How L1-Chinese L2-English learners perceive English front vowels: A phonological account
Notice bibliographique
Résumé
Second language acquisition involves readjusting features from one’s L1 onto counterparts in the L2. Learners often face difficulty during this process due to the presence of an already firmly rooted L1 grammar. Furthermore, a learner’s L1 serves to constrain sensitivity to non-native contrasts during the acquisition process. If a learner’s L2 grammar lacks the phonological feature that can differentiate a non-native contrast, then that learner may experience persistent difficulties in representing the L2 sounds as a result. Mandarin learners of English as a second language have to contend with a substantially expanded L2 vowel inventory in the early stages of acquisition, grappling with the addition of pronounced features less prevalent in their L1. In an attempt to account for front vowel acquisition difficulties and possible routes to progress for L1- Mandarin L2-English using a direct transfer approach, this work follows the Toronto School of contrastive phonology which holds that phonological representation is determined primarily through the ordering of contrastive features. We present data from recent phonetic research that catalogues Mandarin learners’ progress in incorporating English front vowels while, at the same time, examining the underlying phonological processes. This serves as the basis for a preliminary model of contrastive hierarchy in language acquisition using elements of a feature geometry paradigm. The model provides a theoretical roadmap showing that, as Mandarin learners progress and gradually incorporate English front vowels into their L2 repository, the learner’s L2 hierarchy evolves through successive stages as contrasts are perceived and categorized.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».