TAILIEUCHUNG - Báo cáo khoa học: "Integrating surprisal and uncertain-input models in online sentence comprehension: formal techniques and empirical results"

A system making optimal use of available information in incremental language comprehension might be expected to use linguistic knowledge together with current input to revise beliefs about previous input. Under some circumstances, such an error-correction capability might induce comprehenders to adopt grammatical analyses that are inconsistent with the true input. | Integrating surprisal and uncertain-input models in online sentence comprehension formal techniques and empirical results Roger Levy Department of Linguistics University of California at San Diego 9500 Gilman Drive 0108 La Jolla CA 92093-0108 rlevy@ Abstract A system making optimal use of available information in incremental language comprehension might be expected to use linguistic knowledge together with current input to revise beliefs about previous input. Under some circumstances such an error-correction capability might induce comprehenders to adopt grammatical analyses that are inconsistent with the true input. Here we present a formal model of how such input-unfaithful garden paths may be adopted and the difficulty incurred by their subsequent disconfirmation combining a rational noisy-channel model of syntactic comprehension under uncertain input with the surprisal theory of incremental processing difficulty. We also present a behavioral experiment confirming the key empirical predictions of the theory. 1 Introduction In most formal theories of human sentence comprehension input recognition and syntactic analysis are taken to be distinct processes with the only feedback from syntax to recognition being prospective prediction of likely upcoming input Jurafsky 1996 Narayanan and Jurafsky 1998 2002 Hale 2001 2006 Levy 2008a . Yet a system making optimal use of all available information might be expected to perform fully joint inference on sentence identity and structure given perceptual input using linguistic knowledge both prospectively and retrospectively in drawing inferences as to how raw input should be segmented and recognized as a sequence of linguistic tokens and about the degree to which each input 1055 token should be trusted during grammatical analysis. Formal models of such joint inference over uncertain input have been proposed Levy 2008b and corroborative empirical evidence exists that strong coherence of current input with a perceptual .

• Báo cáo khoa học
• Integrating surprisal
• uncertain input models in online sentence comprehension
• formal techniques
• empirical results
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball