Nuances of knowing: Brain potentials reveal implicit effects of domain knowledge on word processing in the absence of sentence‐level knowledge
Notice bibliographique
Résumé
In previous work investigating the relationship between domain knowledge (of the fictional world of Harry Potter) and sentence comprehension, domain knowledge had a greater impact on electrical brain potentials to words which completed sentences about fictional "facts" participants reported they did not know compared to facts they did. This suggests that individuals use domain knowledge continuously to activate relevant/related concepts as they process sentences, even with only partial knowledge. As that study relied on subjective reports, it may have resulted in response bias related to an individual's overall domain knowledge. In the present study, we therefore asked participants with varying degrees of domain knowledge to complete sentences describing fictional "facts" as an objective measure of sentence-level knowledge. We then recorded EEG as the same individuals (re-)read the same sentences, including their appropriate final words, and sorted these according to their objective knowledge scores. Replicating and extending Troyer et al., domain knowledge immediately facilitated access to meaning for unknown words; greater domain knowledge was associated with reduced N400 amplitudes for unknown words. These findings constitute novel evidence for graded preactivation of conceptual knowledge (e.g., at the level of semantic features and/or relations) in the absence of lexical prediction. Knowledge also influenced post-N400 memory/integration processes for these same unknown words; greater domain knowledge was associated with enhanced late positive components (LPCs), suggesting that deeper encoding during language processing may be engendered when knowledgeable individuals encounter an apparent gap in their knowledge.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».