Predicting Age of Acquisition for Children's Early Vocabulary in Five Languages Using Language Model Surprisal

可预测性 具体性 购置年龄 词汇 计算机科学 按频率列出的单词列表 词(群论) 名词 语言学 自然语言处理 人工智能 心理学 认知心理学 认知 判决 数学 统计 神经科学 哲学
作者
Eva Portelance,Yuguang Duan,Michael C. Frank,Gary Lupyan
出处
期刊:Cognitive Science [Wiley]
卷期号:47 (9)
标识
DOI:10.1111/cogs.13334
摘要

What makes a word easy to learn? Early-learned words are frequent and tend to name concrete referents. But words typically do not occur in isolation. Some words are predictable from their contexts; others are less so. Here, we investigate whether predictability relates to when children start producing different words (age of acquisition; AoA). We operationalized predictability in terms of a word's surprisal in child-directed speech, computed using n-gram and long-short-term-memory (LSTM) language models. Predictability derived from LSTMs was generally a better predictor than predictability derived from n-gram models. Across five languages, average surprisal was positively correlated with the AoA of predicates and function words but not nouns. Controlling for concreteness and word frequency, more predictable predicates and function words were learned earlier. Differences in predictability between languages were associated with cross-linguistic differences in AoA: the same word (when it was a predicate) was produced earlier in languages where the word was more predictable.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
诚心惜雪发布了新的文献求助10
刚刚
小巧秋天发布了新的文献求助10
1秒前
cdercder应助tly采纳,获得10
1秒前
千里江山一只蝇完成签到,获得积分10
2秒前
Andy发布了新的文献求助10
4秒前
5秒前
若枳生淮南完成签到,获得积分20
6秒前
9秒前
星星轨迹发布了新的文献求助10
10秒前
要减肥冥发布了新的文献求助10
10秒前
情怀应助小巧秋天采纳,获得10
10秒前
11秒前
tt完成签到 ,获得积分10
11秒前
Nole应助邱冯冯采纳,获得30
11秒前
alex_angew发布了新的文献求助10
12秒前
整齐紫槐完成签到 ,获得积分10
13秒前
13秒前
22336应助lito采纳,获得20
14秒前
莲枳榴莲完成签到,获得积分10
14秒前
来真的啊你完成签到,获得积分20
14秒前
Lii开心发布了新的文献求助10
15秒前
15秒前
LXY.发布了新的文献求助10
16秒前
yyyyyy完成签到,获得积分10
17秒前
18秒前
Akim应助xuan采纳,获得10
19秒前
xiami发布了新的文献求助10
20秒前
Lucas应助肚子采纳,获得10
21秒前
23秒前
强健的寒松完成签到,获得积分10
23秒前
24秒前
24秒前
米酒汤圆完成签到,获得积分10
24秒前
26秒前
28秒前
SciGPT应助Aurora采纳,获得10
28秒前
Lii开心完成签到,获得积分10
29秒前
30秒前
30秒前
TheDarKnight发布了新的文献求助10
30秒前
高分求助中
Markov Chain Monte Carlo 10000
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
Common Foundations of American and East Asian Modernisation: From Alexander Hamilton to Junichero Koizumi 5000
How to Use Machine Learning in Chemistry: An Introduction 1000
Matrix Methods in Data Mining and Pattern Recognition Second Edition 510
Discerning Saints: Moralization of Intrinsic Motivation and Selective Prosociality at Work 500
Handbuch Trainingswissenschaft – Trainingslehre 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 工程类 有机化学 化学工程 生物化学 计算机科学 内科学 物理 复合材料 催化作用 细胞生物学 无机化学 光电子学 物理化学 电极 基因
热门帖子
关注 科研通微信公众号,转发送积分 7583462
求助须知:如何正确求助?哪些是违规求助? 9162196
关于积分的说明 19606301
捐赠科研通 7165505
什么是DOI,文献DOI怎么找? 3266283
关于科研通互助平台的介绍 2431182
邀请新用户注册赠送积分活动 2257737