MétaCan
Menu
Retour à la cohorte
Enregistrement W2800224547 · doi:10.1075/lia.15006.mil

French-English bilingual children’s motion event communication shows crosslinguistic influence in speech but not gesture

2018· article· en· W2800224547 sur OpenAlexaff
Nadia Miller, Reyhan Furman, Elena Nicoladis

Notice bibliographique

RevueLanguage Interaction and Acquisition · 2018
Typearticle
Langueen
DomainePsychology
ThématiqueCategorization, perception, and language
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésGesturePsychologyNeuroscience of multilingualismLinguisticsMotion (physics)ConceptualizationComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Bilinguals sometimes show crosslinguistic influence from one language to another while speaking (or gesturing). Adult bilinguals have also shown crosslinguistic influence in gestures as well as speech, suggesting an underlying conceptualization that is similar for both languages. The primary purpose of the present study is to test if the same is true of simultaneous French-English bilingual children in speaking and gesturing about motion. If so, they might show different patterns from both French and English monolinguals. Furthermore, we examined whether there were developmental changes between early and middle childhood. French-English bilingual and French and English monolingual children watched two cartoons and described them. In speech, the bilinguals differed from the English monolinguals, using more lexicalizations of the Path of motion in token numbers but not in type. They did not differ from the French monolinguals. In gestures, all children used a majority of Path gestures. There were few age-related changes. We argue that in speech, the bilinguals conceptualize their two languages differently, but show some crosslinguistic influence due to processing. Gestures may not show this same pattern, because they serve to highlight the important parts of the discourse.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,008
Tête enseignante GPT0,315
Écart entre enseignants0,307 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage Interaction and AcquisitionMême sujetCategorization, perception, and languageTravaux en français237 207