Neural Mechanisms of Learning and Consolidation of Morphologically Derived Words in a Novel Language: Evidence From Hebrew Speakers
Notice bibliographique
Résumé
We examined neural mechanisms associated with the learning of novel morphologically derived words in native Hebrew speakers within the Complementary Learning Systems (CLS) framework. Across four sessions, 28 participants were trained on an artificial language, which included two types of morphologically complex words: linear (root + suffix) with a salient structure, and non-linear (root interleaved with template), with a prominent derivational structure in participants' first language (L1). A third simple monomorphemic condition, which served as baseline, was also included. On the first and fourth sessions, training was followed by testing in an fMRI scanner. Our behavioural results showed decomposition of both types of complex words, with the linear structure more easily learned than the non-linear structure. Our fMRI results showed involvement of frontal areas, associated with decomposition, only for the non-linear condition, after just the first session. We also observed training-related increases in activation in temporal areas specifically for the non-linear condition, which was correlated with participants' L1 morphological awareness. These results demonstrate that morphological decomposition of derived words occurs in the very early stages of word learning, is influenced by L1 experience, and can facilitate word learning. However, in contrast to the CLS framework, we found no support for a shift from reliance on hippocampus to reliance on cortical areas in any of our conditions. Instead, our findings align more closely with recent theories showing a positive correlation between changes in hippocampus and cortical areas, suggesting that these representations co-exist and continue to interact with one another beyond initial learning.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».