The Teaching and Learning of Third Tone Sandhi: L2- and Heritage-Learners of Mandarin Chinese in Canadian University Classes
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, 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 (Huensch, 2019).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.
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 | 0,002 |
| 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 | 0,006 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».