MétaCan
Menu
Retour à la cohorte
Enregistrement W4411132555 · doi:10.5430/wjel.v15n6p325

Exploring the Acquisition of English Plural Formation and Compounding: Insights from L1 speakers of Libyan Arabic

2025· article· en· W4411132555 sur OpenAlexvenueno aff
Hatem Essa

Notice bibliographique

RevueWorld Journal of English Language · 2025
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLanguage, Linguistics, Cultural Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPluralCompoundingArabicLinguisticsNatural language processingComputer scienceWord formationArtificial intelligencePhilosophyMedicine

Résumé

récupéré en direct d'OpenAlex

One of the most widely studied morphological phenomena in psycholinguistics is the avoidance of regular but not irregular plurals in noun compounds (e.g., rats eater vs. mice eater). This study addresses this issue by examining the acquisition of English synthetic and root compounding by L1 speakers of Libyan Arabic, focusing on the role of L1 transfer and Universal Grammar (UG) in learning this presyntactic property. Specifically, it investigates whether morphological constraints on plural formation in noun compounds are universally available to second language learners or subject to L1 influence. Participants were selected at different phases of learning English in the classroom to offer an indication of possible developmental progress. A forced-choice gap-filling task was used to investigate how learners apply pluralization rules in English compounds. The results suggest some evidence of L1 influence, but no clear indication of UG influence. Moreover, little development change was observed across proficiency levels. These findings challenge the claims that morphological level-ordering is universally and innately accessible (e.g., Clahsen, 1991; Clahsen et al., 1992; Gordon, 1985). Overall, the results are consistent with an L1 transfer/access to UG view of the L2 acquisition of pre-syntactic properties, without providing strong support for this position.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,227
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Journal of English LanguageMême sujetLanguage, Linguistics, Cultural AnalysisTravaux en français237 207