Language Experience Influences Sociolinguistic Development: The Role of Speaker Race and Language Attitudes on Bilingual and Monolingual Adults’ Accent Processing
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Speaker race and the listener's language experience (i.e., monolinguals vs. bilinguals) have both been shown to influence accent intelligibility independently. Speaker race specifically is thought to be informed by learned experiences (exemplar model) or individual biases and attitudes (bias-based model). The current study investigates speaker race and the listener's language experience simultaneously as well as listeners' attitudes toward non-native speakers and their ability to identify the accent. METHODS: Overall, 140 White English monolinguals and 140 English/Norwegian bilinguals transcribed 60 Mandarin-accented English sentences presented in noise in the context of a White or East Asian face. Following sentence transcription, participants were asked to rate the strength of the accent heard and completed a short questionnaire that assessed their accent identification ability and their language usage, proficiency, familiarity, and attitudes. RESULTS: Results show that a listeners' ability to identify an accent and their attitudes toward non-native speakers had a significant impact on accent intelligibility and accentedness ratings. Speaker race by itself did not play a role in accent intelligibility and accentedness ratings; however, we found evidence that speaker race interacted with participants' accent identification scores and attitudes toward non-native speakers, and these interactions differed as a function of language experience. CONCLUSIONS: Our results suggest that bilinguals' sociolinguistic processing may be more in line with a bias-based model than monolinguals.
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 | 0,003 |
| 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 | 0,001 | 0,002 |
| 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 ».