Acquisition des attaques branchantes (complexes) par des enfants bilingues simultanés portugais-français
Bibliographic record
Abstract
Dans cet article, nous présentons les problématiques théoriques de l’étude du développement simultané de deux langues et abordons les questions empiriques et méthodologiques associées. Nous analysons des données de 10 enfants bilingues portugais-français, âgés entre 3 et 4 ans, en nous concentrant sur leurs productions d’attaques branchantes (ou complexes) présentes dans des mots élicités à l’aide d’un protocole prédéfini. Nous comparons ces données à celles d’enfants monolingues et bilingues disponibles dans la littérature, en faisant référence aux résultats obtenus à travers différentes méthodologies (corpus longitudinaux vs transversaux ; données spontanées vs induites). Nos résultats montrent que certains patrons sont communs à la plupart des bilingues évalués, notamment l’acquisition plus rapide des attaques branchantes en français par rapport au portugais. Nos résultats révèlent aussi la variation entre apprenants, notamment à propos de l’influence du type de consonne liquide (rhotique ou latérale). Nous montrons que cette variation ne peut être expliquée par un profil de dominance linguistique différent parmi les enfants concernés. Nos données suggèrent également que la question des influences inter-linguistiques ne peut être approchée facilement à l’aide de corpus de données recueillies transversalement, parce que seul un suivi longitudinal du développement peut réellement rendre compte de telles influences.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".