Genetic bases of language control in bilinguals: Evidence from an <scp>EEG</scp> study
Notice bibliographique
Résumé
Previous studies have debated whether the ability for bilinguals to mentally control their languages is a consequence of their experiences switching between languages or whether it is a specific, yet highly-adaptive, cognitive ability. The current study investigates how variations in the language-related gene FOXP2 and executive function-related genes COMT, BDNF, and Kibra/WWC1 affect bilingual language control during two phases of speech production, namely the language schema phase (i.e., the selection of one language or another) and lexical response phase (i.e., utterance of the target). Chinese-English bilinguals (N = 119) participated in a picture-naming task involving cued language switches. Statistical analyses showed that both genes significantly influenced language control on neural coding and behavioral performance. Specifically, FOXP2 rs1456031 showed a wide-ranging effect on language control, including RTs, F(2, 113) = 4.00, FDR p = .036, and neural coding across three-time phases (N2a: F(2, 113) = 4.96, FDR p = .014; N2b: F(2, 113) = 4.30, FDR p = .028, LPC: F(2, 113) = 2.82, FDR p = .060), while the COMT rs4818 (ts >2.69, FDR ps < .05), BDNF rs6265 (Fs >5.31, FDR ps < .05), and Kibra/WWC1 rs17070145 (ts > -3.29, FDR ps < .05) polymorphisms influenced two-time phases (N2a and N2b). Time-resolved correlation analyses revealed that the relationship between neural coding and cognitive performance is modulated by genetic variations in all four genes. In all, these findings suggest that bilingual language control is shaped by an individual's experience switching between languages and their inherent genome.
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 | 0,001 | 0,006 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 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 ».