent in morphosyntax, have certain "phonological" advantages. Chang, Yao, Haynes and Rhodes (2011) argue that HLs are more nativelike than second language (L2) learners in producing certain phonetic details. We explore the teaching and learning of Chinese T3 tone sandhi (i.e., a phonological feature that learners must acquire). Given that T3 has been argued to be the most problematic tone in both L2 perception and production among all lexical tones (Zhang, 2014(Zhang, , 2016)), we probe how "good" their sandhi pronunciation is. Our data show that the Mandarin HLs do not have a phonological advantage over (i.e., are not significantly different from) non-heritage L2 learners. Furthermore, we show that Cantonese HLs are significantly less comprehensible than non-heritage L2 learners. Little time is devoted to pronunciation in language teaching This is true in many Chinese classes in Canadian universities. Common textbooks (e.g., Integrated Chinese) emphasize vocabulary and grammar. Chinese instructors in Canadian universities face the challenge of having a mixed student population: heritage language learners (HLs) and non-heritage L2 learners. This can lead to high levels of anxiety in the HLs in the classroom (Prada & Guerrero-Rodriguez, 2020). Teachers need to be aware of this HL anxiety and cannot assume that HLs will be "experts" in their class.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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