Word-length Effects and Word Inversion Effects: A Study of Perceptual Transforms in the Reading of Single Words
Notice bibliographique
Résumé
Background: Reading may be processed at either the level of the whole word or its individual letters, and the word-length effect may provide an index of serial letter processing versus rapid parallel or holistic processing. How reading is performed under various perceptual transforms and whether a word inversion effect is specific for normal text (as predicted by the expertise hypothesis) is not clear. Objective: We measured the word length effect in normal text or two transformations, mirror reflection (in which the form of the whole word is preserved) or written backwards, in both upright and inverted orientation. Methods: We measured verbal response time of 12 healthy subjects reading 3- to 9-letter words presented one at a time in random order, with transformations and orientations in different, counterbalanced blocks. Results: There was a main effect of transformation (F(2,55) = 39.52, p <.0001), with Tukey's HSD test now showing differences between all three transformations. Mirror text had a larger word-length effect than either backwards text (F(1,55) = 6.56 , p <.003) or normal text (F(1,55) = 9.68, p <.003), while backwards text also had a larger word-length effect than normal text (F(1,55) = 9.68, p <.003). There was a trend to an interaction between orientation and transformation (F(2,55) = 2.77, p <0.07). Tukey's HSD test showed that the inversion effect was significant for normal text (F(1,55) = 9.68, p <.003), but not for mirror or backward transformed text. Conclusion: Reading of perceptually difficult transformed text uses primarily local letter processing, consistent with predictions that rapid parallel or holistic word processing is acquired through experience and therefore limited to familiar text formats. The inversion effect suggests that the word-length effect is a more effective index of this expert process than mean response time. Funding: Canada Research Chair and Marianne Koerner Chair in Brain Diseases (JB) Meeting abstract presented at VSS 2014
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 | 0,001 | 0,005 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».