Lexical recruitment across contrasts in Japanese and Mandarin L2 English speakers
Notice bibliographique
Résumé
Lexical recruitment in speech perception can vary across individuals and tasks (Giovannone & Theodore, 2023). This study examines second-language (L2) English speakers to explore how lexical bias can be shaped by language background and L2 proficiency. Mandarin and Japanese speakers (ages 18–35) participated in a Ganong task for phoneme categorization using stimuli from four phonemic contrasts: /ɛ/–/æ/, /r/–/l/, /s/–/ʃ/, and /d/–/t/. Using L2 populations allows us to assess how language experience influences lexical bias without confounding age-related cognitive factors. The selected contrasts span acoustic dimensions—including formant, fricative spectra, and voice onset time. They also vary in expected difficulty across groups: the liquid contrast is likely more challenging for Japanese speakers, while the vowel contrast may be difficult for both groups but slightly less so for Japanese speakers due to exposure through English loanwords. Data collection is ongoing. Preliminary results show contrast-dependent differences in lexical bias between language groups, but no consistent correlation between English proficiency (measured through LexTALE; Lemhöfer & Broersma, 2012) and lexical bias. This suggests that language ability in L2 speakers may not directly modulate lexical recruitment. These findings suggest a potential role for native language background in integrating lexical and acoustic information in perception.
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 | 0,003 |
| 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 | 0,001 |
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 ».