The association of multilingualism with diverse language families and cognition among adults with and without education in India.
Notice bibliographique
Résumé
OBJECTIVE: Early-life socioeconomic factors, such as education, closely associated with the opportunity to become multilingual (ML), are important determinants of late-life cognition. To study the cognitive advantage of multilingualism, it is critical to disentangle whether cognitive benefit is driven by multilingualism or education. With rich linguistic diversity across all socioeconomic gradients, India provides an excellent setting to examine the role of multilingualism on cognition among individuals with and without education. METHOD: Using data from the Longitudinal Aging Study in India-Diagnostic Assessment of Dementia, we evaluated the association of multilingualism by language similarity (i.e., speaking languages from the same or different language families) and education with cognition. Longitudinal Aging Study in India-Diagnostic Assessment of Dementia is a nationally representative sample of older Indian adults aged 60 and over, speaking 40 different languages and dialects (N = 4,088, 54% without formal schooling). Multilingual participants were categorized whether they spoke ≥2 languages within the same (classified as ML1) or different (classified as ML2) language families. Participants completed a comprehensive cognitive assessment assessing the domains of executive functioning, language, memory, and visuospatial ability. RESULTS: Education stratified regression models adjusted for relevant covariates in the full sample and in a propensity-score matched sample. Among those with education, multilingualism was associated with better cognitive functioning across all domains regardless of language family (all p's < .05). Among those without education, only ML1 (not ML2) was associated with better executive functioning (B = 0.17 [0.07, 0.27]) compared to monolinguals. CONCLUSIONS: These findings add to the growing literature on cognitive advantage of multilingualism, disentangling them from education and suggesting differential effects by language similarity. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 ».