Eye Movement Measures of Within-Language and Cross-Language Activation During Reading in Monolingual and Bilingual Children and Adults: A Focus on Neighborhood Density Effects
Notice bibliographique
Résumé
We used eye movement measures of first-language (L1) and second-language (L2) paragraph reading to investigate how the activation of multiple lexical candidates, both within and across languages, influences visual word recognition in four different age and language groups: (1) monolingual children; (2) monolingual young adults; (3) bilingual children; and (4) bilingual young adults. More specifically, we focused on within-language and cross-language orthographic neighborhood density effects, while controlling for the potentially confounding effects of orthographic neighborhood frequency. We found facilitatory within-language orthographic neighborhood density effects (i.e., words were easier to process when they had many vs. few orthographic neighbors, evidenced by shorter fixation durations) across the L1 and L2, with larger effects in children vs. adults (especially the bilingual ones) during L1 reading. Similarly, we found facilitatory cross-language neighborhood density effects across the L1 and L2, with no modulatory influence of age or language group. Taken together, our findings suggest that word recognition benefits from the simultaneous activation of visually similar word forms during naturalistic reading, with some evidence of larger effects in children and particularly those whose words may have differentially lower baseline activation levels and/or weaker links between word-related information due to divided language exposure: bilinguals.
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 | 0,001 |
| 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) | 0,002 | 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 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 ».