Abstract
Wie verstehen und produzieren Menschen Wörter? Das Diskriminative Lexikon Modell (DLM) postuliert eine einfache lineare Transformation zwischen den äußerlichen phonologischen/orthographischen Merkmalen und der Bedeutung von Wörtern. Wortverständis wird durch eine Transformation von den äußerlichen Merkmalen zur Bedeutung eines Wortes modelliert, und Wortproduktion erfolgt durch eine Transformation von der Bedeutung zu den äußerlichen Merkmalen. Die vorliegende Dissertation untersucht diese Transformationen und beleuchtet wie diese die Konzeptualisierung von Wortverständis und Wortproduktion im Modell formen. Die erste Studie beinhaltet eine ausführliche Einführung in das DLM am Beispiel von deutschen Substantiven. Sie beschreibt die verschiedenen Überlegungen und Designentscheidungen, die bei der Modellierung der Morphologie einer Sprache mit dem DLM gemacht und getroffen werden müssen. In der zweiten Studie untersuchen wir, wie Wortfrequenzeffekte, die in der psycholinguistischen Forschung allgegenwärtig sind, in die Transformationen im DLM integriert werden können. Wir führen Frequenz-informiertes Lernen (FIL) ein, eine hocheffiziente Methode, die mithilfe von gewichteter Regression die linearen Transformationen so berechnet, dass Wortfrequenzen miteinbezogen werden. FIL zeigt angemessene Frequenzeffekte, wenn es verwendet wird, um die Reaktionszeiten von lexikalischen Entscheidungen vorherzusagen. Allerdings mangelt es FIL an Präzision dabei, die Effekte von individueller Wortreihenfolge vorherzusagen. Die dritte Studie untersucht die Effekte der Wortreihenfolge. Wir analysieren, ob die Transformationen im DLM verwendet werden können, um kontinuierliche Lerneffekte zwischen Messungen in einem Experiment zu simulieren. Dafür verwenden wir das DLM zusammen mit inkrementellem Lernen, um eine groß angelegte Studie mit lexikalischen Entscheidungen zu simulieren. Dabei wird das DLM nach jeder einzelnen lexikalischen Entscheidung im Experiment mithilfe von inkrementellem Lernen aktualisiert. Wir zeigen, dass eine solche Simulation besser darin ist, Reaktionszeiten von Versuchspersonen vorherzusagen, als eine statische Simulation ohne Lernupdates. Das demonstriert, dass sich das Weltwissen von Menschen ständig ändert und dass für eine akkurate Simulation von menschlichem Wissen die Reihenfolge von gelernten Wörtern miteinbezogen werden sollte. Außerdem zeigt dies, dass kontinuierliches Lernen mithilfe von inkrementellen Updates der Transformationen im DLM modelliert werden kann. In der letzten Studie untersuchen wir, wie sich eine höhere Präzision der Transformationen im DLM auswirkt. Wir ersetzen die linearen Transformationen durch "deep learning" Netzwerke, und stellen fest, dass diese die Genauigkeit der Modelle erhöhen, besonders für Wörter, deren Beziehung zwischen orthographischen Merkmalen und Bedeutung eine "Ausnahme zur Regel" ist. Allerdings verbessern "deep learning" Netzwerke nicht notwendigerweise die Fähigkeit des Modells, Reaktionszeiten von lexikalischen Entscheidungen vorherzusagen, außer wenn Wortfrequenz miteinbezogen wird. Insgesamt trägt diese Arbeit zu unserem Verständnis davon bei, wie Lernen das Wissen im mentalen Lexikon formt. Effekte von Wortfrequenz (Studie 2) und Lerneffekte zwischen Messungen (Studie 3) können mithilfe der linearen Transformationen im DLM miteinbezogen werden. Studie 4 zeigt, dass lineare Transformationen im Vergleich mit modernem "deep learning" gut dabei abschneiden, menschliche Verhaltensdaten vorherzusagen. Somit kann ein einfaches und verständliches Modell wie das DLM unser Verständnis dafür verbessern, wie Menschen Sprache verarbeiten. Jedoch können weitere Schritte unternommen werden, um die kognitive Plausibilität des Modells zu verbessern.
Author and committee
dc:creator, dc:contributor.*- Author
-
- Heitmeier, Maria Elisabeth
Identifiers
dc:identifier.*- Identifier
- hdl:10900/165630