L’effet de la langue seconde sur le traitement des mots composés chinois chez les locuteurs bilingues chinois-français et chinois-anglais
Bibliographic record
Abstract
La présente étude a examiné si les équivalents traductionnels en français ou en anglais des constituants des mots composés chinois peuvent influencer la reconnaissance des composés chinois et, si oui, s’ils affectent ce processus de la même manière. Nous avons mené une expérience d’amorçage par répétition du constituant, où les cibles étaient des mots composés chinois bimorphémiques, précédés d’un de leurs constituants ou d’un stimulus non relié. Des bilingues chinois-français et chinois-anglais ont été assignés à trois conditions d’amorçage, où les amorces étaient traduites dans leur L2 (français ou anglais) ou répétées en L1 (chinois, transcrit en pinyin). Les résultats des conditions d’amorçage en L2 révèlent que les participants reconnaissaient les mots composés chinois comme de vrais mots significativement plus rapidement lorsqu’ils étaient précédés d’un de leurs constituants, en français ou en anglais, que lorsqu’ils étaient précédés d’un stimulus non relié. Cet effet n’est pas limité à une L2 spécifique, puisque les effets d’amorçage des constituants provoqués par les amorces en français et en anglais ont partagé le même patron. Nous n’avons pas trouvé d’effet d’amorçage par répétition d’un constituant en chinois, ce qui pourrait être dû à la difficulté à traiter le pinyin. Nous proposons que l’effet d’amorçage par répétition du constituant en L2 sur le traitement des mots composés chinois appuie l’hypothèse d’un lexique mental bilingue intégré caractérisé par une connectivité au niveau non seulement lexicale, mais aussi infralexicale.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".