From One Bilingual to the Next: An Iterated Learning Study on Language Evolution in Bilingual Societies
Notice bibliographique
Résumé
Studies of language evolution in the lab have used the iterated learning paradigm to show how linguistic structure emerges through cultural transmission-repeated cycles of learning and use across generations of speakers . However, agent-based simulations suggest that prior biases crucially impact the outcome of cultural transmission. Here, we explored this notion through an iterated learning study of English-French bilingual adults (mostly sequential bilinguals dominant in English). Each participant learned two unstructured artificial languages in a counterbalanced fashion, one resembling English, another resembling French at the phono-orthographic level. The output of each participant was passed down to the next participant, forming diffusion chains of 10 generations per language. We hypothesized that artificial languages would become easier to learn and exhibit greater structure when they were aligned with participants' bilingual experience (i.e., English languages being easier to learn overall), or as a function of practice (i.e., languages learned second being easier to learn overall). Instead, we found that English-like languages became more structured over generations, but only when they were learned first. In contrast, French-like languages became more structured regardless of the order of learning, suggesting the presence of an asymmetric switch cost during artificial language learning. Moreover, individual differences in language usage modulated the amount of structure produced by the participants. Overall, these data suggest that bilingual experience impacts how novel languages are learned at an individual level, which can then scale up to cultural transmission of novel language at a group level.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».