Intralingual and interlingual effects in a pure language list
Notice bibliographique
Résumé
Abstract In various English lexical decision tasks (LDTs), bi-/multilinguals have evinced shorter response times (RTs) for cognates (i.e., words with the same meaning in two languages, e.g., the Dutch-English water ) and longer RTs for interlingual homographs (IHs; words with distinct meanings in two languages, e.g., the Dutch-English map ) compared to monolingual controls (e.g., Biloushchenko, 2017 ). This suggests that multilinguals automatically activate lexical representations from multiple languages ( Dijkstra et al., 1998 ). To further investigate language (non-)selectivity, in our English LDTs, we compare the processing of cognates and IHs to intralingual words that are similar but only exist in English (i.e., cognates to metonyms like chicken , which can refer to the animal and the closely-related sense “chicken meat”, and IHs to homonyms like bat , which has two meanings: “baseball bat” and “nocturnal flying animal”). Half of our cognates and IHs only exist in our native Dutch participants’ non-native languages (English-French) to avoid any potentially confounding effects of the supposed “special status” ( Midgley et al., 2011 ) of L1. Significant inhibition was found for homonyms and significant facilitation for metonyms and native (Dutch-English) cognates but not for non-native (English-French) cognates. These results are discussed in relation to the language non-selective hypothesis ( Dijkstra et al., 1998 ).
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».