MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933567
■00520240214101305
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379779627
■035    ▼a(MiAaPQ)AAI30531441
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a401
■1001  ▼aKuo,  Jennifer.
■24510▼aPhonological  Markedness  Effects  in  Reanalysis▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Los  Angeles.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(220  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Hayes,  Bruce  P.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aParadigms  with  conflicting  data  patterns  can  be  difficult  to  learn,  resulting  in  acquisition  error.  In  this  dissertation,  I  look  at  how  paradigms  are  reanalyzed  over  time  to  gain  insight  into  the  factors  that  influence  morphophonological  learning.  Existing  models  of  morphophonology  (e.g.  Hare  &  Elman  1995;  Albright  2002b,a,  2010)  predict  reanalysis  to  be  frequency-matching,  occurring  in  a  way  that  matches  probabilistic  distributions  within  the  paradigm.  I  propose  that  in  fact,  reanalysis  responds  to  two  factors:  both  frequency-matching  and  a  bias  towards  less  marked  outputs.  Additionally,  markedness  effects  in  reanalysis  are  argued  to  be  restricted  to  so-called  'active'  markedness  effects,  which  are  already  present  in  the  language  as  stem  phonotactics.I  present  three  case  studies,  all  from  Austronesian  languages,  where  reanalysis  is  arguably  sensitive  to  a  markedness  bias,  and  confirm  this  by  implementing  a  quantitative  model  of  reanalysis.  This  model,  outlined  in  Chapter  2,  simulates  the  cumulative  effect  of  reanalyses  over  time  with  an  iterated  learning  paradigm.  In  each  iteration,  learning  is  modeled  using  Maximum  Entropy  Harmonic  Grammar  (MaxEnt;  Smolensky  1986;  Goldwater  &  Johnson  2003),  with  a  markedness  bias  implemented  as  a  Gaussian  prior  (Wilson  2006). The  three  studies  are  presented  in  Chapters  3-5.  All  three  cases  involve  paradigms  where  there  is  ambiguity  in  how  the  suffixed  forms  will  surface,  resulting  in  reanalysis  of  these  suffixed  forms.  The  first  case  study  concerns  Malagasy  weak  stems;  frequency-matching  models  predict  reanalysis  towards  one  alternant,  but  instead  there  has  been  reanalysis  towards  another  statistically  dispreferred  alternant.  I  argue  that  this  outcome  is  motivated  by  avoidance  of  intervocalic  stops,  and  show  that  this  analysis  does  better  than  alternative  explanations.The  second  and  third  case  studies  concern  Samoan  and  Maori.  In  both  languages,  certain  suffixes  have  multiple  allomorphs  with  an  unpredictable  distribution.  In  Samoan  (Chapter  4),  reanalysis  is  generally  towards  the  suffix  allomorph  predicted  by  frequency-matching  models,  but  is  also  modulated  by  OCP-place  effects  (McCarthy  1988,  1994).  Specifically,  suffixed  forms  which  violate  OCP-place  are  more  likely  to  be  reanalyzed.  In  Maori,  reanalysis  is  towards  a  suffix  allomorph  that  is  not  predicted  by  frequency-matching  models.  I  argue  that  reanalysis  has  instead  been  motivated  by  avoidance  of  both  vowel  hiatus  and  heavy  syllables.All  three  languages  show  evidence  of  reanalysis  that  is  sensitive  to  a  markedness  bias.  Moreover,  all  three  cases  are  also  consistent  with  the  principle  of  active  markedness,  as  the  markedness  effects  found  in  reanalysis  are  already  present  in  the  language-specific  phonotactics.  Based  on  these  results,  I  argue  for  a  richer  model  of  reanalysis  in  which  phonotactic  principles  serve  as  a  learning  bias.
■590    ▼aSchool  code:  0031.
■650  4▼aLinguistics.
■650  4▼aLanguage.
■650  4▼aStatistics.
■653    ▼aBias  modeling
■653    ▼aMarkedness
■653    ▼aParadigms
■653    ▼aPhonology
■653    ▼aReanalysis
■690    ▼a0290
■690    ▼a0679
■690    ▼a0463
■71020▼aUniversity  of  California,  Los  Angeles▼bLinguistics  0510.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933567▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서