Lexical Representation and Processing in Cross-Script Urdu-English Bilinguals: The Case of Frequency-Balanced and Frequency-Unbalanced Cognates and Noncognates
Notice bibliographique
Résumé
The overall goal of this study was to examine the nature of lexical access and representation of frequency-balanced and frequency-unbalanced cognate and noncognate words in a previously unexamined cross-script language pair. More specifically, Experiment 1 was designed to determine if the cognate advantage obtained for same-script languages in the simple lexical decision task will also be obtained for the Urdu-English language pair. Both facilitation and inhibition effects were obtained for cognate words when participants were tested in English. This indicated nonselective lexical access and interconnectivity of the bilingual mental lexicon. However, when participants were tested in Urdu, a statistically significant cognate effect was not obtained. Experiment 2 was designed to examine whether the discrepancy in findings across cross-script studies in terms of the magnitude of the cognate and noncognate priming effect in a masked priming task can be attributed to frequency differences in the word stimuli as proposed previously. No significant priming effect was obtained for cognates or noncognates in any of the frequency-balanced conditions unlike the results from previous studies. However, a significant cognate and noncognate priming effect was found for some of the frequency-unbalanced conditions and again both facilitation and inhibition effects were suggested. The current version of the BIA+ model does not incorporate lateral inhibition effects at the phonological level for cross-script cognates. The findings from this study are explained within the BIA+ framework by allowing for lateral inhibition at the phonological level. In addition, the role of individual differences in language proficiency and processing strategy is also considered.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».