Context matters: How do task demands modulate the recruitment of sensorimotor information during language processing?
Notice bibliographique
Résumé
Many theories of semantic representation propose that simulations of sensorimotor experience contribute to language processing. This can be seen in the body-object interaction effect (BOI; how easily the human body can interact with a word’s referent). Words with high BOI ratings (e.g., ball ) are processed more quickly than words with low BOI ratings (e.g., cloud ) in various language tasks. This effect can be modulated by task demands. Previous research established that when asked to decide if a word is an object (entity condition), a BOI effect is observed, but when asked to decide if a word is an action (action condition), there is no BOI effect. It is unclear whether the null behavioral effect in the action condition reflects top-down modulation of task-relevant sensorimotor information or the absence of bottom-up activation of sensorimotor simulations. We investigated this question using EEG. In Experiment 1 we replicated the previous behavioral findings. In Experiment 2, 50 participants were assigned to either the entity or action conditions and responded to the same word stimuli. In both conditions we observed differences in ERP components related to the BOI effect. In the entity condition the P2 mean amplitude was significantly more positive for high compared to low BOI words. In the action condition the N400 peak latency was significantly later for high compared to low BOI words. Our findings suggest that BOI information is generated bottom-up regardless of task demands and modulated by top-down processes that recruit sensorimotor information relevant to the task decision.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».