Notice bibliographique
Résumé
This article applies the notion of redeployment in second language acquisition to contact-induced diachronic changes. Of special interest are cases where a marked phonological contrast has spread across neighboring languages. Such cases suggest that listeners can re-weight and re-map phonetic cues onto novel phonological structures. On the redeployment view, cues can indeed be re-weighted, but phonological structures which underlie a new contrast are not expected to be fully novel; rather, they must be assembled from preexisting phonological structures. Emphatics are an instructive case. These are (mostly) coronal consonants articulated with tongue-root retraction. Phonological emphasis is rare among the world's languages but it is famously endogenous in Arabic and in Interior Salish and it has spread from these to not a few neighboring languages. The present study describes and analyzes the genesis of phonological emphasis and its exogenous spread to a dozen mostly unrelated languages—from Arabic to Iranian and Caucasian languages, among others, and from Interior Salish to Athabaskan and Wakashan languages. This research shows that most languages acquire emphatics by redeploying the phonological feature [RTR] (retracted tongue root) from preexisting uvulars. On the other hand, some languages acquire imitations of emphatics by redeploying the consonantal use of [low] from preexisting pharyngeals. Phonological emphasis is apparently not borrowed by neighboring languages where consonants lack a phonological feature fit for redeployment. The overall impression is that a language in contact with emphatics may newly adopt these sounds as [RTR] or [low] only if the relevant feature is already in use in its consonant system. This pattern of adoption in language contact supports the redeployment construct in second language acquisition theory.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».