Introduction to the research topic meaning in mind: semantic richness effects in language processing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The ultimate goal of reading is to extract meaning from printed words. However, the mechanisms that mediate orthography and semantics are not well-understood, and have rarely been implemented in computational models. To address this puzzle, one of the strategies cognitive scientists have begun to use is to examine semantic richness effects. Semantic richness effects refer to the finding that words associated with relatively more semantic information are recognized faster and more accurately, due to their possessing richer, better-specified semantic representations. Importantly, semantic richness is not a unitary concept. Instead, it draws on various theoretical perspectives and can vary along multiple dimensions. Thus, by examining which dimensions of semantic richness influence visual word recognition behavior, we gain insight about which theoretical perspectives seem to be promising descriptions of the process by which meaning is extracted from print. Our goal for this Frontiers Research Topic was to highlight the latest findings regarding semantic richness and theoretical developments on the issue of semantic processing. Our hope was to provide a forum for state-of-the-art research in this field, and to foster new theoretical advances. The 17 contributions that comprise the Research Topic certainly represent the state of the art; methodologies include ERP, fMRI, TMS, and behavioral approaches, and involve both intact and patient populations. Together, these contributions give rise to a number of inferences about semantic richness effects and implications of those effects for our understanding of semantic processing effects in visual word recognition.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle