How does one’s first language writing script modulate second language reading: evidence from the English Reading Online Project (ENRO)
Notice bibliographique
Résumé
Abstract Approximately half of the world’s population is multilingual, and many read in a second language. Thus, an open question is whether and how people’s multilingual knowledge impacts their second language reading processes. To this end, we investigated whether competing influences from people’s first language (L1) writing system (i.e., alphabetic, logographic, or alphasyllabic) impact second language (L2) reading of English (alphabetic). Based on models of L1 and L2 reading, we hypothesized that matches/mismatches in people’s L1 and L2 writing scripts would modulate the expected relationship between L2-English reading proficiency and how often people use their L2 in daily life. Using a subsample of 1073 adults from Siegelman et al. (2023), we found that readers with mismatching L1 writing scripts varied on both English Single Word Accuracy and Speed Measures, and English Extended Word Measures, over and above the expected effects of L2 reading usage. L1-alphabetic and alphasyllabic readers were faster and more accurate than L1-logographic speakers on Single Word Speed and Accuracy Measures. L1-logographic readers were also faster but lower in accuracy on Extended Word Measures vs. L1-alphabetic and alphasyllabic readers. These findings indicate that multilingual knowledge and experience mutually constrain L2 reading and suggest future avenues of theoretical and empirical inquiry.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».