The similarities (and familiarities) of pseudowords and extremely high-frequency words: Examining a familiarity-based explanation of the pseudoword effect.
Notice bibliographique
Résumé
The pseudoword effect is the finding that pseudowords (i.e., rare words or pronounceable nonwords) give rise to more hits and false alarms than words. Using the retrieving effectively from memory (REM) model of recognition memory, we tested a familiarity-based account of the pseudoword effect: Specifically, the pseudoword effect arises because pseudowords lack distinctive semantic meanings. Because semantics can differentiate orthographically similar words (e.g., horse vs. house), by lacking distinctive semantics, pseudowords have greater interitem similarity than words, and hence more familiarity, which gives rise to the pseudoword effect. Across two sets of simulations, we demonstrate that this account explains the pseudoword effect in addition to accounting for why the pseudoword effect is absent when irregular nonwords are compared with words. Furthermore, our modeling efforts suggest a novel experiment that leads us to the discovery of a new concordant effect. Namely, extremely high-frequency words behave like pseudowords (giving rise to more hits and false alarms than high-frequency words) and also have less distinctive semantics than high-frequency words. We conclude that our work provides strong evidence in favor of the familiarity-based accounts of the pseudoword effect. We discuss the implications of our research with regard to various issues surrounding the pseudoword effect and REM model.
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 | 0,002 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».