The lexical bias in older adults’ compensation to altered auditory feedback
Notice bibliographique
Résumé
Older adults show a larger lexical bias when categorizing speech sounds (i.e., Ganong effect), such that they are even more biased than younger adults to categorize ambiguous tokens as real words rather than non-words (Mattys and Scharenborg, 2014). Using an altered auditory feedback paradigm, we sought to investigate whether this larger perceptual bias would be reflected in older adults’ compensation to perturbations of their own speech. Groups of older (n = 27) and younger adults (n = 35) produced monosyllabic words and non-words containing the vowel /ε/. Altered auditory feedback lowered the first formant (F1) of the vowel towards an F1 characteristic of /ɪ/. This real-time frequency manipulation shifted the perceived lexical status of the stimuli (i.e., words were shifted towards non-words, and non-words towards words). Younger adults compensated more to non-words that were shifted towards real words (e.g., kess-kiss) than to real words that were shifted towards non-words (e.g., chest-chist), consistent with previous findings (Bourguignon et al., 2014). However, older adults did not show the same pattern of compensation as younger adults, suggesting that different mechanisms are involved in older adults’ lexical bias. A combination of age-related cognitive and sensory changes likely influences the effect of lexical status on sensorimotor adaptation in older adults.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».