Text Complexity Modulates Cross-Linguistic Sentence Integration in L2 Reading
Notice bibliographique
Résumé
Cross-linguistic influences (CLI) in first-language (L1) and second-language (L2) reading have been widely demonstrated in experimental paradigms with adults at the word and sentence levels. However, less is known about CLI in adolescents during naturalistic text reading. Through eye-tracking and behavioral measures, this study investigated expository reading in functionally English monolingual and Spanish (L1) - English (L2) bilingual adolescents. In particular, we examined the role of L1 (Spanish) sentence integration skills among the bilingual adolescents when L2 school texts contained challenging syntactic structures, such as complex clauses, elaborated noun phrases, and anaphoric references. Results of generalized multilevel linear regression modeling demonstrated CLI in both offline comprehension and online eye-tracking measures that were modulated by school text characteristics. We found a positive relationship (i.e., facilitation) between L1 sentence integration skills and L2 English text comprehension, especially for passages with greater clause complexity. Similar main, but not modulatory, effects of sentence integration skill were found in online eye-tracking measures. Overall, both language groups appeared to draw upon similar reading component skills to support reading fluency and comprehension when component skills were measured only in English. However, differential patterns of association across languages became evident when those skills were measured in both L1 and L2. Taken together, our findings suggest that bilingual adolescents’ engagement of cross-linguistic resources in expository reading varies dynamically according to both language-specific semantic knowledge and language-general sentence integration skills, and is modulated by text features, such as syntactic complexity.
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 | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».