Marqueurs de compétence (socio)linguistique chez des apprenant(e)s universitaires de français langue seconde: l'accord verbal de nombre et la particule négative «ne»
Bibliographic record
Abstract
Par le biais d’un cadre théorique composite (perspectives acquisitionniste et sociolinguistique variationniste), cette thèse examine deux indicateurs de compétence (socio)linguistique parmi des apprenants anglophones de français du programme bilingue de l’université de Yaoundé, à partir d’un corpus oral. \nLe taux élevé d’accord au pluriel observé chez les apprenants L2 véhicule une information importante sur leur stade développemental en L2. En effet, l’Accord verbal de nombre (AVN [1]) est une dimension clé de la morphologie flexionnelle verbale, car il constitue une pierre d’achoppement pour les apprenants L2 : les règles de son fonctionnement ne sont habituellement maitrisées que dans les stades avancés du processus d’apprentissage linguistique (cf. Bartning, 1997/Bartning & Schlyter, 2004; Prévost, 2009; Ågren, 2014/2017). \nPar ailleurs, cette recherche met en lumière de précieux renseignements sur la compétence sociolinguistique des apprenants L2 et sur la trajectoire du français parlé au Cameroun. Cette étude a entre autres trouvé que les locuteurs camerounais sondés, contrairement aux locuteurs européens et canadiens, conservent la particule de négation ne à une proportion extrêmement élevée. \n \n[1] « AVN », « Accord sujet-verbe en nombre », « accord verbal en nombre », « accord en nombre sujet-verbe» sont aussi utilisés dans la littérature pour faire référence au même phénomène grammatical. Des \nsituations en français parlé où « le nombre n’est marqué que sur certains groupes de verbes et dans certains contextes phonologiques » (cf. Ågren, 2014).
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".