MétaCan
Menu
Retour à la cohorte
Enregistrement W2469593839 · doi:10.1017/s0142716416000175

Are orthographic effects language specific? The influence of second language orthography on second language phoneme awareness

2016· article· en· W2469593839 sur OpenAlexaff
Carolyn Pytlyk

Notice bibliographique

RevueApplied Psycholinguistics · 2016
Typearticle
Langueen
DomainePsychology
ThématiqueReading and Literacy Development
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésOrthographyHomophoneOrthographic projectionPsychologyLinguisticsSecond languageFirst languageMandarin ChinesePerceptionReading (process)Computer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

ABSTRACT This research investigated first language (L1) and second language (L2) orthographic effects on L2 phoneme perception. Twenty-five native English learners of Russian ( n = 13) and Mandarin ( n = 12) participated in an auditory phoneme counting task, using stimuli organized along two parameters: consistency and homophony. The learners more successfully counted phonemes in L2 words with consistent letter–phoneme correspondences (e.g., всё /fsʲɔ/, three letters/three phonemes) than in words with inconsistent correspondences (e.g., звать /zvatʲ/, five letters/four phonemes), indicating that L2 phoneme awareness is influenced by L2 orthography and that orthographic effects are not limited to the L1. In addition, the lack of any L1 homophone effects suggests that L2 orthographic effects overrode any potential L1 orthographic interference for these intermediate-level learners, suggesting orthographic effects may be language specific.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,652
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,292
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied PsycholinguisticsMême sujetReading and Literacy DevelopmentTravaux en français237 207