MARC

 008250123s2024        us                              c    eng  d
■001000017161049
■00520250211151155
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382310503
■035    ▼a(MiAaPQ)AAI31236225
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aAllaway,  Emily.
■24510▼aUnderstanding  and  Reasoning  About  Implicit  Meaning  in  Language
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a317  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  A.
■500    ▼aAdvisor:  McKeown,  Kathleen.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aEnabling  machines  to  interact  with  humans  requires  understanding  what  people  mean,  even  when  they  do  not  say  it  explicitly.  For  example,  machines  should  understand  that  "selfish  people  oppose  gun  control''  implies  a  pro-gun  control  viewpoint  (i.e.,  is  taking  a  stance  in  support  of  gun  control)  despite  the  negative  tone  of  the  statement.  Understanding  these  types  of  pragmatic  inferences  allows  humans  to  grasp  meaning  (e.g.,  intentions,  relevant  facts)  beyond  what  is  literally  expressed  in  an  utterance.  Furthermore,  pragmatic  inferences  conveyed  through  generalizations  (e.g.,  referring  to  generic  "selfish  people''  rather  than  specific  individuals  in  order  to  be  more  persuasive)  support  flexible  and  efficient  reasoning.  Therefore,  in  this  thesis  we  focus  on  improving  computational  understanding  of  two  inter-related  types  of  pragmatic  inferences:  stance  taking  and  linguistic  generalizations.This  thesis  is  divided  into  two  parts.  In  Part  II,  we  focus  on  stance  detection.  One  major  challenge  for  stance  detection  models  is  the  large  and  continually  growing  set  of  stance  targets  (i.e.,  topics  to  take  a  stance  on).  Therefore,  to  address  this  we  define  and  study  zero-shot  stance  detection  (i.e.,  evaluation  on  topics  for  which  there  is  no  training  data).  Our  work  develops  both  datasets  and  models  for  this  task  and  analyzes  the  ongoing  challenges  for  future  work.  This  work  has  stimulated  increasing  and  ongoing  research  in  zero-shot  stance  detection  in  NLP.Then  in  Part  I  we  study  generics  ---  a  specific  type  of  linguistic  generalization  that  does  not  contain  explicit  quantifiers  (e.g.,  "most'',  "some'').  These  statements  can  have  strong  persuasive  force  and  are  also  related  to  complex  patterns  of  reasoning.  To  probe  the  current  understanding  capabilities  of  computational  models,  we  focus  on  generating  generics  exemplars  ---  specific  cases  when  a  generic  holds  true  or  false.  In  particular,  we  propose  computational  frameworks  grounded  in  linguistic  theory  to  generate  the  first  datasets  of  exemplars.  We  then  use  our  datasets  to  highlight  the  challenges  generics  pose  for  natural  language  reasoning  and  the  current  generic-understanding  capabilities  of  large  language  models.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aLinguistics
■650  4▼aPhilosophy
■650  4▼aInformation  science
■653    ▼aGenerics
■653    ▼aNatural  language  processing
■653    ▼aStances
■653    ▼aLinguistic  generalizations
■653    ▼aImplicit  meaning
■690    ▼a0984
■690    ▼a0422
■690    ▼a0723
■690    ▼a0290
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g85-10A.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161049▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서