MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017162659
■00520250211152038
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384022855
■035    ▼a(MiAaPQ)AAI31335991
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a401
■1001  ▼aLi,  Daoxin.
■24510▼aDistributional  Learning  of  Syntactic  Generalizations.
■260    ▼a[S.l.]▼bUniversity  of  Pennsylvania.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  A.
■500    ▼aAdvisor:  Yang,  Charles.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2024.
■520    ▼aDuring  language  acquisition,  children  are  tasked  with  the  challenge  of  determining  which  words  can  appear  in  which  syntactic  constructions.  This  has  been  long  recognized  as  a  learnability  paradox.  On  one  hand,  there  are  generalizations  that  children  must  learn.  On  the  other  hand,  language  is  known  for  its  arbitrariness,  so  children  also  need  to  decide  when  not  to  generalize  and  just  resort  to  memorization.  Finally,  the  picture  is  further  complicated  by  the  lack  of  negative  evidence  during  language  acquisition.  In  this  dissertation,  by  applying  a  generalization  learning  model,  The  Tolerance/Sufficiency  Principle,  I  provide  novel  approaches  to  the  acquisition  of  a  range  of  syntactic  generalizations.Chapter  2  examines  the  acquisition  of  verb  argument  structure,  where  there  are  systematic  syntax-semantics  mappings.  I  argue  that  knowledge  of  such  syntax-semantics  mappings  should  not  and  need  not  be  innate.  Instead,  I  propose  a  computational  model  that  can  learn  these  mappings  distributionally  from  modest-sized  input  data.  I  also  conduct  model  comparisons  to  illustrate  that  the  proposed  model  yields  learning  outcomes  that  are  more  accurate  than  a  model  which  relies  on  Bayesian  inference.Chapter  3  moves  on  to  a  case  where  the  relation  between  syntax  and  semantics  is  far  less  systematic  -  the  acquisition  of  recursive  structures.  The  rules  for  recursion  differ  across  languages  and  structures.  Through  corpus  analyses  of  different  recursive  structures  across  languages,  I  demonstrate  that  the  rules  for  recursive  embedding  can  be  established  through  purely  formal  analyses  of  one-level  embedding  data,  and  the  core  semantic  properties  such  as  alienable  possession  vs.  inalienable  possession  can  be  identified  subsequently.In  Chapter  4,  I  conduct  a  series  of  artificial  language  learning  experiments,  which  find  that  both  adults  and  children  can  indeed  use  purely  distributional  cues  to  acquire  recursive  structures  as  predicted:  They  will  allow  recursive  embedding  in  an  artificial  grammar  when  there  are  sufficient  cues  in  the  exposure  supporting  the  generalization,  even  though  they  never  hear  recursively  embedded  sentences  in  the  exposure  phase.Ultimately,  this  dissertation  aims  to  contribute  quantitatively  rigorous  and  psychologically  real  solutions  to  a  well-known  learning  problem,  offering  new  perspectives  for  the  mechanisms  of  learning  generalizations.
■590    ▼aSchool  code:  0175.
■650  4▼aLinguistics.
■650  4▼aLanguage.
■650  4▼aBilingual  education.
■653    ▼aDistributional  learning
■653    ▼aGeneralization
■653    ▼aLanguage  acquisition
■653    ▼aRecursive  structure
■653    ▼aSyntax
■653    ▼aVerb  argument  structure
■690    ▼a0290
■690    ▼a0679
■690    ▼a0282
■71020▼aUniversity  of  Pennsylvania▼bLinguistics.
■7730  ▼tDissertations  Abstracts  International▼g86-02A.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162659▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서