Assessing L1 Mandarin and L2 English influence on the L3 production of French obstruent coda voicing
Notice bibliographique
Résumé
Previous research on crosslinguistic influence in third language (L3) phonetic and phonological production has found that both the first language (L1) and the second language (L2) are possible sources of influence. Such research, however, has mainly examined language triads involving European languages and structures (e.g. vowels, VOT) shared by all three languages. In the present study, we seek to expand the empirical basis for assessing the relative contribution of learners’ L1 and L2 via a study of L1-Mandarin–L2-English–L3-French learners’ production of obstruent coda voicing, a feature and structure lacking in their L1. Two hypotheses are tested: that greater influence will come from the learners’ L2 English, and that such influence will be most common among learners of high L2, low L3 oral proficiency as measured by an accentedness task. Participants completed a carrier sentence reading task involving nonce words. We analysed two phonetic parameters: vowel–consonant (VC) duration ratio and percentage (%) obstruent voicing. Considerable support was found for primarily L2-based influence. However, the data did not support any effect of L2 or L3 proficiency. This study is one of the first to examine the production of multiple phonetic parameters for a single phonological contrast. Our results provide new evidence for L2 facilitative transfer, especially when the L1 has a different syllable structure from the L2 or L3. They also reveal that L2-based transfer may affect some phonetic cues but not others. In the present instance, in a subset of speakers we found evidence of transfer affecting only one of the two phonetic cues (the VC duration ratio or % obstruent voicing). These findings further illuminate the complex nature of L3 acquisition.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».