When language‐general and language‐specific processes are in conflict: The case of sub‐syllabic word segmentation in toddlers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Infants use statistics-based word segmentation strategies from the preverbal stage. Statistical segmentation is, however, constrained by the Onset Bias, a language-universal principle that disfavors segmentation that harms syllable integrity. Children eventually learn language-specific exceptions to this principle. For instance, sub-syllabic parsing occurs for vowel-initial words in French liaison contexts, that is, when a word's final consonant surfaces as the following word's syllabic onset (e.g., /n/ in un /n/éléphant). In past research, French-learning 24-month-olds succeeded in parsing a vowel-initial pseudo-word surfacing with variable liaison consonants. This study further investigated infants' liaison representation, its potential impacts on parsing, and its interaction with the Onset Bias. In Experiments 1 and 2, French-learning 24-month-olds were familiarized with pseudo-words with variable liaison-like versus nonliaison-like onset consonants, preceded by words that cannot trigger those onsets (e.g., un zonche; un gonche). We found no mis-segmentation as vowel-initial and successful segmentation as consonant-initial. In Experiment 3, when the preceding words could trigger a liaison consonant that matched the onset of the following word (e.g., un nonche), infants showed a vowel-initial mis-interpretation, against the Onset Bias, revealing an effect of liaison knowledge. These results demonstrate that toddlers balance their use of language-general principles/strategies and language-specific knowledge during early acquisition.
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.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle