Modèle de caractere mots fleches

Les mégastudies confirment que le seul déterminant le plus puissant de la décision lexicale ou de la vitesse de nommage est le logarithme de la fréquence d`occurrence du mot dans la langue (bien qu`il y ait débat sur la forme exacte de cette fonction [56, 57]). Alors, comment les modèles expliquent-ils l`effet mot-fréquence? La plupart des modèles simplement construire l`effet dans sans offrir aucune explication de pourquoi les choses devraient être de cette façon. Par exemple, les modèles d`apprentissage connexionnistes présentent presque toujours des mots au cours de l`entraînement proportionnellement au logarithme de leur fréquence, et non à leur fréquence réelle [13, 50]. Toutefois, un modèle bayésien doit tenir compte de la probabilité antérieure (figure 1); c`est-à-dire sa fréquence. Lorsque cela est combiné avec l`hypothèse que la perception implique l`accumulation de preuves bruyantes, cela produit automatiquement la relation logarithmique observée entre la fréquence et RT [4]. Autrement, le modèle bayésien délivre la fonction de fréquence de log gratuitement et ceci explique pourquoi nous devrions observer une fonction logarithmique plutôt que n`importe quel autre. Les modèles IA (voir figure 1 dans le texte principal) ont plusieurs caractéristiques attrayantes. L`une est qu`ils sont relativement faciles à comprendre. Le principe de base est un de la concurrence entre les noeuds de mot.

Les mots reçoivent l`activation proportionnellement à la façon dont ils correspondent à l`entrée et les noeuds rivalisent les uns avec les autres au moyen de connexions inhibitrices. Le mot le mieux assorti gagnera la compétition mais sera ralenti par la concurrence à partir de mots similaires. Le modèle d`IA le plus avancé est le SCM [2]. Le SCM diffère des modèles antérieurs d`IA en ce qu`il peut traiter des mots de différentes longueurs. Cela lui permet de simuler une gamme beaucoup plus large de phénomènes que les modèles antérieurs. Un des soucis avec les modèles d`IA est que les réseaux exigent généralement de nombreux paramètres dont les valeurs exactes n`ont pas de motivation raisonnée. Par exemple, quelle quantité d`inhibition devrait-il y avoir entre les mots ou comment les modèles devraient-ils implémenter l`effet de la fréquence de mot? Dans un modèle bayésien [6, 9, 12], de telles questions ne se posent pas; le traitement précis de la concurrence lexicale et de la fréquence des mots découle automatiquement de l`affirmation théorique selon laquelle les lecteurs approximatifs des décideurs bayésiens idéaux. La figure 1, dans le texte principal, montre un modèle d`IA simple et un théorème de Bayes.

Bien qu`un réseau de connexionnistes et une équation ressemblent à des choses très différentes, ils atteignent des extrémités similaires. Chaque nœud de mot dans le modèle d`IA résume son entrée perceptuelle des noeuds de lettre ou d`entité. Étant donné que chaque nœud de mot est connecté à chaque autre nœud, tous les nœuds reçoivent la même quantité d`inhibition, où cette inhibition est proportionnelle à la somme de tous les autres nœuds. Selon le théorème de Bayes, la probabilité de chaque mot est une fonction de la preuve pour ce mot (appelé la probabilité) divisé par la preuve pour tous les autres mots. Il y a un parallèle clair entre les deux formalismes. Par conséquent, un réseau correctement configuré pourrait calculer le théorème de Bayes, mais il pourrait également calculer une gamme de fonctions différentes. Pourrions-nous gagner quelque chose en implémentant un modèle bayésien en tant que réseau de connexion? Une implémentation de réseau calculerait simplement exactement la même fonction et produirait exactement les mêmes simulations, mais il serait plus difficile d`apprécier l`importance de la revendication théorique que les lecteurs étaient approximant les décideurs bayésiens idéaux. Comme l`a fait remarquer Anderson [28], «si deux théoriciens proposent deux ensembles de mécanismes dans deux architectures qui calculent la même fonction, ils proposent la même théorie». L`ajout d`un «s» à un mot le pluralise. Comme dans un chien, beaucoup de chiens.

Vers le haut, vers le bas, etc. sont des directions. Il n`y a que des exemples rares où il est grammatiquement correct de pluraliser ces mots, un exemple pourrait être où vous avez 20 signes qui disent “vers le haut”.