MARC

 008250123s2024        us                              c    eng  d
■001000017160587
■00520250211151045
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798381968682
■035    ▼a(MiAaPQ)AAI31140695
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a401
■1001  ▼aTan,  Adeline  R.
■24510▼aLearning  Hidden  Structure:  Derived  Environment  Effects  and  the  Richness  of  the  Base
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a244  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-09,  Section:  A.
■500    ▼aAdvisor:  Zuraw,  Kie  Ross.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aHidden  structure  refers  to  the  units  of  organization  that  a  child  cannot  directly  observe  when  they  are  learning  language  (e.g.  phonemes,  morpheme  boundaries,  URs,  phrases).  In  this  dissertation,  I  propose  a  novel  computational  model  that  learns  hidden  structures  in-tandem  with  the  grammar.  My  model  consists  of  two  Maximum  Entropy  sub-models  that  are  chained  via  the  product  rule.  Since  I  treat  the  hidden  structure  as  a  latent  variable,  the  learner  is  free  to  match  the  observed  surface  pattern  via  different  intermediary  URs.  Latent  variable  models  have  no  guarantee  of  concavity,  so  I  develop  a  novel  sampling  technique  to  simulate  a  population  of  language  learners.When  presented  with  the  same  surface  information,  different  human  learners  may  arrive  at  different  analyses  (i.e.  inter-speaker  variation  in  analyses).  In  a  production  task  with  the  -ity  suffix  and  nonce  stems,  Pierrehumbert  (2006)  found  that  2  in  10  participants  never  applied  velar  softening.  This  suggests  that  approximately  20%  of  learners  may  not  learn  the  grammar  for  velar  softening,  but  may  instead  memorize  full  underlying  forms  (e.g.  /ɪlɛktɹɪsɪti/)  for  existing  words.  For  velar  softening,  my  model  not  only  correctly  predicts  that  there  are  multiple  solutions  for  one  surface  pattern,  it  also  correctly  predicts  the  proportion  of  human  speakers  that  will  pick  each  solution.In  the  Rich  Base  problem,  there  are  two  grammars  that  satisfy  one  surface  pattern.  However,  humans  only  acquire  one  grammar  -  the  Rich  Base  Grammar  (as  evidenced  by  loan  word  adaptation).  In  my  simulated  population  of  language  learners,  I  find  an  overwhelming  preference  for  the  Rich  Base  Grammar  to  be  learned.  This  preference  emerges  from  my  model's  ability  to  leverage  the  superior  utility  of  the  Rich  Base  Grammar  over  its  non-Rich  Base  counterpart  (without  needing  to  build  in  any  extra  mechanisms  or  biases).English  CiV  lengthening  appears  at  first  blush  to  be  a  derived  environment  effect,  whose  triggering  condition  -  the  derived  environment  -  cannot  be  directly  observed.  My  experiments  confirm  the  productivity  of  CiV  lengthening.  I  reanalyze  CiV  lengthening  as  the  emergence  of  the  unmarked  Stress-to-Weight  Principle,  thus  simplifying  CiV  Lengthening  from  a  complex  hidden  structure  problem  to  a  surface  true  phenomenon.
■590    ▼aSchool  code:  0031.
■650  4▼aLinguistics
■650  4▼aLanguage
■650  4▼aSociolinguistics
■653    ▼aEmergence  of  the  unmarked
■653    ▼aHidden  structure
■653    ▼aMaximum  entropy
■653    ▼aPhonology
■653    ▼aUnderlying  representation
■690    ▼a0290
■690    ▼a0679
■690    ▼a0636
■71020▼aUniversity  of  California,  Los  Angeles▼bLinguistics  0510.
■7730  ▼tDissertations  Abstracts  International▼g85-09A.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160587▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서