The proportion of exception words and regular words in a reading list influences reading strategies in behavioural and fMRI data
Notice bibliographique
Résumé
There has been considerable functional neuroimaging support for a dual-pathway neuroanatomical model of reading that distinguishes between a ventral whole-word or lexical stream and a dorsal sub-word or sublexical stream. The relative contribution of these two streams while participants read aloud familiar stimuli, however, still remains unclear. This study investigated the relative involvement of the dorsal and ventral streams during reading of highly familiar stimuli by manipulating the proportion of regular words (REGs; stimuli that can be correctly processed by both ventral and dorsal streams) and exception words (EXCs; stimuli that can only be correctly processed by the ventral stream). The behavioural evidence supported modulation of lexical and sublexical pathway contributions. Specifically, when 75% of the words were REGs, both lexical and sublexical information were utilized, as evidenced by the fast reaction times and increased errors for EXCs. In contrast, when 75% of the words were EXCs, participants minimized sublexical processing, as evidenced by fast reaction times and decreased errors for EXCs. Neuroanatomical evidence provided further support, such that reading a REG-predominant list induced recruitment of both ventral and dorsal stream regions, while reading an EXC-predominant list induced recruitment of the ventral stream and the additional employment of a phonological lexical check (via BA6) as response modulation. These results support parallel operation of the dorsal and ventral stream and provide evidence that the extent to which each stream contributes to reading can be modulated
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 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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».