Aprendizagem de categorias de palavras por análise distribucional resultados adicionais para Português Brasileiro

Autores

  • Pablo Faria

DOI:

https://doi.org/10.21814/diacritica.415

Palavras-chave:

Aquisição da linguagem, Aprendizagem de categorias, Análise distribucional, Modelagem Cognitiva

Resumo

Uma criança adquirindo a língua deve descobrir quais são as categorias sintáticas em sua língua e atribuir palavras a uma ou mais delas. A questão que nos propomos a responder aqui é o quanto dessa aprendizagem pode ser realizada através da análise distribucional de enunciados. Para este fim, uma re-implementação do modelo computacional de Redington, Chater e Finch (1998) foi conduzida e aplicada a dados do Português Brasileiro, obtidos de corpora disponíveis publicamente, tanto com fala dirigida à criança, quanto com fala entre adultos. Os resultados de todos os experimentos são apresentados e discutidos. Estes experimentos investigam mais variáveis e aspectos envolvidos nesta tarefa de aprendizagem: tipos de contextos distribucionais, o número de palavras-alvo e de contexto assumidas, o valor da informação distribucional para as diferentes categorias, tamanho do corpus etc. Uma comparação entre a fala dirigida à criança e a fala entre adultos também é feita. Em geral, nossos resultados dão suporte aos de Redington et al. (1998), embora tenhamos encontrado algumas diferenças possivelmente importantes e até contraditórias. Também avaliamos a medida cosseno, comparando a performance obtida com ela à performance obtida com a correlação de Spearman usada no estudo de Redington et al. (1998). Esta última parece produzir melhor performance. Neste artigo, focamos numa análise quantitativa dos nossos resultados.

Referências

Baroni, M. &Lenci, A. (2010). Distributional memory: A general framework for corpus-based semantics. Computational Linguistics, 36(4), 673–721. DOI: https://doi.org/10.1162/coli_a_00016

Bernal, S., Lidz, J., Millotte, S.& Christophe, A. (2007). Syntax constrains the acquisition of verb meaning. Language Learning and Development, 3, 325–341. DOI: https://doi.org/10.1080/15475440701542609

Berwick, R. C., Pietroski, P., Yankama, B. & Chomsky, N. (2011). Poverty of the stimulus revisited. Cognitive Science, 35, 1207–1242. DOI: https://doi.org/10.1111/j.1551-6709.2011.01189.x

Brown, R.W. (1957). Linguistic determinism and the part of speech. Journal of Abnormal & Social Psychology, 55(1), 1–5. DOI: https://doi.org/10.1037/h0041199

Clark, A. (2003). Combining distributional and morphological information for part of speech induction. In Proceedings of the Tenth Conference on European Chapter of the Association for Computational Linguistics –Volume 1, EACL’03(pp.59–66).Stroudsburg, PA, USA:Association for Computational Linguistics. DOI: https://doi.org/10.3115/1067807.1067817

Faria, P. (2019). The Role of Utterance Boundaries and Word Frequencies for Part-of-speech Learning in Brazilian Portuguese Through Distributional Analysis. In Proceedings of the Workshop on Cognitive Modeling and Computational Linguistics(NAACL’19), 152–159. DOI: https://doi.org/10.18653/v1/W19-2917

Faria, P. &Ohashi, G. O. (2018). A aprendizagem distribucional no português brasileiro: um estudo computacional. Revista LinguíStica,14(3),128–156. DOI: https://doi.org/10.31513/linguistica.2018.v14n3a21419

Frank, M. C. (2011). Computational models of early language acquisition. CurrentOpinion in Neurobiology,21(3), 381–386. https://doi.org/10.1016/j.conb.2011.02.013. DOI: https://doi.org/10.1016/j.conb.2011.02.013

Galves, C.,Andrade, A. L. de & Faria, P. (2017). Tycho Brahe Parsed Corpus of Historical Portuguese. <http://www.tycho.iel.unicamp.br/corpus/en/>. DOI: https://doi.org/10.1075/lv.00004.gal

Harris, Z.S. (1954). Distributional structure. Word, 10(2-3),146–162. DOI: https://doi.org/10.1080/00437956.1954.11659520

Kaplan, F., Oudeyer, P.-Y. & Bergen, B. (2008). Computational models in the debate over language learnabiliy. Infant and Child Development, 17(1), 55–80. DOI: https://doi.org/10.1002/icd.544

Landau, B.&Gleitman, L. R. (1985). Language and experience: evidence from the blind child. Harvard University Press, Cambridge, MA.

Lenci, A. (2018). Distributional models of word meaning. AnnualReview ofLinguistics, 4,151–171. DOI: https://doi.org/10.1146/annurev-linguistics-030514-125254

Hirsh-Pasek, K., Kemler Nelson, D. G., Jusczyk, P. W., Cassidy, K. W., Druss, B. & Kennedy, L. (1987). Clauses are perceptual units for young infants. Cognition, 26(3), 269–286. DOI: https://doi.org/10.1016/S0010-0277(87)80002-1

MacWhinney, B. (2000). The CHILDES Project: Tools for analyzing talk, third edition. Lawrence Erlbaum Associates, Mahwah, NJ.

Mikolov, T., Sutskever, I., Chen, K., Corrado, G. & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Proceedings of the 26th International Conference on Neural Information Processing Systems –Volume 2, NIPS’13(pp.3111–3119).Lake Tahoe, NV, USA:Curran Associates Inc.

Pennington, J., Socher, R. & Manning, C. D. (2014). Glove: Global vectors for word representation. EMNLP, 14, 1532–1543. DOI: https://doi.org/10.3115/v1/D14-1162

Pullum, G. K. (1996). Learnability, hyperlearning, and the poverty of the stimulus. In Proceedings of the Twenty-Second Annual Meeting of the Berkeley Linguistics Society: General Session and Parasession on The Role of Learnability in Grammatical Theory(pp.498–513). Berkeley, California: Berkeley Linguistics Society. DOI: https://doi.org/10.3765/bls.v22i1.1336

Redington, M., Chater, N. & Finch, S. (1998). Distributional information: A powerful cue for acquiring syntactic categories. Cognitive Science, 22(4), 425–469. DOI: https://doi.org/10.1207/s15516709cog2204_2

Seidenberg, M. S. (1997). Language acquisition and use: Learning and applying probabilistic constraints. Science, 275(14), 1599–1603. DOI: https://doi.org/10.1126/science.275.5306.1599

Snow, C. E. (1977). The development of conversation between mothers and babies. Journal of Child Language, 4, 1–22. DOI: https://doi.org/10.1017/S0305000900000453

Tomasello, M. (1995). Language is not an instinct. Cognitive Development, 10, 131–156. DOI: https://doi.org/10.1016/0885-2014(95)90021-7

Turney, P. D. & Pantel, P. (2010). From frequency to meaning: Vector space models of semantics. Journal of Artificial Intelligence Research, 37(1), 141–188. DOI: https://doi.org/10.1613/jair.2934

Wintner, S. (2010). Computational Models of Language Acquisition. InA. Gelbukh (Ed.),Proceedingsof the 11th international conference on Computational Linguistics and Intelligent Text Processing(CICLing'10)(pp. 86–99).Berlin, Heidelberg: Springer-Verlag. http://dx.doi.org/10.1007/978-3-642-12116-6_8 DOI: https://doi.org/10.1007/978-3-642-12116-6_8

Yang, C.(2002). Knowledge and learning in natural language. Oxford: Oxford University Press.

Yang, C. (2012).Computational models of syntactic acquisition. Wiley Interdisciplinary Reviews: Cognitive Science, 3,205–213. http://dx.doi.org/10.1002/wcs.1154 DOI: https://doi.org/10.1002/wcs.1154

Downloads

Publicado

16-12-2019

Como Citar

Faria, P. (2019). Aprendizagem de categorias de palavras por análise distribucional resultados adicionais para Português Brasileiro. Diacrítica, 33(2), 229–251. https://doi.org/10.21814/diacritica.415