통계언어획득

Statistical language acquisition
다음에 대한 시리즈 일부
언어학
일반언어학
응용 언어학
이론 프레임워크
주제
포털

발달 심리언어학의 한 분야인 통계언어 습득은 인간이 자연언어를 인지, 생산, 이해, 의사소통하는 능력을 그 모든 측면(phonological, synthetic, 어휘, 형태론, 의미론)에서 s에서 운용하는 일반적 학습 메커니즘의 이용을 통해 개발하는 과정을 연구한다.언어 입력의 누더기 무늬통계 학습 습득은 유아 언어 학습이 선천적인 생물학적 문법보다는 패턴 인식에 기초한다고 주장한다.단어의 빈도, 빈번한 틀, 음운 패턴 및 기타 규칙성과 같은 몇 가지 통계적 요소들은 언어 구조와 언어 습득의 용이성을 위한 의미에 대한 정보를 제공한다.

철학

통계적 언어 습득 연구의 기본은 합리주의(또는 심리언어학계의 현대적 표현, 자연주의)와 경험주의 사이의 수세기 동안의 논쟁이며, 이 분야의 연구자들은 후자의 범주를 강하게 지지하고 있다.자연주의는 인간이 타고난 도메인별 지식, 특히 언어 학습에 대한 선천적인 능력을 가지고 태어난다는 입장이다.데카르트, 스피노자, 라이프니츠 같은 17세기 합리주의 철학자부터 리차드 몬태규 같은 현대 철학자, 노암 촘스키 같은 언어학자까지, 네이티비스트들은 언어 습득의 특정한 기능을 가진 선천적인 학습 메커니즘을 상정하고 있다.[1]

현대에 있어서, 이 논쟁은 촘스키의 보편적인 문법, 즉 언어 습득 장치(LAD)의 논쟁적인 포고를 통해, 모든 자연 언어가 가져야 할 속성, 가능한 모든 언어 대안을 검색하고 언어 학습을 담당하는 본능적인 정신적 '조직'을 크게 에워싸고 있다.학습자의 환경 언어 입력에 가장 적합한 매개변수촘스키 이론의 상당 부분은 자극(POTS) 주장의 빈곤에 근거하고 있는데, 이 자료만으로는 언어를 배우는 것이 불가능할 정도로 아이의 언어 데이터가 제한되고 타락했다는 주장이다.예를 들어, POTS의 많은 지지자들은 아이들이 부정적인 증거, 즉 어떤 구절이 문법적이지 않은지에 대한 정보에 결코 노출되지 않기 때문에, 그들이 배우는 언어 구조는 언어 고유의 학습 메커니즘이 없다면 올바른 언어의 그것과 유사하지 않을 것이라고 주장한다.[2]촘스키의 언어, 생물언어학을 담당하는 내부 시스템에 대한 주장은 3요소 모델을 제시한다."유전적 기부"는 유아가 언어적 정보를 추출하고 규칙을 탐지하며 보편적인 문법을 가질 수 있도록 한다."외부 환경"은 다른 사람들과 상호작용할 필요성과 어린 나이에 언어 노출의 이점을 조명한다.마지막 요소는 아이들이 패턴과 전략을 사용하여 언어를 빠르게 습득할 수 있도록 하는 두뇌 속성, 학습 원리, 계산 효율을 포함한다.

이 입장과 극명한 대조를 이루는 것은 경험론, 즉 모든 지식은 감각 경험에서 나온다는 인식론적 이론이다.이 사상학파는 종종 초기의 마음을 타불라 라사, 즉 백지상태로 특징짓고 있으며, 여러 면에서 "자연 대 양육 논쟁"의 양육 관점과 관련될 수 있다.이 관점은 17세기 로크, 베이컨, 홉스, 그리고 다음 세기 흄과 같은 경험주의 철학자들로부터 시작하여 합리주의의 그것과 유사한 오랜 역사적 전통을 가지고 있다.경험론의 기본 원칙은 환경에서의 정보가 그 패턴이 도메인-일반 학습 메커니즘에 의해 탐지될 수 있고 추출될 수 있을 정도로 충분히 구조화되어 있다는 것이다.[1]언어 습득의 관점에서, 이러한 패턴은 자연에서 언어적이거나 사회적인 것일 수 있다.

촘스키는 이 경험적 언어 습득 이론에 대해 매우 비판적이다.그는 "다양한 언어 문제에 통계적 모델을 적용하려는 노력이 많은 것은 사실"이라고 말했다.일부 성공은 있었지만 실패는 많았다고 생각한다."그는 언어를 습득하기 위해 통계적 방법을 사용한다는 생각은 언어를 습득하는 방법에 대한 진정한 이해라기 보다는 단순히 과정을 흉내내는 것이라고 주장한다.[3]

실험 패러다임

헤드턴 기본 설정 절차(HPP)

통계적 언어 습득을 위한 유아 역량 조사에서 가장 많이 사용되는 실험 패러다임 중 하나는 스탠포드 심리학자 앤 페르날드가 정상적인 성인 언어보다 유아 주도적 언어의 프로토타입적 선호도를 연구하기 위해 1985년 개발한 헤드턴 선호 절차(HPP)이다.[4]고전적인 HPP 패러다임에서 유아는 자유롭게 고개를 돌릴 수 있도록 허용되며, 조명이 장착된 두 스피커 사이에 앉는다.그리고 나서 그 스피커가 유아에게 청각적 또는 언어적 입력 자극을 제공할 때 오른쪽 또는 왼쪽 스피커의 빛이 깜박인다.주어진 측면에 대한 신뢰할 수 있는 방향은 해당 측면의 스피커와 관련된 입력에 대한 선호도의 표시로 간주된다.이 패러다임은 유아 음성 인식 연구, 특히 음절보다 높은 수준의 입력에 대해 점점 더 중요해졌지만, 관련 의존적 척도로 측면 선호 대신에 청취 시간을 사용하는 것을 포함한 일부 수정은 있었다.[5]

조건화된 헤드턴 절차

HPP와 유사하게, 조건부 헤드턴 절차는 또한 해당 측면과 관련된 입력 또는 언어에 대한 선호도 또는 더 자주 친숙함을 나타내기 위해 주어진 측면에 대한 유아의 차등 선호도를 이용한다.Gout 외 연구진에 의한 프로소딕 경계표지 연구에 사용된다.(2004)[5] 이후 베르커에 의해 모국어 음운에 대한 범주적 인식에 대한 고전적 연구에서 유아는 어떤 특정한 입력이 들릴 때마다 두 방향 중 하나를 보도록 어떤 매력적인 이미지나 표시에 의해 조건화된다.[6] 통트의 경우 전체 단어와 베르커의 경우 하나의 음운 음절이다.조건화 후 신생아에게 새롭거나 더 복잡한 입력이 제시되며, 초기 표적 단어를 감지하거나 두 시험의 입력을 구별하는 능력은 조건화된 디스플레이를 기대하여 고개를 돌리는지 여부에 의해 관찰된다.

예상 안구 운동

HPP와 조건화된 헤드턴 절차는 자극에 대한 행동 반응의 관찰을 허용하고 대상자의 기대가 이러한 행동에 동기를 부여하기 위해 무엇이었는지에 대한 사실 추론 후에, 예측 눈 운동 패러다임은 연구자들이 사건이 발생하기 전에 대상자의 기대를 직접 관찰할 수 있게 한다.연구자들은 피실험자의 눈 움직임을 추적함으로써 유아 의사결정과 유아가 환경에 대한 예측을 위해 확률적 지식을 암호화하고 행동하는 방법을 조사할 수 있었다.[7]이 패러다임은 또한 다른 것들보다 더 넓은 연령대에 걸친 눈의 움직임 행동의 차이를 비교할 수 있는 장점을 제공한다.

인공어군

인공 언어, 즉 전형적으로 어휘가 극도로 제한되고 문법이 단순화된 소규모 언어는 심리언어학 연구자들에게 흔히 사용되는 패러다임이다.인공언어는 연구자들이 관심 변수를 분리하고 피실험자가 받을 입력에 대해 더 큰 수준의 통제력을 발휘할 수 있게 해준다.불행하게도, 이러한 언어들의 지나치게 단순화된 특성과 리듬, 피치 변화, 순차적 규칙성과 같은 모든 인간의 자연 언어에 공통되는 많은 현상들의 부재는, 복잡성을 증가시키려는 시도가 이루어진 후에도, 이 패러다임을 이용하여 얻은 모든 발견에 대한 외부 타당성에 대한 의문을 제기한다.사용되는 언어의 [8]풍부함인공언어의 복잡성 부족이나 복잡성 감소는 "자연언어의 복잡성이 실제로 학습을 용이하게 할 수 있는 가능성이 있다"[9]지만 자연언어에 내재된 소리 변동성과 무관하게 주어진 음절을 자연언어로 인식할 필요를 설명하지 못한다.

이와 같이, 인공 언어 실험은 일반적으로 관련 언어 변수가 무엇인지, 유아들이 사용할 수 있는 정보의 출처와 시기, 그리고 연구자들이 학습과 습득 과정을 모델링하는 방법을 탐구하기 위해 행해진다.[5]예를 들어 애슬린과 뉴포트는 인공언어를 사용하여 어떤 언어적 입력의 특징이 특정 패턴을 유아가 민감하고 쉽게 감지할 수 있게 하는지를 탐구하여, 음절 반복 검출과 단어-마지막 음절의 검출과 쉽게 대조하고 어느 특징이 r이 되는 조건에 대해 결론을 내릴 수 있게 했다.중요한 것으로 [10]인식된

오디오 및 시청각

통계학 학습은 언어 습득에 큰 역할을 하는 것으로 나타났지만, 사회적 상호작용 역시 학습에 필요한 요소로 보인다.한 연구에서, 중국어를 사용하는 사람들의 시청각 또는 시청각 녹음을 제공받은 유아들은 그 언어의 음소를 구별하지 못했다.[11][12]이것은 단순히 소리를 듣는 것만으로는 언어 학습에 충분하지 않다는 것을 암시한다; 사회적 상호작용은 유아가 통계를 듣도록 한다.유아에게 맞춰진 특별한 상호작용은 더 반복적이고 연상적이기 때문에 "어린이 주도형" 언어로 알려져 있어 학습이 더 쉬워진다.이러한 "어린이 감독" 상호작용은 또한 성인이 되기 보다는 어릴 때 언어를 배우는 것이 더 쉬운 이유일 수 있다.

이중언어 사용자

프랑스어를 배우는 유아에 대한 연구 Bijeljak-Babic과 같은 2개 국어를 구사하는 유아에 대한 연구는 언어 습득에서 프로소디의 역할에 대한 통찰력을 제공했다.[13]비젤작-바빅 연구는 언어의 우위가 "프로소딕 대조에 대한 민감성"에 영향을 미친다는 것을 발견했다.비록 이것이 통계학 학습에 관한 연구는 아니었지만, 원소학 패턴 인식에 관한 연구 결과는 통계학 학습에 영향을 미칠 수 있다.

제1언어의 통계적 학습을 통해 얻은 언어 경험과 지식의 종류가 제2언어의 습득에 영향을 미칠 수 있다.일부 연구에서는 제2외국어를 배우기 어려운 점이 제1외국어를 습득하면서 이미 주워들은 구조적 패턴과 언어의 단서에서 비롯될 가능성을 지적하고 있다.그런 점에서 통계적 습득으로부터 제1언어를 처리하는 지식과 기술은 문장구조, 문법적 규칙, 언어 패턴이 다른 새로운 언어를 배우려고 할 때 복잡한 요소로 작용할 수 있다.[citation needed]

중요 소견

음성 카테고리 학습

자연어처럼 복잡한 시스템의 지식을 발전시키는 첫 번째 단계는 의미와 의미를 구별하는 음운이라고 불리는 중요한 언어별 소리의 클래스를 구분하는 것을 배우는 것이다.UBC 심리학자 자넷 워커는 1980년대 그녀의 영향력 있는 일련의 실험 이후, 인간 아기들이 이러한 음운학적 구별을 발달시키는 과정을 이해하려는 노력에서 가장 두드러진 인물 중 한 명이었다.서로 다른 언어를 사용하는 성인들은 그들 자신의 다른 의미를 기술하지 않는 다른 언어에서 의미 있는 소리 차이를 구별할 수 없는 반면, 아기들은 모든 언어 소리를 보편적으로 구별할 수 있는 능력을 가지고 태어난다.베르커의 연구는 6~8개월의 유아들은 여전히 특정 힌디와 영어 자음의 차이를 인지할 수 있지만, 11~13개월까지는 완전히 이 능력을 상실했다는 것을 보여주었다.[6]

이제 어린이들이 유사한 입력 자극의 예를 뭉쳐서 발견되는 어떤 형태의 지각 분포 학습을 사용하여 어린 시절에 음성 범주를 형성하는 것이 일반적으로 받아들여지고 있다.[5]발달하는 아이들은 언어를 잘못 발음하는 화자에게 주의를 덜 돌림으로써 그들이 그들의 언어를 본뜬 입력 내용을 선별함으로써 언어 권위의 효과적인 판단자로 밝혀졌다.[5]유아들은 또한 통계적 추적을 사용하여 특정한 음소들이 서로를 따를 가능성을 계산한다.[14]

파싱

파싱은 연속적인 스피치 스트림이 문장, 단어, 음절과 같은 분리된 의미 있는 단위로 분할되는 과정이다.사프란(1996)은 이 연구분야에서 특이하게 정석적인 연구를 나타낸다.유아들에게는 컴퓨터화된 음성에서 2분간 인공 언어의 연속적인 발음이 제공되어 프로소디나 억양과 같은 외부 변수의 간섭을 제거했다.이 발표 후에, 유아들은 두 번째 사례에서 더 길게 보이는 시간으로 측정했을 때 단어와 비어를 구별할 수 있었다.[15]

이러한 결과를 이해하는 데 있어 중요한 개념은 한 요소의 가능성인 과도기적 확률이다. 이 경우 다른 요소를 따르거나 앞서는 음절이다.이 실험에서, 단어로 함께 가는 음절들은 우연히 인접한 단어의 경계에서 하는 음절보다 훨씬 더 높은 과도기적 확률을 가지고 있었다.[5][8][15]놀랍게도, 2분간의 짧은 발표 후에, 유아들은 이러한 통계를 추적하고 높은 확률의 단어들을 인식할 수 있었다.그 후 추가 연구는 유아에게 낯선 자연 언어로 이러한 결과를 복제하여, 유아 학습도 경과 확률의 방향(전진 또는 후진)을 추적한다는 것을 보여준다.[8]비록 이 현상의 이면에 있는 신경 과정은 대부분 알려지지 않았지만, 최근의 연구는 단어 경계를 감지하는 동안 왼쪽 하전두회 및 중간 전두두회에서의 활동이 증가했다고 보고하고 있다.[16]

음절 순서의 편향의 개발은 완전한 언어 개발을 위한 중요한 과정이다.음절을 분류하고 자주 공존하는 시퀀스를 함께 분류하는 능력은 유아가 듣는 단어의 특성 패턴을 기반으로 한 공통 언어 고유 단어 템플릿 집합인 양성자icon의 개발에 있어 매우 중요할 수 있다.이 원음이의 발달로 새로운 형태의 패턴이 인식될 수 있을 것이다. 예를 들어, 영어에서 단어 초창기 강조 자음의 높은 빈도가 유아들이 단어와 언어 레의 동적 주기를 다시 시작하여 공통의 프로소딕 표현을 자율적인 언어 단위로 인식함으로써 단어를 더 파싱할 수 있게 될 것이다.양각의[5]

참조 레이블 연결

초보 언어 사용자들이 어떻게 학습된 라벨을 적절한 참조자, 즉 라벨 이름이 붙은 환경의 사람이나 사물과 연관시킬 수 있는지에 대한 문제는 플라톤부터 퀴네, 호프스타터까지 언어와 의미에 대한 철학적 고려의 핵심이었다.[17]단어와 사물의 어떤 확실한 관계를 찾는 것, 사전 검색의 무한 반복에 굴하지 않고 단어의 의미를 찾는 것, 이 문제는 기호 접지 문제로 알려져 있다.[18]

연구자들은 이 문제가 언어를 구문 분석하는 능력과 밀접하게 연관되어 있으며, 높은 전이 확률로 인해 분할하기 쉬운 단어들도 적절한 참조문헌에 매핑하기가 더 쉽다는 것을 보여주었다.[8]이것은 자연언어의 건전한 분포에 대한 이해를 필요로 하는 아이들이 표음 범주를 형성하고, 이러한 범주에 근거한 단어를 파싱한 다음, 이 파스를 사용하여 그것들을 라벨로서 사물에 매핑하는 것을 필요로 하는 언어 습득의 발달 진전의 추가적인 증거로 작용한다.

생후 6개월 된 아기들이 '엄마'와 '아빠' 또는 가족이나 문화적으로 동등한 단어를 이해하는 등, 참조 연관성에 대한 단어들의 발달 초기 이해가 보고되었다.추가적인 연구들은 유아들이 이 능력 안에서 빠르게 발달하고 7개월까지 움직이는 이미지와 말도 안 되는 단어와 음절 사이의 연관성을 배울 수 있다는 것을 보여주었다.[5]

특정 인스턴스나 개인에 대한 라벨 매핑과 전체 등급의 오브젝트에 대한 라벨 매핑 사이에는 종종 획득 연구에서 혼동되는 구별이 있다는 점에 유의해야 한다.이 후자의 과정을 일반화 또는 규칙학습이라고 부르기도 한다.연구에 따르면, 만약 입력이 구체적인 세부사항보다는 지각적으로 중요한 차원의 관점에서 암호화되고 입력의 패턴이 다수의 물체가 동일한 맥락에서 상호 교환적으로 명명되었음을 나타내는 경우, 언어 학습자는 관련 특징을 가진 모든 경우에 그 이름을 일반화할 가능성이 훨씬 더 높을 것이다.이러한 경향은 문맥 단서의 일관성과 입력에서 문맥이 겹치는 정도에 크게 좌우된다.[10]이러한 차이점들은 유아 단어 학습에서 과소 일반화의 잘 알려진 패턴과 더 관련이 있다.또한 연구 결과 참조자의 공동 발생 빈도도 추적하여 연관성을 만들고 객체 반복 모델의 모호성을 해소하는 데 도움이 된다는 것이 밝혀졌다.[19]

연속적인 언어를 구문 분석하고 단어 순서 규칙성을 추적하는 능력과 함께, 아직 보이지 않는 단어의 전체 클래스에 적절하게 일반화하는 능력은 구문과 문법에 대한 숙달과 지식을 개발하는 데 필요한 중요한 기술일 수 있다.[5]

자폐 모집단의 차이

최근 연구에 따르면 자폐 스펙트럼 장애가 있는 아동에게 통계 언어 학습에 대한 신경학적 증거가 없다고 한다.인공적인 언어의 연속적인 흐름에 노출되었을 때, 신경 전형적 아이들은 단어 경계에 대한 단서가 증가함에 따라 등측측 전두엽 피질(특히 중간 전두엽 회오리)에서 피질 활성이 적었다.그러나 이러한 네트워크에서의 활동은 제공된 언어적 단서에 관계없이 자폐아동의 활동에는 변함이 없었다.적절한 전두엽 뇌 기능의 중요성을 강조하는 이 증거는 자폐 언어 결손의 생물학적으로 관련된 몇 가지 원인을 설명하기 위해 사용되는 "Experious Functions" 이론을 뒷받침한다.전두엽의 중요한 기능인 작업 기억력, 의사결정, 계획, 목표 설정 등이 손상된 상태에서 자폐아들은 사회화와 의사소통에 관한 한 길을 잃고 있다(Ozonoff, et al., 2004).또한, 연구원들은 자폐아동의 의사소통 장애 수준이 인공 언어에 노출되는 동안 같은 부위의 신호 증가와 반비례한다는 것을 발견했다.이 증거를 바탕으로 연구원들은 자폐 스펙트럼 장애를 가진 어린이들이 연속적인 언어에서 단어 경계를 식별하는 신경 구조를 가지고 있지 않다는 결론을 내렸다.초기 단어 세분화 기술은 언어 지연이 자폐증 스펙트럼 장애의 특징인 이유를 설명할 수 있는 나중의 언어 발전을 예측하는 것으로 나타났다.[20]

상황에 따른 통계적 언어 학습

언어 학습은 유아와 보호자 모두가 사회적 상호작용을 하면서 다른 맥락에서 이루어진다.최근의 연구는 단어들의 의미뿐만 아니라 맥락 안에서 제약에 대해서도 배우기 위해 유아와 성인들이 어떻게 교차 상황 통계를 사용하는지를 조사했다.예를 들어, Smith와 그의 동료들은 유아들이 잘 정의된 범주에서 오는 유사한 물체에 라벨을 붙이는 편견을 획득함으로써 언어를 배울 것을 제안했다.이 관점에 있어서 중요한 것은 단어 학습을 돕는 제약조건이 입력 자체나 유아의 경험과 무관하지 않다는 생각이다.오히려 유아들이 그 단어가 사용되는 방법을 배우고 그 단어를 나타내기 위해 과거에 사용되었던 물건들의 특정한 특성에 관심을 기울이기 시작하면서 제약이 생겨난다.

귀납적 학습 문제는 둘 이상의 가능한 참조자가 있는 모호한 상황에서 단어들이 종종 사용되기 때문에 발생할 수 있다.이것은 유아가 참조하는 물체에 라벨을 붙이도록 확장되어야 하는 단어를 구별하지 못할 수 있기 때문에 혼동을 초래할 수 있다.스미스와 유는 이런 애매한 상황에서 구별하는 방법은 여러 장면에 걸쳐 단어 쌍을 추적하는 것이라고 제안했다.예를 들어, 물체 A와 물체 B가 있는 곳에서 단어를 들은 유아는 그 단어가 물체 A의 참조인지 아니면 물체 B의 참조인지를 확신할 수 없을 것이다.그러나, 만약 유아가 개체 B와 개체 C가 있는 곳에서 다시 라벨을 듣는다면, 유아는 개체 B가 서로 다른 상황에 걸쳐 라벨과 일관되게 짝을 이루기 때문에 개체 B가 라벨의 참조라고 결론 내릴 수 있다.

컴퓨터 모델

계산 모델은 언어 학습자가 언어 정보를 처리하고 조작하는 메커니즘을 탐구하는 데 오랫동안 사용되어 왔다.이러한 유형의 모델은 연구자들이 인간 참가자들에게서 전혀 조작하기 어려운 중요한 학습 변수를 체계적으로 제어할 수 있게 한다.[21]

연관 모형

언어 습득의 연관 신경 네트워크 모델은 가장 오래된 인식 모델 중 하나로, 이러한 표현을 구성하는 노드들 간의 연결의 가중치 및 분산 표현을 사용하여 기초를 이루는 가소성 기반 뉴런 재구성을 연상시키는 방식으로 학습을 시뮬레이션한다.인간의 학문과 기억력을 가지고 있다.[22]연관 모델은 시간적 고려사항을 더 잘 다룰 수 있는 언어에 대한 역동적 시스템 접근에 유리하도록 이산적이고 맥락이 없는 기호로 특징지어지는 고전적 인지 모델과의 단절을 나타낸다.[23]

이 접근방법의 전구로서, 그리고 언어 이해와 생산에서 시간의 차원을 고려한 최초의 모델 유형 중 하나는 엘만의 단순한 반복 네트워크(SRN)이었다. 시스템의 과거 상태를 나타내는 피드백 네트워크를 사용함으로써, SRN은 단어 표현 작업에서 스스로 조직화된 문법적 문법에 대한 입력들을 집대성할 수 있었다.l 통계적 공동 분석 패턴만을 바탕으로 한 범주.[23][24]

이것과 같은 초기 성공은 언어 습득에 대한 역동적인 시스템 연구를 위한 길을 열어주었고, 초기 언어 발달에 대한 많은 질문에 답했지만, 통계적으로 획득한 어휘소가 어떻게 표현되는지와 같은 많은 다른 질문들은 대답하지 않았다.[23]최근 연구에서 특히 중요한 것은 어휘적 조직에서 학습(예: 언어 기반)과 학습자(예: 스피커 기반) 변수의 동적 상호작용을 이해하려는 노력과 이중 언어에서의 경쟁이었다.[21]심리적으로 좀 더 현실적인 모델로 나아가기 위한 끊임없는 노력 속에서, 많은 연구자들은 언어발달의 인지적으로 타당한 모델인 연상모델, 자기조직 지도(SOM)의 하위집합으로 눈을 돌렸다.[25][26]

SOM은 여러 가지 획득 과정에서 관심의 제약과 변수를 식별하고 연구하며, 이러한 발견이 언어 및 인지 이론에 미치는 결과를 탐구하는 데 있어 연구자들에게 도움이 되었다.언어 학습자와 현재의 계산 모델 모두에 있어 작업 메모리를 중요한 제약조건으로 식별함으로써, 연구자들은 이 변수의 조작이 단지 단어의 위치적 공존으로부터 범주적 의미뿐만 아니라 실제적인 내용 의미를 문장에서 끌어내어 통사적 부트스트래핑을 허용한다는 것을 보여줄 수 있었다.[27]

확률론적 모형

언어 습득의 일부 최근 모델들은 언어의 흐름을 적절하게 구문 분석하고 단어 의미를 습득하는 유아들의 능력을 설명하기 위해 베이시안 추론 방법에 초점을 맞추고 있다.이러한 유형의 모델은 유아가 단어를 학습하기 위해 단어와 음절의 과도기적 확률을 사용하는 것에 관한 발견에 따라 조건부 확률(A 주어진 B의 확률) 개념에 크게 의존한다.[15]

이러한 확률론적 방법을 이용하는 모델들은 화자의 의도를 학습하는 것의 중요성을 강조하는 사회 이론의 이전에 이분법적 언어 습득 관점과 교차 상황적 맥락에 의존하는 통계적·연관적 이론들을 하나의 공동 추론 문제로 통합할 수 있었다.이러한 접근방식은 상호 배타성, 1심 학습 또는 빠른 매핑과 같은 획득 현상을 설명하는 데 중요한 결과를 가져왔다.[28]

이러한 결과가 견실해 보이지만, 이러한 분야에서 연관 모델의 성공에 비해 단일 라벨 매핑에 대한 다중 참조, 단일 참조 매핑에 대한 다중 라벨 및 이중 언어 언어 습득과 같은 더 복잡한 상황을 처리할 수 있는 이러한 모델의 능력에 관한 연구는 아직 탐구되지 않았다.그러나 이러한 모델 유형이 통합되어 언어 습득에 대한 포괄적인 계정을 제공할 수 있다는 희망은 남아 있다.[29]

C/V 가설

C/V 가설은 확률적 주파수의 선을 따라 모든 언어 보유자가 모음과 비교하여 연속적인 음성 문자열에서 단어(독소적 구분)를 구별하기 위해 자음 주파수를 사용한다고 기본적으로 기술하고 있다.모음은 리듬감 있는 식별에 더 적절하다.모음이 현지 통계분포와 독립적으로 처리된다는 것을 보여주었기 때문에 몇몇 후속 연구에서는 이러한 발견을 밝혀냈다.[30]다른 연구들은 자음-보울 비율이 구별되는 언어를 비교할 때 어휘의 크기에 영향을 미치지 않는다는 것을 보여주었다.자음 비율이 높은 언어의 경우, 아이들은 운수나 모음 빈도보다 자음 이웃에 더 많이 의존할 수 있다.[31]

언어 습득 알고리즘

언어 습득의 일부 모델은 적응형 파싱과[32] 문법 유도 알고리즘에 기초해 왔다.[33]

참조

  1. ^ a b 러셀, J. (2004)언어 개발이란?:합리론자, 경험론자, 실용론자 구문 습득 접근옥스퍼드 대학 출판부
  2. ^ 촘스키, N. (1965)구문론의 측면들.케임브리지, MA: MIT 프레스.
  3. ^ "On Chomsky and the Two Cultures of Statistical Learning".
  4. ^ 페르날드, A. (1985)생후 4개월 된 유아들은 모테레스의 말을 듣는 것을 더 좋아한다.유아 행동 및 발달, 181-195.
  5. ^ a b c d e f g h i Swingley, D (2009). "Contributions of infant word learning to language development". Philosophical Transactions of the Royal Society of London. Series B, Biological Sciences. 364 (1536): 3617–32. doi:10.1098/rstb.2009.0107. PMC 2828984. PMID 19933136.
  6. ^ a b Werker, J. F.; Lalonde, C. E. (1988). "Cross-Language Speech Perception : Initial Capabilities and Developmental Change". Developmental Psychology. 24 (5): 672–683. CiteSeerX 10.1.1.460.9810. doi:10.1037/0012-1649.24.5.672.
  7. ^ Davis, S. J., Newport, E. L., & Aslin, R. N. (2009)생후 10개월 유아의 확률 매칭.방법들
  8. ^ a b c d Hay, J. F.; Pelucchi, B.; Estes, K. G.; Saffran, J. R. (2011). "Linking sounds to meanings: Infant statistical learning in a natural language". Cognitive Psychology. 63 (2): 93–106. doi:10.1016/j.cogpsych.2011.06.002. PMC 3143199. PMID 21762650.
  9. ^ Romberg, A. R., & Saffran, J. R. (2010)통계 학습 및 언어 습득.존 와일리 & 선즈 주식회사WILLS 인지 과학.http://www.waisman.wisc.edu/infantlearning/Publications_files/Romberg.Saffran.2010.pdf
  10. ^ a b Aslin, R. N.; Newport, E. L. (2012). "Statistical Learning : From Acquiring Specific Items to Forming General Rules". Distribution. 21 (3): 170–176. doi:10.1177/0963721412436806. PMC 3758750. PMID 24000273.
  11. ^ Kuhl, Patricia K (2004). "Early language acquisition: cracking the speech code". Nature Reviews Neuroscience. 5 (11): 831–843. doi:10.1038/nrn1533. PMID 15496861. S2CID 205500033.
  12. ^ Kuhl, Patricia K (2007). "Is speech learning "gated" by the social brain" (PDF). Developmental Science. 10 (1): 11–120. doi:10.1111/j.1467-7687.2007.00572.x. PMID 17181708.
  13. ^ Bibeljac-Babic, Ranka; Serres, Josette; Höhle, Barbara; Nazzi, Thierry (2012). "Effect of Bilingualism on Lexical Stress Pattern Discrimination in French-Learning Infants". PLOS ONE. 7 (2): e30843. Bibcode:2012PLoSO...730843B. doi:10.1371/journal.pone.0030843. PMC 3281880. PMID 22363500.
  14. ^ 롬버그, 알렉사 R, 사론, 제니 R. (2010)"통계학 학습 및 언어 습득" WILLs Cogning Sci 10.1002/wbs.78
  15. ^ a b c Saffran, Jenny R; Aslin, Richard N; Newport, Elissa L (1996). "Statistical Learning by 8-Month-Old Infants". Science. 274 (5294): 1926–8. Bibcode:1996Sci...274.1926S. doi:10.1126/science.274.5294.1926. PMID 8943209. S2CID 13321604.
  16. ^ McNealy, K; Mazziotta, JC; Dapretto, M (2006). "Cracking the language code: Neural mechanisms underlying speech parsing". J Neurosci. 26 (29): 7629–7639. doi:10.1523/jneurosci.5501-05.2006. PMC 3713232. PMID 16855090.
  17. ^ M.H. & Lamb, M.E. (2011년)개발 과학:고급 교과서.뉴욕, 뉴욕: 심리학 프레스
  18. ^ Harnad, S (1990). "The Symbol Grounding Problem". Physica D: Nonlinear Phenomena. 42 (1–3): 335–346. arXiv:cs/9906002. Bibcode:1990PhyD...42..335H. doi:10.1016/0167-2789(90)90087-6.
  19. ^ Vouloumanos, Athena (May 2008). "Fine-grained sensitivity to statistical information in adult word learning". Cognition. 107 (2): 729–742. doi:10.1016/j.cognition.2007.08.007. PMID 17950721. S2CID 14172560.
  20. ^ Scott-Van Zeeland, A. A.; McNealy, K.; Wang, A. T.; Sigman, M.; Bookheimer, S. Y.; Dapretto, M. (2010). "No neural evidence of statistical learning during exposure to artificial languages in children with autism spectrum disorders". Biological Psychiatry. 68 (4): 345–351. doi:10.1016/j.biopsych.2010.01.011. PMC 3229830. PMID 20303070.
  21. ^ a b Zinszer, B. & Li, P. (2010)제1언어 어휘소 감소의 SOM 모델.S. Ohlsson & R. Catrambone (Eds.)에서, 제32회 인지과학회 연례회의의 진행 (pp. 2787-27922)에서.오스틴, TX: 인지과학회.
  22. ^ Seidenberg, M. S.; Mcclelland, J. L. (1989). "A Distributed, Developmental Model of Word Recognition and Naming". Psychological Review. 96 (4): 523–568. CiteSeerX 10.1.1.127.3083. doi:10.1037/0033-295x.96.4.523. PMID 2798649.
  23. ^ a b c Li, P (2009). "Lexical organization and competition in first and second languages: computational and neural mechanisms". Cognitive Science. 33 (4): 629–64. doi:10.1111/j.1551-6709.2009.01028.x. PMID 21585481. S2CID 18402417.
  24. ^ 엘먼, J. L. (1975)역동적인 시스템으로서의 언어.대부분은.
  25. ^ 코오넨, T(n.d.)자체 구성 맵.
  26. ^ Zhao, X.; Li, P.; Kohonen, T. (2011). "Contextual self-organizing map: software for constructing semantic representations". Behavior Research Methods. 43 (1): 77–88. doi:10.3758/s13428-010-0042-z. PMID 21287105.
  27. ^ Li, P, Burgess, C, & Lund, K. (2000)글로벌 어휘적 공존을 통한 단어 의미 획득.어린 아이들.
  28. ^ 프랭크, M. C. 굿맨, N. D. & 테넨바움, J. B. (2009)스피커의 참조 의도를 사용하여 초기 교차 상황 단어 학습 모델 사용.심리과학, 1-8.
  29. ^ Griffiths, T. L.; Chater, N.; Kemp, C.; Perfors, A.; Tenenbaum, J. B. (2010). "Probabilistic models of cognition : exploring representations and inductive biases". Trends in Cognitive Sciences. 14 (8): 357–364. doi:10.1016/j.tics.2010.05.004. PMID 20576465. S2CID 11588994.
  30. ^ "Archived copy" (PDF). Archived from the original (PDF) on 2016-03-04. Retrieved 2022-02-17.{{cite web}}: CS1 maint: 타이틀로 보관된 사본(링크)
  31. ^ 램버트슨, 클로스, 오팅, 재나, 바를로, 제시카.스피치 저널, 언어 & 청각 연구.2012년 10월, 제55권 제5호, p1265-1273호.
  32. ^ Jill Fain Lehman (6 December 2012). Adaptive Parsing: Self-Extending Natural Language Interfaces. Springer Science & Business Media. ISBN 978-1-4615-3622-2.
  33. ^ Chatter, Nick, Christopher D.매닝."언어 처리 및 획득의 확률론적 모델"인지과학의 동향 10.7(2006): 335-344.