Effects of Chinese word structure on object categorization in Chinese–English bilinguals
Notice bibliographique
Résumé
ABSTRACT We investigated how verbal labels affect object categorization in bilinguals. In English, most nouns do not provide linguistic clues to their categories (an exception issunflower), whereas in Chinese, some nouns provide category information morphologically (e.g., 鸵鸟-ostrichand 知更鸟-robinhave the morpheme鸟-birdin their Chinese names), while some nouns do not (e.g., 企鹅-penguinand 鸽子-pigeon). We examined the effect of Chinese word structure on bilinguals’ categorization processes in two ERP experiments. Chinese–English bilinguals and English monolinguals judged the membership of atypical (e.g.,ostrich,penguin) vs. typical (e.g.,robin,pigeon) pictorial (Experiment 1) and English word (Experiment 2) exemplars of categories (e.g.,bird). English monolinguals showed typicality effects in RT data, and in the N300 and N400 of ERP data, regardless of whether the object name had a category cue in Chinese. In contrast, Chinese–English bilinguals showed a larger typicality effect for objects without category cues in their name than objects with cues, even when they were tested in English. These results demonstrate that linguistic information in bilinguals’ L1 has an effect on their L2 categorization processes. The findings are explained using the label-feedback hypothesis.
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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».