Gender Assignment and Agreement in L2 Spanish
Notice bibliographique
Résumé
This study investigates gender assignment and agreement accuracy in the written productions of French-speaking learners of Spanish across three proficiency levels. Drawing on a medium-scale learner corpus, we coded all noun phrases for gender assignment (based on determiner inflection), for noun-adjective agreement, and for determiner-adjective agreement, and we examined the impact of various linguistic and learner-related predictors using Bayesian mixed-effects models. Although the overall error rate was relatively low, likely due to task type and familiar vocabulary, the models revealed robust effects of proficiency level and of underlying grammatical and lexical factors. Regarding gender assignment, accuracy was significantly lower for nouns with non-prototypical or ambiguous gender markers, for feminine nouns, and when Spanish and French differed in grammatical gender. Moreover, lower accuracy was observed with certain types of determiners. Noun-adjective agreement was influenced by the same factors, except for non-prototypical gender markings, which did not have a significant effect. In addition, less accuracy was observed with prenominal adjectives. Determiner–adjective agreement, in turn, only showed lower accuracy with feminine nouns, but the results of the statistical model should be interpreted with caution, due to high Pareto k values. Nevertheless, descriptive data confirm the relevance of distinguishing between noun–adjective and determiner–adjective agreement and highlight the need for larger corpora with a greater number of errors to model this phenomenon more conclusively. Overall, these findings contribute to a better understanding of gender processing in L2, demonstrate the value of medium-sized corpus analysis in second language acquisition research, and lay the groundwork for future research exploring crosslinguistic combinations beyond Spanish and French.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».