論文の概要: Modeling the Developmental Shift in Telicity Acquisition

• arxiv url: http://arxiv.org/abs/2609.17996v1
• Date: Wed, 16 Sep 2026 01:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.592608
• Title: Modeling the Developmental Shift in Telicity Acquisition
• Title（参考訳）: テリシティ獲得における発達変化のモデル化
• Abstract要約: テリシティの獲得には、第1言語(L1)学習者が、表面レベルと意味的なキューを抽象的なイベント構造にマッピングする必要がある。 GPT2トークンを2対の側頭副鼻腔診断に用いた方法の相違について紹介する。 本研究は,12の統語的および語彙的意味的特徴に基づく診断ロジスティック回帰分類器を訓練し,子音と子指向音声のテリシティのエンコード方法の比較を行った。
• 参考スコア（独自算出の注目度）: 22.672848927658958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Acquiring telicity, which is the distinction between bounded (e.g., ate an apple) and unbounded (e.g., ate apples) events, requires first language (L1) learners to map surface-level and semantic cues to abstract event structures, but the computational trajectory of this mapping is not well understood. We introduce a Difference in Surprisal method that uses GPT2 token surprisal over paired temporal adverbial diagnostics (in an hour versus for an hour) to automatically label telicity across English CHILDES corpora, validated against expert linguist judgments. Using these labels, we train diagnostic logistic regression classifiers on 12 syntactic and lexical semantic features to compare how child speech and child-directed speech encode telicity. The two models diverge: the child model reaches near perfect accuracy through a single deterministic cue, the presence of a post-verbal determiner, while the adult model relies more heavily on verb class and other lexical semantic features, with the determiner cue neutralized. This trajectory supports Syntactic Bootstrapping: learners first exploit high-frequency structural cues as a scaffold to bootstrap, before developing fully compositional, verb-based event structures.
• Abstract（参考訳）: 境界付き(例:リンゴを食べる)と非境界付き(例:リンゴを食べる)のイベントの区別であるテリシティーを取得するには、第1言語(例:リンゴを食べる)の学習者が、表面レベルと意味的なキューを抽象的なイベント構造にマッピングする必要があるが、このマッピングの計算軌道はよく理解されていない。 GPT2トークンをペアの側副詞診断(1時間対1時間)に用いて、英語 CHILDES corpora にテリシティを自動的にラベル付けし、専門家言語学者の判断に対して有効である。 これらのラベルを用いて,12の構文的および語彙的意味的特徴に基づく診断ロジスティック回帰分類器を訓練し,子どもの発話と子供指向の音声がテリシティを符号化する方法を比較した。 2つのモデルは分岐する: 子モデルは1つの決定論的キュー(言語後決定子の存在)を通してほぼ完全に精度を保ち、一方アダルトモデルは動詞クラスやその他の語彙意味的特徴に強く依存し、決定子キューは中和される。 学習者はまず、完全に構成された動詞ベースのイベント構造を開発する前に、スキャフォールトとして高周波構造キューをブートストラップに利用します。

関連論文リスト

• Structure Before Collapse: Transient semantic geometry in next-token prediction [33.942301586178914]
  Neural Collapseは、バランスの取れたワンホット分類が、モデル表現を互いに等しく遠くにプッシュする、と予測する。 次世代の予測言語モデルは、主にワンホットラベルでトレーニングされる。 トレーニングの初期に意味幾何学が出現し,共有属性によるクラスタ表現が現れる。
  論文  参考訳（メタデータ） (2026-06-25T08:33:34Z)
• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
  音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。 我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。 改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
  論文  参考訳（メタデータ） (2026-01-08T02:23:21Z)
• Vocabulary embeddings organize linguistic structure early in language model training [3.2661767443292646]
  大規模言語モデル(LLM)は、入力埋め込みベクトルの幾何を複数の層で操作することで機能する。 ここでは、言語モデルの入力語彙表現がどのように構造化され、この構造はトレーニング中にどのように進化しますか? 入力埋め込みの幾何学的構造と2つのオープンソースモデルの出力埋め込みを、セマンティック、構文、周波数ベースのメトリクスで関連付ける一連の実験を行った。
  論文  参考訳（メタデータ） (2025-10-08T23:26:22Z)
• Beyond Memorization: Assessing Semantic Generalization in Large Language Models Using Phrasal Constructions [3.0906699069248806]
  Construction Grammar (CxG) は、一般化をテストするための精神言語学的基盤となるフレームワークである。 我々のデータセットは英語のフレーズ構造で構成されており、話者は共通の場所のインスタンス化を抽象化できることが知られている。 その結果、GPT-o1を含む最先端モデルでは、第2タスクで40%以上の性能低下が見られた。
  論文  参考訳（メタデータ） (2025-01-08T18:15:10Z)
• How to Plant Trees in Language Models: Data and Architectural Effects on the Emergence of Syntactic Inductive Biases [28.58785395946639]
  事前学習は、微調整後にタスクを実行する際に、階層的な構文的特徴に依存するように言語モデルを教えることができることを示す。 アーキテクチャの特徴(深さ、幅、パラメータ数)と、事前学習コーパスのジャンルとサイズに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-31T14:38:14Z)
• VECO 2.0: Cross-lingual Language Model Pre-training with Multi-granularity Contrastive Learning [56.47303426167584]
  複数粒度アライメントを持つコントラスト学習に基づく言語間事前学習モデルVECO2.0を提案する。 具体的には、シーケンス・ツー・シーケンスアライメントが誘導され、並列対の類似性を最大化し、非並列対を最小化する。 トークン・ツー・トークンのアライメントは、シソーラス辞書を介して発掘された同義トークンと、バイリンガルな例の他の未使用トークンとのギャップを埋めるために統合される。
  論文  参考訳（メタデータ） (2023-04-17T12:23:41Z)
• Rethinking the Two-Stage Framework for Grounded Situation Recognition [61.93345308377144]
  接地状況認識は「人間のような」事象理解に向けた重要なステップである。 既存のGSR手法では、第1段階で動詞を予測し、第2段階での意味的役割を検出するという、2段階の枠組みを採用している。 本稿では,CFVM (Coarse-to-Fine Verb Model) と Transformer-based Noun Model (TNM) で構成される新しいGSR用SituFormerを提案する。
  論文  参考訳（メタデータ） (2021-12-10T08:10:56Z)
• Lattice-BERT: Leveraging Multi-Granularity Representations in Chinese Pre-trained Language Models [62.41139712595334]
  中国語のための新しい事前学習パラダイムであるLattice-BERTを提案する。 文中の文字や単語から格子グラフを構築し、これらすべてのテキスト単位をトランスフォーマーに供給します。 本モデルが12層設定で平均1.5%の増加をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-04-15T02:36:49Z)
• Infusing Finetuning with Semantic Dependencies [62.37697048781823]
  シンタックスとは異なり、セマンティクスは今日の事前訓練モデルによって表面化されないことを示す。 次に、畳み込みグラフエンコーダを使用して、タスク固有の微調整にセマンティック解析を明示的に組み込む。
  論文  参考訳（メタデータ） (2020-12-10T01:27:24Z)

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。