Phonetic Flooding: Immersing L2 Mandarin Learners in Tone Minimal Pairs with Ambiguous Context to Force Noticing and Enhance Lexical Encoding of Tone
Notice bibliographique
Résumé
L2 learners perceive and produce tones with above-average accuracy (Hao, 2012) but still demonstrate difficulties in recognizing words due to toneless word representations in their mental lexicon (Pelzl, Lau, Guo, & Dekeyser, 2020). L2 learners appear to rely on the interpretability of “toneless words” through semantic or grammatical contexts (Patel, Xu, & Wang, 2010). To promote lexical tone encoding, in this Teaching Tip, beginning L2 Mandarin learners are completely immersed early on in tone minimal pairs (e.g., hua1 flower : hua4 picture; song1shu3 squirrel : song1shu4 pine tree). Input is flooded with tone minimal pairs or quadruples of common words with similar frequencies and identical grammatical categories, while simultaneously reducing or completely eliminating contextual clues. This approach forces learners to focus on tones to understand meaning where successful accomplishment of tasks hinges on target-like tones (Gatbonton & Segalowitz, 1988). Furthermore, the input features High Variability Phonetic Training (e.g., phonetic environment, multiple speakers, Logan, Lively, & Pisoni, 1991) and contextual variation (passages vs words/minimal pairs, Labov, 1972). Listening activities include modified children’s games and TPR, while production activities feature games, information gaps, and more, centered on tone minimal pairs/quadruples. These activities are scaffolded with explicit instruction about pitch height, pitch direction, and secondary cues (e.g., length).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».