A leitura de palavras no bilinguismo sob o viés do modelo de dupla-rota: uma revisão sistemática
Bibliographic record
Abstract
A leitura envolve múltiplos processos interdependentes e, segundo o modelo de dupla rota, tal habilidade se dá basicamente por duas vias, a fonológica e a lexical. Ler na língua materna (L1) requer um aprendizado sistemático e é um grande desafio justamente por conta dos múltiplos processos envolvidos. Ao aprender uma segunda língua (L2), novos elementos (fonológicos, lexicais e ortográficos) são introduzidos na leitura, exigindo novas habilidades do falante. Esta revisão sistemática tem como objetivo identificar as rotas de leitura preferencialmente utilizadas por indivíduos bilíngues, na L1 e na L2, e as variáveis que influenciam sua utilização. Para isso, foram selecionados artigos científicos publicados nos últimos 10 anos em diferentes bases de dados, incluindo estudos de neuroimagem. Após a pesquisa foi possível verificar que, assim como em sujeitos monolíngues, são múltiplos os fatores que influenciam a estratégia de leitura utilizada por sujeitos bilíngues, sendo a transparência ortográfica da língua e a proficiência do leitor os principais elementos. Compreender os fatores que influenciam a habilidade leitora de sujeitos bilíngues é importante para o desenvolvimento de novas estratégias que facilitem tanto o ensino como a aprendizagem de língua adicional, bem como auxiliar na recuperação de línguas de um bi/multilíngue.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".