MétaCan
Menu
Retour à la cohorte
Enregistrement W7154602475 · doi:10.48448/n496-4349

Top-Down Biases for Lexicality and Frequency in Both Monosyllabic and Disyllabic Stimuli: Evidence from Cantonese

2025· other· W7154602475 sur OpenAlexaff
Cognitive Science Society 2025, Ka Keung Lee, Stephen Politzer-Ahles

Notice bibliographique

RevueUnderline Science Inc. · 2025
Typeother
Langue
Domaine
Thématique
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Response biasSound localizationWord lists by frequencyWord (group theory)

Résumé

récupéré en direct d'OpenAlex

Also known as the Ganong effect, a lexicality bias effect- i.e., the bias to interpret an ambiguous sound as the phoneme that yields a real word in its context - has been widely replicated. The search for a similar frequency bias effect, on the other hand, has yielded mixed results: In English, a bias has been observed such that listeners tend to interpret an ambiguous sound as the phoneme that yields a higher-frequency word, but this has failed to be replicated in Mandarin. One difference between these studies is the use of monosyllabic vs. disyllabic stimuli. To determine the factors that influence the presence of a bias effect, the present study tested for both frequency and lexicality bias effects using monosyllabic and disyllabic stimuli in Cantonese. Results show that the lexicality and frequency bias effects can be elicited in both monosyllabic and disyllabic stimuli, but the frequency effect is weaker.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,385
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,017
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0010,011
Communication savante0,0020,002
Science ouverte0,0030,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,365
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUnderline Science Inc.Travaux en français237 207