语句刺激细分的计算建模从婴儿寻词研究的细分
Daniel Swingley1, Robin Algayres2
1Department of Psychology, University of Pennsylvania.
Cognitive science
|March 26, 2024
概括
计算模型现在可以分析实际的语音,而不仅仅是转录,以了解婴儿单词细分. 这种方法更好地匹配婴儿学习表现,并提高模型的准确性.
科学领域:
- 认知科学 认知科学
- 发展心理学 发展心理学
- 计算语言学 计算语言学
背景情况:
- 婴儿单词细分模型传统上使用语音转录.
- 最近的进展允许对听觉语音刺激进行直接分析.
- 对婴儿行为数据进行模型评估对于基准测试至关重要.
研究的目的:
- 提出和演示一种测试婴儿实验中实际听觉刺激的计算单词细分模型的方法.
- 在心理语言学研究中将计算模型与婴儿学习结果进行比较.
- 提高婴儿语言学习计算模型的准确性和相关性.
主要方法:
- 将DP-Parser计算模型应用于婴儿心理语言实验中的听觉刺激.
- DP-Parser处理原始语音,生成重叠的嵌入式来识别潜在的单词.
- 使用动态编程来根据最大化构成部分频率来分割发言.
主要成果:
- DP-Parser模型成功地模仿了美国英语学习者对意大利语句子的单词细分性能.
- 该模型倾向于分割具有高音节过渡概率的单词,与人类学习模式保持一致.
- 证明了直接对实验性语音刺激进行计算分析的可行性.
结论:
- 分析实际语音刺激的计算模型为婴儿单词细分提供了更准确的基准.
- 这种方法可以改进模型,以更好地反映人类婴儿的语言学习.
- 未来的研究应该利用直接的语音分析来开发更有效的婴儿学习计算模型.
更多相关视频
07:31Defining the Role Of Language in Infants' Object Categorization with Eye-tracking Paradigms
Published on: February 8, 2019
6.6K
05:35Experience is Instrumental in Tuning a Link Between Language and Cognition: Evidence from 6- to 7- Month-Old Infants' Object Categorization
Published on: April 19, 2017
6.7K
