論文の概要: Assessing Cognitive Effort in L2 Idiomatic Processing: An Eye-Tracking Dataset

• arxiv url: http://arxiv.org/abs/2605.04857v1
• Date: Wed, 06 May 2026 12:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.820176
• Title: Assessing Cognitive Effort in L2 Idiomatic Processing: An Eye-Tracking Dataset
• Title（参考訳）: L2慣用音処理における認知的努力の評価:視線追跡データセット
• Abstract要約: 本稿では,第2言語(L2)学習者が慣用表現をどのように処理するかを検討するために設計された視線追跡データセットの開発と妥当性について述べる。 このリソースは、すべてのCEFR習熟度(A1-C2)のポルトガル語L1話者から記録された視力測定によって、これらのコストをキャプチャする。 予備分析は、言語習熟度と回帰眼球運動の強い逆相関を明らかにすることでデータセットを検証する。 このデータセットは、人間の処理モデルと、人間のような図形的理解を伴う大きな言語モデルのアライメントの両方を評価するための認知的基盤となるベンチマークとして機能する。
• 参考スコア（独自算出の注目度）: 0.06372261626436675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the development and validation of an eye-tracking dataset designed to investigate how second-language (L2) learners process idiomatic expressions. While native speakers often rely on direct retrieval of figurative meanings, L2 speakers frequently adopt a literal-first approach, which incurs measurable cognitive costs. This resource captures these costs through ocular metrics recorded from Portuguese L1 speakers of English across all CEFR proficiency levels (A1-C2). Although the study uses entry-level 60 Hz hardware (Tobii Pro Spark), we demonstrate that this sampling rate provides sufficient data density to detect macro-cognitive events such as fixations and regressions in reading. Preliminary analysis validates the dataset by revealing a strong inverse correlation between language proficiency and regressive eye movements. Integrated into the MIA (Modeling Idiomaticity in Human and Artificial Language Processing) initiative, this dataset serves as a cognitively grounded benchmark for evaluating both human processing models and the alignment of large language models with human-like figurative understanding.
• Abstract（参考訳）: 本稿では,第2言語(L2)学習者が慣用表現をどのように処理するかを検討するために設計された視線追跡データセットの開発と妥当性について述べる。 ネイティブ話者は、しばしば比喩的意味の直接的検索に依存するが、L2話者はしばしばリテラル優先のアプローチを採用し、測定可能な認知コストを発生させる。 このリソースは、すべてのCEFR習熟度(A1-C2)にわたって、ポルトガル語のL1話者から記録された視線測定により、これらのコストをキャプチャする。 本研究は、エントリーレベル60Hzのハードウェア(Tobii Pro Spark)を用いているが、このサンプリングレートは、修正や読み出しの回帰といったマクロ認知イベントを検出するのに十分なデータ密度を提供することを示した。 予備分析は、言語習熟度と回帰眼球運動の強い逆相関を明らかにすることでデータセットを検証する。 MIA(Modeling Idiomaticity in Human and Artificial Language Processing)イニシアチブに統合されたこのデータセットは、人間の処理モデルと、人間のような図形的理解を伴う大規模言語モデルのアライメントを評価するための認知的基盤となるベンチマークとして機能する。

関連論文リスト

• SinFoS: A Parallel Dataset for Translating Sinhala Figures of Speech [0.23332469289621785]
  文化的・言語的アノテーションを用いた 2,344 Sinhala 文字のコーパスについて紹介する。 データセット内の2種類のFOSを区別し,約92%の精度を達成するバイナリ分類器を開発した。
  論文  参考訳（メタデータ） (2026-02-09T18:48:06Z)
• Zero-Shot Cognitive Impairment Detection from Speech Using AudioLLM [9.84961079811343]
  音声は、認知低下を評価するための非侵襲的で容易に収集可能なバイオマーカーとして注目されている。 従来の認知障害検出法は、音声から抽出された音響的特徴と言語的特徴に基づいて訓練された教師付きモデルに依存している。 音声入力とテキスト入力の両方を処理可能なモデルであるQwen2- Audio AudioLLMを用いた,最初のゼロショット音声ベースのCI検出手法を提案する。
  論文  参考訳（メタデータ） (2025-06-20T01:28:43Z)
• VLM-HOI: Vision Language Models for Interpretable Human-Object Interaction Analysis [8.676256316312877]
  対象物間相互作用(HOI)検出タスク(bfVLM-HOI)の目的関数形式としてVLMを明示的に活用する新しい手法を提案する。 VLMの言語理解を十分に活用するために言語的にHOI三重項を表現し、その局所化とオブジェクト中心の性質からCLIPモデルよりも適している。 提案手法の有効性を実証し,ベンチマーク上での最先端HOI検出精度を実現する。
  論文  参考訳（メタデータ） (2024-11-27T04:13:23Z)
• The Interpreter Understands Your Meaning: End-to-end Spoken Language Understanding Aided by Speech Translation [13.352795145385645]
  音声翻訳(ST)は、エンドツーエンドの音声言語理解のために、音声モデルを事前訓練する良い方法である。 我々は,本モデルが単言語および多言語意図分類に基づくベースラインよりも高い性能を達成することを示す。 また、音声要約のための新しいベンチマークデータセットを作成し、低リソース/ゼロショットを英語からフランス語またはスペイン語に転送する。
  論文  参考訳（メタデータ） (2023-05-16T17:53:03Z)
• CONCRETE: Improving Cross-lingual Fact-checking with Cross-lingual Retrieval [73.48591773882052]
  ほとんどのファクトチェックアプローチは、他の言語におけるデータ不足の問題にのみ英語に焦点を当てている。 クロスリンガル検索を付加した最初のファクトチェックフレームワークを提案する。 提案したクロスリンガル逆クローズタスク(XICT)を用いてレトリバーを訓練する。
  論文  参考訳（メタデータ） (2022-09-05T17:36:14Z)
• Bridging the Gap between Language Models and Cross-Lingual Sequence Labeling [101.74165219364264]
  大規模言語間事前学習言語モデル (xPLM) は、言語間シーケンスラベリングタスクにおいて有効であることを示す。 大きな成功にもかかわらず、事前学習と微調整の段階の間には訓練対象のギャップがあるという経験的観察を描いている。 本稿では,まず,言語間インフォーマティブ・スパン・マスキング(CLISM)と呼ばれるxSLのための事前学習タスクを設計し,目的のギャップを解消する。 第2に、コントラスト学習を利用して入力並列表現間の一貫性を促進するContrAstive-Consistency Regularization (CACR)を提案する。
  論文  参考訳（メタデータ） (2022-04-11T15:55:20Z)
• From Good to Best: Two-Stage Training for Cross-lingual Machine Reading Comprehension [51.953428342923885]
  モデル性能を向上させるための2段階のアプローチを開発する。 我々は、トップk予測が正確な答えを含む確率を最大化するために、ハードラーニング(HL)アルゴリズムを設計する。 第2段階では, 正解と他の候補との微妙な違いを学習するために, 解答を意識したコントラスト学習機構が開発された。
  論文  参考訳（メタデータ） (2021-12-09T07:31:15Z)
• Leveraging Pre-trained Language Model for Speech Sentiment Analysis [58.78839114092951]
  本研究では、事前学習された言語モデルを用いて、文章の感情情報を学習し、音声の感情分析を行う。 本稿では,言語モデルを用いた擬似ラベルに基づく半教師付き訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-11T20:15:21Z)
• AM2iCo: Evaluating Word Meaning in Context across Low-ResourceLanguages with Adversarial Examples [51.048234591165155]
  本稿では, AM2iCo, Adversarial and Multilingual Meaning in Contextを提案する。 言語間文脈における単語の意味の同一性を理解するために、最先端(SotA)表現モデルを忠実に評価することを目的としている。 その結果、現在のSotAプリトレーニングエンコーダは人間のパフォーマンスにかなり遅れていることが明らかとなった。
  論文  参考訳（メタデータ） (2021-04-17T20:23:45Z)
• Towards Relevance and Sequence Modeling in Language Recognition [39.547398348702025]
  本稿では,言語認識における短系列情報を利用したニューラルネットワークフレームワークを提案する。 音声認識タスクの関連性に基づいて、音声データの一部を重み付けする言語認識に関連性を取り入れた新しいモデルを提案する。 NIST LRE 2017 Challengeにおいて、クリーン、ノイズ、マルチ話者音声データを用いて言語認識タスクを用いて実験を行う。
  論文  参考訳（メタデータ） (2020-04-02T18:31:18Z)
• On the interaction between supervision and self-play in emergent communication [82.290338507106]
  本研究は,2つのカテゴリの学習信号と,サンプル効率の向上を目標とする学習信号の関係について検討する。 人間のデータに基づく教師付き学習による初等訓練エージェントが,自己演奏が会話に優れていることが判明した。
  論文  参考訳（メタデータ） (2020-02-04T02:35:19Z)

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。