Everyday language input and production in 1001 children from 6 continents
Notice bibliographique
Résumé
Language is a universal human ability, acquired readily by young children who otherwise struggle with many basics of survival1,2. And yet, language is variable across individuals. Behavioral and experimental observations suggest that children’s linguistic skills vary with factors like socioeconomic status3, children’s gender4, and multilingualism5. But which factors really influence children’s day-to-day language use? Here we leverage speech technology in a big-data approach to report on a unique cross-cultural and diverse data set: >2,500 day-long, child-centered audio-recordings of 1,001 2- to 48-month-olds from 12 countries spanning 6 continents across urban, farmer-forager, and subsistence-farming contexts. As expected, age and language-relevant clinical risks and diagnoses6 strongly correlated with how much speech (and speech-like vocalization) children produced. Critically, so too did adult talk in children’s environments: Children who heard less talk from adults produced less speech. In contrast to previous conclusions based on more limited sampling methods and a different set of language proxies, socioeconomic status, child gender, and multilingualism were not associated with children’s productions over the first four years of life. These findings from large-scale naturalistic data advance our understanding of what factors are robust predictors of variability in language behaviors of young learners in a wide range of everyday contexts.
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 | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».