MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016935537
■00520240214101944
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380371131
■035    ▼a(MiAaPQ)AAI30747497
■035    ▼a(MiAaPQ)umichrackham004982
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a401
■1001  ▼aBelth,  Caleb  A.
■24510▼aTowards  an  Algorithmic  Account  of  Phonological  Rules  and  Representations▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Michigan.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(215  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Coetzee,  Andries;Koutra,  Danai.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■506    ▼aThis  item  must  not  be  added  to  any  third  party  search  indexes.
■520    ▼aThe  development  of  computer  science  in  the  middle  of  the  twentieth  century  provided  a  valuable  tool  for  the  study  of  language  as  a  cognitive  system,  by  allowing  linguistic  theories  to  be  stated  in  computational  terms.  The  resulting  theories  have  traditionally  placed  emphasis  on  describing  the  space  of  possible  human  languages,  and  viewed  this  delineated  space  as  antecedent  to  a  theory  of  how  such  a  language  might  be  learned  from  linguistic  data.  In  the  domain  of  phonology-the  study  of  the  structure  of  linguistic  sound-this  dissertation  takes  steps  approaching  the  problem  from  the  opposite  direction,  by  framing  the  problem  as  that  of  identifying  the  learning  procedure(s)  by  which  humans  construct  a  language  in  response  to  linguistic  exposure.  The  object  of  study  is  shifted  from  the  investigation  of  how  a  learner  will  discover  a  supposed  target  grammar,  to  the  investigation  of  the  ontogenetic  process  by  which  humans  develop  computational,  phonological  systems.The  proposed  algorithmic  approach  identifies  independently-established  psychological  mechanisms  available  to  a  learner,  and  then  uses  these  as  the  components  of  a  hypothesized  learning  procedure.  The  dissertation  includes  an  algorithmic  account  of  how  graph-based  representations  of  words,  which  render  long-distance  dependencies  as  local  in  that  graph  structure  and  are  known  as  phonological  tiers,  arise  naturally  from  a  learning  algorithm  sensitive  to  only  adjacent  dependencies.  The  dissertation  also  proposes  an  algorithmic  account  of  when  abstract  representations  of  morphemes  are  needed  for  effective  generalization  to  unseen  words  in  the  face  of  the  sparsity  of  linguistic  input,  and  how  rules  can  be  constructed  to  map  between  these  abstract  representations  and  their  concrete  realizations.  Stated  in  explicit,  computational  terms,  the  proposed  learning  system  is  evaluated  on  realistic  natural  language  data,  and  makes  precise,  testable  predictions.  The  learner  constructs  accurate  linguistic  generalizations  from  naturalistic  data:  across  languages  evaluated,  the  learner  achieves,  on  average,  0.96  accuracy  on  held-out  test  words,  and  never  lower  than  0.92.  These  results  are  achieved  with  training  data  of  no  more  than  a  thousand  words.  Moreover,  the  models'  predictions  are  consistently  borne  out  in  developmental  predictions  and  experimental  settings,  including  a  novel  experiment  carried  out  to  directly  test  this  model.When  compared  to  a  prominent  alternative  learning-based  model-neural  networks-the  proposed  model  achieves  higher  accuracy,  while  producing  comparatively  interpretable  outputs,  and-critically-providing  an  intelligible  algorithm,  which  brings  greater  understanding  to  the  mechanisms  underlying  phonological  development.
■590    ▼aSchool  code:  0127.
■650  4▼aLinguistics.
■650  4▼aComputer  science.
■653    ▼aPhonology
■653    ▼aComputational  modeling
■653    ▼aLanguage  acquisition
■653    ▼aNatural  language  processing
■653    ▼aRepresentations
■653    ▼apsycholinguistics
■690    ▼a0984
■690    ▼a0290
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935537▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books