How do non-native phonemes impact learning words in a second language? Evidence from eyetracking and EEG in a laboratory word learning study
Notice bibliographique
Résumé
A classic finding holds that listeners have significant difficulty categorizing and discriminating unfamiliar/nonnative phonemes. In the present study we examined how this influences learning new words in a second language (L2). Adult monolingual English speakers were trained on a pseudo-French vocabulary, by matching images of cartoon “aliens” to auditory CVCV words incorporating French vowels and consonants. Of interest was comparing words incorporating vowels similar to English to those containing highly unfamiliar vowels (here, the French high front rounded vowel [y]). Accuracy, eyetracking and event-related potentials (ERPs, measured with EEG) were then used to assess word recognition post-training. The neurocognitive measures indicated weakened recognition of words containing the novel [y] vowel, compared to words with vowels that more closely resembled those in English. Furthermore, we found that a training regime that emphasized discriminating easily confused vowels (i.e., [u] vs. [y]) during learning yielded somewhat improved recognition, both immediately after training and in a follow-up session. Interestingly, learning words containing the unfamiliar [y] vowel was not accompanied by improved AX discrimination of this vowel. The results have key implications for how we understand the role of phonology in L2 word representations, and for how we approach L2 teaching.
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 | 0,003 |
| 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 | 0,001 |
| Communication savante | 0,001 | 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 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 ».