Feature reassembly and L1 preemption: Acquiring CLLD in L2 Italian and L2 Romanian
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
This study investigates feature acquisition and feature reassembly associated with Clitic Left Dislocation (CLLD). The article compares the acquisition of CLLD in second language (L2) Italian to L2 Romanian to examine effects of first language (L1) transfer, construction frequency and the type of interface involved (external vs. internal interface) within the same syntactic construction. The results from an acceptability judgment task and a written elicitation task show that while English near-native speakers of Italian/Romanian acquired the L2 constraints on CLLD, which is [+anaphor] for Italian and [+specific] for Romanian, data from both Romanian L2 learners of Italian and Italian L2 learners of Romanian showed persistent L1 transfer effects. Target-like acquisition for these groups requires both grammatical expansion and retraction; Romanian CLLD requires the addition of an L1-unavailable [+specific] feature and the loss of a [+anaphor] feature, while Italian CLLD requires the addition of an L1-unavailable [+anaphor] and the loss of a [+specific] feature. The reported findings extend evidence in favour of the Feature Reassembly Hypothesis to the syntax-discourse interface, as reassembly of interpretational features associated with CLLD proved more difficult than feature acquisition. While learners at the near-native levels were able to broaden the contexts that allow a clitic in the L2 (grammatical expansion), L1 preemption difficulties were attested as well. This was the case regardless of the frequency of the relevant construction in the input and the type of L2 feature that needed to be added/removed.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle