Le rôle de l’aspect lexical et de la fréquence des formes dans l’input sur la production des formes du passé par des enfants apprenants du français L2 en début d’acquisition
Bibliographic record
Abstract
Résumé : L’objectif de cette étude est d’examiner le rôle de l’aspect lexical et de la fréquence des formes dans l’input dans la production orale des formes du passé par des enfants suédois (âgés de 4 à 9 ans) apprenants du français langue seconde (L2) en immersion. Le rôle de la fréquence dans l’input est souvent négligé dans les études sur l’influence de l’aspect lexical tout comme les caractéristiques spécifiques des verbes le sont dans les études consacrées à l’influence de la fréquence des formes. L’analyse de 21 verbes dans l’input puis dans la production des cinq enfants durant les deux premières années d’exposition au français montre un recoupement entre les deux facteurs. Bien que les enfants produisent la plupart des verbes selon leur aspect lexical, les fréquences type et d’occurrence dans l’input permettent d’expliquer à la fois le marquage correct du passé ainsi que la variation que l’on trouve dans les groupes de verbes étudiés. Les résultats confirment ainsi les prédictions d’une approche basée sur l’usage selon laquelle les apprenants construisent leur grammaire à partir de leur expérience de l’input.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| 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) | 0.008 | 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".