Prior Knowledge Predicts Early Consolidation in Second Language Learning
Notice bibliographique
Résumé
Language learning occurs in distinct phases. Whereas some improvement is evident during training, offline memory consolidation processes that take place after the end of training play an important role in learning of linguistic information. The timing of offline consolidation is thought to depend on the type of task, with generalization of implicit knowledge suggested to take more time and sleep to consolidate. The current study aims to investigate individual differences in the timing of consolidation following learning of morphological inflections in a novel language in typical adults. Participants learned to make plural inflections in an artificial language, where inflection was based on morpho-phonological regularities. Participants were trained in the evening, and consolidation was measured after two intervals: 12 hrs. (one night) and 36 hrs. (two nights) post training. We measured both inflection of trained items, which may rely on item-specific learning, and generalization to new untrained items, which requires extraction of morpho-phonological regularities. The results for both trained and un-trained items showed two patterns of consolidation: early versus late, that is while some participants improved during the first night, others, who deteriorated in performance during the first night, improved in the later consolidation interval. Importantly, phonological awareness in L1 predicted early consolidation for trained items. Furthermore, there was no association between participants’ consolidation trajectory in trained and untrained items. Our results suggest that consolidation timing depends on the interaction between task characteristics and individual abilities. Moreover, the results show that prior meta-linguistic knowledge predicts the quality of early consolidation processes. These results are consistent with studies in rodents and humans showing that prior knowledge accelerates consolidation of newly learnt episodic memory. Finally, the rate of consolidation across exposures to the language might explain some of the variability found in the attained level of second language proficiency.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».