論文の概要: SPAWNing Structural Priming Predictions from a Cognitively Motivated
Parser
- arxiv url: http://arxiv.org/abs/2403.07202v1
- Date: Mon, 11 Mar 2024 22:58:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 23:22:15.478730
- Title: SPAWNing Structural Priming Predictions from a Cognitively Motivated
Parser
- Title(参考訳): 認知的動機づけによるSPAWNing構造プライミング予測
- Authors: Grusha Prasad and Tal Linzen
- Abstract要約: 文処理時に人間が構築する構造表現を特徴付ける理論を構築するために,経験的プライミングパターンを用いたフレームワークを提案する。
我々はSPAWNを用いて、相対的節の構造について異なる仮定を行う2つの理論的な説明からプライミング予測を生成する。
これらの理論のうちの1つのみからの予測が経験的プライミングパターンと一致していることが判明した。
- 参考スコア(独自算出の注目度): 24.613169009428827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structural priming is a widely used psycholinguistic paradigm to study human
sentence representations. In this work we propose a framework for using
empirical priming patterns to build a theory characterizing the structural
representations humans construct when processing sentences. This framework uses
a new cognitively motivated parser, SPAWN, to generate quantitative priming
predictions from theoretical syntax and evaluate these predictions with
empirical human behavior. As a case study, we apply this framework to study
reduced relative clause representations in English. We use SPAWN to generate
priming predictions from two theoretical accounts which make different
assumptions about the structure of relative clauses. We find that the
predictions from only one of these theories (Participial-Phase) align with
empirical priming patterns, thus highlighting which assumptions about relative
clause better capture human sentence representations.
- Abstract(参考訳): 構造的プライミングは、人間の文表現を研究するために広く用いられる精神言語学パラダイムである。
本研究では,文処理時に人間が構築する構造表現を特徴付ける理論を構築するために,経験的プライミングパターンを用いたフレームワークを提案する。
このフレームワークは、認知的に動機づけられた新しいパーサーSPAWNを使用して、理論的構文から定量的プライミング予測を生成し、これらの予測を経験的人間の行動で評価する。
ケーススタディとして,この枠組みを英語における相対節表現の削減に応用する。
我々はSPAWNを用いて、相対的節の構造について異なる仮定を行う2つの理論的な説明からプライミング予測を生成する。
これらの理論のうちの1つ (Participial-Phase) からの予測は経験的プライミングパターンと一致し, 関係節に関する仮定が人間の文表現をよりよく捉えていることを示す。
関連論文リスト
- Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T09:41:19Z) - Testing the Predictions of Surprisal Theory in 11 Languages [71.0450229199313]
本研究では,11言語における副次的時間と読解時間の関係について検討する。
より多様な言語に焦点をあてることで、これらの結果は、情報理論と言語間のインクリメンタル言語処理の最も堅牢なリンクを提供すると論じる。
論文 参考訳(メタデータ) (2023-07-07T15:37:50Z) - Structural Ambiguity and its Disambiguation in Language Model Based
Parsers: the Case of Dutch Clause Relativization [2.9950872478176627]
先行文の存在が相対的節の曖昧さをいかに解決するかを考察する。
その結果、証明ネットに基づくニューロシンボリックは、普遍的な依存関係に基づくアプローチよりも、データ偏差補正に対してよりオープンであることが示された。
論文 参考訳(メタデータ) (2023-05-24T09:04:18Z) - Token-wise Decomposition of Autoregressive Language Model Hidden States
for Analyzing Model Predictions [9.909170013118775]
本研究は,各初期入力トークンに基づいて,自己回帰言語モデルから最終隠れ状態の線形分解を行う。
次単語確率の変化を重要度尺度として、まず、どの文脈語が言語モデル予測に最も貢献するかを検討する。
論文 参考訳(メタデータ) (2023-05-17T23:55:32Z) - Probing for Incremental Parse States in Autoregressive Language Models [9.166953511173903]
自己回帰型ニューラルネットワークモデルからの次の単語予測は、構文に対する顕著な感度を示す。
この研究は、漸進的な構文構造の暗黙的な表現を維持する学習能力の結果として、この振る舞いが生じる範囲を評価する。
論文 参考訳(メタデータ) (2022-11-17T18:15:31Z) - Syntactic Surprisal From Neural Models Predicts, But Underestimates,
Human Processing Difficulty From Syntactic Ambiguities [19.659811811023374]
言語モデルから構文予測可能性を推定する手法を提案する。
構文的予測可能性と語彙的予測可能性とを独立に扱うことで,園路効果のより大きい推定結果が得られた。
本研究は, 庭道文に付随する処理コストの要因は, 予測可能性だけではないという仮説を支持する。
論文 参考訳(メタデータ) (2022-10-21T18:30:56Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - Compositional Generalization Requires Compositional Parsers [69.77216620997305]
直近のCOGSコーパスにおける構成原理によって導かれるシーケンス・ツー・シーケンスモデルとモデルを比較した。
構造一般化は構成一般化の重要な尺度であり、複雑な構造を認識するモデルを必要とする。
論文 参考訳(メタデータ) (2022-02-24T07:36:35Z) - Instance-Based Neural Dependency Parsing [56.63500180843504]
依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。
私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
論文 参考訳(メタデータ) (2021-09-28T05:30:52Z) - Hierarchical Human Parsing with Typed Part-Relation Reasoning [179.64978033077222]
このタスクでは、人体構造をモデル化する方法が中心的なテーマである。
深層グラフネットワークの表現能力と階層的人間構造を同時に活用することを模索する。
論文 参考訳(メタデータ) (2020-03-10T16:45:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。