Native and non-native parsing of adjective placement – An ERP study of Mandarin and English sentence processing
Notice bibliographique
Résumé
• Processing of adjective order similar for native processing in both Mandarin and English. • Mandarin adjective order is challenging even for advanced learners. • Adjective-noun pairs in Mandarin may sometimes be single words. • Individuals vary in how they detect incorrect adjective order, but with limitations. Adjectives in English and Mandarin are typically prenominal, but the corresponding grammatical rules vary in subtle ways. Our event-related potential (ERP) study shows that native speakers of both languages rely on similar processing mechanisms when reading sentences with anomalous noun-adjective order (e.g., the vase * white ) in their first language, reflected by a biphasic N400-P600 profile. Only Mandarin native speakers showed an additional N400 on grammatical adjectives (e.g., the white vase), potentially due to atypical word-by-word presentation of lexicalized compounds. English native speakers with advanced Mandarin proficiency were tested in both languages. They processed ungrammatical noun-adjective pairs in English like English monolinguals (N400-P600), but only exhibited an N400 in Mandarin. The absent P600 effect corresponded to their (surprisingly) low proficiency with noun-adjective violations in Mandarin, questioning simple rule transfer from English grammar.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».