MétaCan
Menu
Retour à la cohorte
Enregistrement W4230769869 · doi:10.31234/osf.io/r2q3u

MAPLE: A Multilingual Approach to Parent Language Estimates

2018· preprint· en· W4230769869 sur OpenAlexaff
Krista Byers‐Heinlein, Esther Schott, Ana Maria Gonzalez‐Barrero, Melanie Brouillard, Daphnée Dubé, Amel Jardak, Alexandra Laoun‐Rubenstein, Meghan Mastroberardino, Elizabeth Morin‐Lessard, Sadaf Pour Iliaei, Nicholas Salama-Siroishka, Maria Paula Tamayo

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePsychology
ThématiqueLanguage Development and Disorders
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Socioeconomic statusComputer scienceMapleDiversity (politics)Task (project management)PsychologySample (material)Quality (philosophy)SociologyGeographyBiologyDemography

Résumé

récupéré en direct d'OpenAlex

Bilingual infants vary in when, how, and how often they hear each of their languages. Variables such as the particular languages of exposure, the community context, the onset of exposure, the amount of exposure, and socioeconomic status are crucial for describing any bilingual infant sample. Parent report is an effective approach for gathering data about infants’ language experience, however, its quality is highly dependent on how information is elicited. This paper introduces a Multilingual Approach to Parent Language Estimates (MAPLE). MAPLE promotes best practices for using structured interviews to reliably elicit information from parents on bilingual infants’ language background, with an emphasis on the challenging task of quantifying infants’ relative exposure to each language. We discuss sensitive issues that must be navigated in this process, including diversity in family characteristics and cultural values. Finally, we identify six systematic effects that can impact parent report, and strategies for minimizing their influence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,474
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,365
Écart entre enseignants0,322 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLanguage Development and DisordersTravaux en français237 207