Exploring Scaled AIC within English closed compounds

Straipsniai Articolo 273 CHARITONCHARITONIDIS Ricercatore indipendente ORCID id: orcid.org/0000-0003-0298-2629 Campi di ricerca: formazione delle parole, espressioni multi-parole, semantica lessicale, riconoscimento delle parole, emozioni. DOI: doi.org/10.35321/all90-11 Esplorazione dell'AIC a scala In inglese chiuso COMPONTI Lingue inglesi uždarųjų junginių (sudurtinių žodžių) skalės AIC tyrimas Annotazione L'AIC è una misura di validità di qualità stabilita per la selezione di modelli nell'analisi dei dati empirici. Tuttavia, è sensibile alla dimensione del campione. La ricerca precedente dell'autore ha dimostrato che l'AIC Scaled, cioè diviso per la dimensione del campione, è uno strumento efficace per valutare l'adattamento del modello e la gerarchizzazione dei modelli di regressione. Il presente studio esplora ulteriori proprietà di questa variabile. Gli effetti dell'AIC sono 66 modelli di risposta AIC che si riferiscono all'elaborazione di composti inglesi chiusi (concatenati) presi dal progetto Gagné et al. KEYWORDS: composti inglesi, scalato AIC, decisione lessicale, denominazione. ANOTACIJA Akaikės informacijos kriterijus (angl. AIC) è pastovus modelių tinkamumo matas, taikomas empirinių duomenų analizei. Tačiau AIC yra jautrus dydties imžiui. Ankstesni Caritone Caritonidide 274 Acta Linguistica Lituanica XC autoriaus tyrimai parodė, kad skalės patvirtinimas, padalytas iš imties dydžio, yra veiksminga priemonė modelio tinkamumui įvertinti ir regresijos modeli hierarchizuoti. Šiame tyrime nagrinėjamos tolimesnės šio kint ypatybių. patvirtimo objektas 66 daugių regresijos modeliai, susiję su uždarų (sudurtinių) anglų kalbos junginių, paimų iš bazės (ACIC), apdorojimas pirmiausia su projektų metodai Analysis of variance (ANOVA), pagrindinių rezultato Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų irenglio irenglio. ESMINIAI ŽODŽIAI: inglese lingua junginiai (sudurtiniai žodžiai), skalės AIC, leksinis projektu(angl.ELP)irBritųkalbosžodynoprojektu(angl.BLP),kaipatsakolaiko,leksinių sprendimųirįvardijimoužduočių,junginiųilgioirskaidrumonormųšaltiniai.Naudojami sprendimas, įvardijimas. 1. La grande base di dati DELLI COMPONENTI IN LINGUESE (LADEC: GAGNÉ et al. 2019)1 Il Large Database of English Compounds (LADEC) è il più grande database esistente di parole composte, che contiene oltre 8000 nomi composti non-spazati (concatenati) selezionati da varie fonti, tra cui, tra gli altri, il CELEX (NCB et al. 1995), l'English Lexicon Project (ELP; Balota et al. 2007), il British Lexicon Project (BLP; Keeler et al. 2012), il British National Corpus (B) e Wordnet. I modelli di regressione multipla di Gagné et al. (2019) includono un'ampia gamma di variabili predittorie (=indipendenti), come la lunghezza del composto, la frequenza del bigramma 1 Questa sezione è stata adottata da Chariton Charitonidis (2022) con lievi alterazioni. 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical 2 LADEC include i plurali di composti già elencati come voci separate. Straipsniai Articoli 275 e 275 Exploring Scaled AIC within English Closed Compounds I tempi di risposta log per i composti di ELP (decisione lessicale, denominazione) e BLP (decisione lessicale) sono utilizzati come variabili dipendenti. per la maggior parte, la lunghezza del composto (numero di caratteri) e la frequenza del log composto (parola) dal corpus 2009 SULEX-BT-US (Brysbaert, New) 3 e BNC (BLP) sono utilizzati come variabili di controllo. FIGURA 1. Il progetto è stato presentato alla Commissione in campione di vita dopo la morte lucchetto posacenere svantaggio seguito a una revisione del sognando ad occhi aperti antidolorifico schienale regolamento. LADEC voci: pacemaker aereo stupido terremoto cantiere di palla giocatore di testa d'uovo lacci per libro di testo naufragio scarpe buttercup sopracciglia emarginati ritorno fuoco fucile da caccia custode prole incrociato overdrive turnaround L'attenzione principale nello studio di Gagné et al. (2019) è stata posta su varie misure di trasparenza semantica. Gagné et al. (2019) hanno chiesto ai partecipanti di valutare i composti considerando quanto sia prevedibile il significato del composto dalle sue parti (ovvero valutazioni di prevedibilità, basate sul composto) e quanto del significato di ciascuno dei costituenti sia conservato nel composto (ovvero valutazioni di ritenzione, basate sul componente). 3 Il corpus SUBTLEX-US è un corpus di 51 milioni di token basato su sottotitoli di film e programmi televisivi statunitensi. Diversi studi recenti hanno fornito prove che indicano che le norme di frequenza ottenute dai sottotitoli di film e programmi televisivi tendono ad essere più efficaci di quelle derivate da testi stampati quando si tratta di spiegare le differenze nel tempo di elaborazione lessicale e, in alcuni casi, l'accuratezza tra i parlanti nativi di varie lingue. 2018: 2 e i relativi riferimenti). Caritone Caritonidide 276 Acta Linguistica Lithuanica XC il primo componente era più fortemente correlato con la valutazione per l'intero composto rispetto alla valutazione per il secondo componente (c1 ~ cmp: r = 0,75, p <.001 vs. c2 ~ cmp: r = 0,66, p <.001. N = 429).4 In particolare, la valutazione della conservazione del significato per il primo componente e la decisione di valutazione della prevedibilità del significato, la decisione lessicale BLP e i tempi di denominazione ELP. Per forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical concludere, il picco e la distribuzione più elevata delle trasparenza per il secondo componente e la migliore associazione del primo componente con le operazioni di testa nei composti inglesi. il secondo componente, cioè la testa, è un'unità la cui trasparenza è migliorata categoricamente e compound’s meaning predictability appear to be immediately mapped onto semanticamente (per l'aspetto semantico, vedi le relazioni di coinvolgimento e iponimia). il primo componente, cioè il modificatore, è il fattore più critico nello stabilire il riferimento composto. È tipicamente calcolato come segue: […]2lnL + 2k, in cui […]lnL[…] si riferisce alla probabilità logaritmica massima o completa del modello e […]k[…] si riferisce al numero di parametri, compresa la costante. ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative partoftheAICequation). 4 Steiger’s(1980)ztestshowedthatthisdifferencewassignificant,z=27.71,p<.0001(Gagné etal.2019). 5 Riferendosi a ricerche precedenti, Gagné et al. (2019) riferiscono che "il modificatore (il primo costituente in inglese) tende a svolgere un ruolo più importante nella selezione della facilità di relazione durante l'elaborazione di composti e frasi di nomi". Straipsniai Articolo 277 Exploring Scaled AIC within English Closed Compounds L'AICc, una versione corretta dell'AIC, incorpora la dimensione del campione attraverso la formula 2k (k + 1) (n […] k […] 1). Tuttavia, affronta specificamente piccole dimensioni del campione e non è raccomandato per i modelli basati su grandi dimensioni del campione come quello di Gagné et al. (2019). In particolare, Burnham e Anderson (2002: 80 < 85; 334 < 335 ) forniscono una discussione completa delle implicazioni delle dimensioni dei campioni disuguali per il confronto dei modelli. Essi sostengono che l'utilizzo di criteri di informazione per confrontare modelli con dimensioni di campione diverse può portare a risultati fuorvianti. Allo stesso modo, come notato in una discussione online di Svetunkov nel 2016 (vedi riferimento dopo la bibliografia), tutti i criteri di informazione si basano sulla funzione di probabilità che, a sua volta, dipende dalla dimensione del campione. 3. RICERCHE PREVIORA In Charitonidis (2022) i valori dell'AIC per 44 modelli di regressione multipla con diverse combinazioni di variabili emotive (valenza, eccitazione e concretezza per (a) parole e (b) contesti di parole) sono stati divisi per dimensione del campione (N) per ottenere valori scalati (AIC/N). 7 Una delle soluzioni proposte da Burnham e Anderson (2002) si riferisce alla trasformazione dei valori AIC in "pesi di Akaike" che sono definiti come "la probabilità relativa del modello, dati i dati" (Burnham, Anderson 2002: xiii; vedi anche Wagenmakers, Farrell 2004). Il lettore può comprendere l'affermazione di Svetunkov sostituendo valori diversi per la componente […]lnL[…] nell'equazione, mantenendo costante la componente […]2k[…]. Secondo Svetunkov (comunicazione personale), la pratica di dividere il criterio di informazione di Akaike per la dimensione del campione non è nuova. per esempio, Hastie et al. (2009) definiscono in modo non canonico, impiegando N come denominatore nella formula. mentre questa deviazione dalla convenzionale formula di AIC non è senza le sue critiche, rimane un approccio prevalente, come esemplificato dalla sua inclusione nel pacchetto software statistico Stata. Caritone Caritonidide 278 ActaLinguisticaLithuanicaXC L'inserimento di predittori chiave in modelli globali, cioè generali, ha mostrato che i tempi di decisione lessicale BLP richiedevano una migliore bontà di adattamento rispetto ai tempi di decisione lessicale ELP. L'adattamento dei modelli ELP è caduto all'interno dell'intervallo di quelli osservati per i modelli di decisione lessicale ELP e BLP. In particolare, la concretezza del contesto per il secondo componente è emersa come un predittore significativo in tutti i modelli con frequenza SUBTLEX-US, attraverso la decisione lessicale e la denominazione. In Charitonidis (2024), tutti i coefficienti significativi dei modelli globali con frequenza SUBTLEX-US sono stati giustapposti alla variabile di iponimia (Gagné et al. 2020). È stato riscontrato che i modelli che includono sia l'iponimia che la concretezza del contesto per le seconde variabili erano sempre associati al valore scalato costituente più basso rispetto ai modelli nidificati, cioè ridotti, omettendo uno di questi due modelli. Tabella 1. Valori scalati per i modelli annidati che omettono l'iponimia ("Modello 2") o la concretezza del contesto per il secondo componente ("Modello 3") da modelli completi ("Modello 1"") per prevedere i tempi di decisione lessicale (LD) del progetto di lessico inglese (ELP), i tempi di decisione lessicale (BLP) e i tempi di concretezza per il secondo componente ("Modello 1"") da modelli completi ("Modello 2") per prevedere i tempi di decisione lexical (ELP) e di eccitazione (Waldle) del progetto di lexicon britannico (ELP) Modello scalato AIC AIC N ELP LD -3.36281a-3557,85 1058 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD -3.79552a-2903.574 765 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 denominazione ELP - 1358686b-7396.108 2062 - Questo è il caso. 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Straipsniai Articolo 279 Exploring Scaled AIC within English Closed Compounds SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) Tempi di denominazione ELP Modello R2 quadrato F variazione df1 df2 p ELP LD 1.184a47.506 5 1052.000 2-.004 4.562 1 1052 .033 3-.010 13.175 1 1052 .000 BLP LD 1.211a40.479 5 759.000 2-.013 12.091 1 759 .001 3-.015 14.007 1 759 .000 denominazione ELP 1.288b118.711 72054.000 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Predictori: (constante), giudizio iponimico, lunghezza del composto, frequenza SUBTLEX-US, valenza di rappresentazione (cmp), concretezza del contesto (c2) b. Predictori: (Constante), giudizio iponimo, lunghezza del composto, frequenza SUBTLEX-US, valenza di contesto (cmp), eccitazione di contesto (c1), eccitazione di contesto (c2), concretezza di contesto (c2) In conclusione, due diverse misure di dimensione dell'effetto, vale a dire Scaled AIC e la stessa preferenza per il modello migliore. R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating Caritone Caritonidide 280 Acta Linguistica Lituanica XC 4. Lo studio attuale Il presente studio si basa sulla ricerca precedente dell'autore presentata nella sezione 3. I soggetti di ricerca sono 66 modelli di decisione lessicale e di denominazione per i composti chiusi (concatenati) inglesi costruiti da Gagné et al. (2019). Tutti i modelli includono la frequenza SUBTLEX-US come variabile di controllo. I nostri obiettivi sono duplici e funzionano in parallelo. In primo luogo, valutiamo le caratteristiche dei modelli di Gagné et al. (ibid.). Le domande di ricerca sono le seguenti: 1. L'AIC scalato è sensibile alla progettazione del modello di Gagné et al. (2019)? Quali gruppi di modelli sono favoriti? 2. Qual è l'impatto delle variabili di controllo "frequenza composta" e "lunghezza composta" sull'AIC scalato? 3. In che modo la trasparenza morfologica è correlata all'AIC a scala? La nostra ricerca è strutturata come segue: la sezione 5 fornisce una panoramica dei nostri metodi; la sezione 6.1 fornisce statistiche descrittive per l'AIC scalato riferendosi ai modelli in esame; l'accento è posto sulle caratteristiche parametriche e non parametriche delle categorie di modelli; la sezione 7.2 esplora la relazione tra la fonte dei tempi di risposta e i compiti di elaborazione lessicale; la sezione 6.3 giustappone l'AIC scalato alle variabili di controllo "frequenza composta" e "lunghezza composta". 5. Metodi Il nostro metodo generale è stato l'analisi comparativa dei principali parametri e caratteristiche dei modelli di Gagné et al. (2019), utilizzando le variabili scalate come variabile dipendente.Le variabili indipendenti includono le caratteristiche del campione (ad esempio, la fonte del tempo di risposta e le attività di elaborazione lessicale), il design dello studio (ad esempio, il controllo) e il livello di significatività dei coefficienti di trasparenza, tra gli altri fattori. I metodi statistici specifici impiegati sono stati i seguenti: a) statistiche descrittive relative alle medie e alle mediane, insieme all'applicazione del test Shapiro-Wilk per valutare la tendenza centrale, la variabilità e la distribuzione degli effetti di Scaled tra diverse categorie e gruppi di modelli (sezione 6.1 e 6.2), b) analisi principali condotte per la fonte dei tempi di risposta (ELP/BLP) e i compiti di elaborazione lessicale (discussione lessicale) (sezione AIC) Straipsniai Articoli 281 e 282 Exploring Scaled AIC within English Closed Compounds 6. c) ANOVA distinte eseguite sulla fonte del tempo di risposta e sui compiti di elaborazione lessicale, incorporando la lunghezza composta come covariata (sezione 6.3), e d) utilizzo dei test di trasparenza semantica Kruskal-Wallis e Jonckheere-Terpstra (sezione 6.4). to explore differences amongthe ranks of ordinally-recodedcoefficientsfor 6. Analisi 6.1 Classificazione dell'AIC in scala rispetto alle categorie di modelli I 66 valori dell'AIC dei modelli di regressione multipla 2 di Gagné et al. (2019) mostrano il with SUBTLEX-US frequency as a control variable were divided by each model’ssamplesizetoyieldasetof66ScaledAICvalues. Table3belowprovidesthedescriptivestatisticsforScaledAICandFigure grafico a scatola corrispondente che si riferisce all'insieme ordinato di valori.10 Non ci sono stati valori anomali nel campione. I valori di inclinazione (Sk) e di kurtosis (Ku) sono stati tollerabili.11 Il valore medio per l'AIC scalato è stato -3.50030. La deviazione standard è stata di 0,19052, cioè le osservazioni sono state relativamente strettamente raggruppate intorno alla media. I valori minimi e massimi sono stati -3.85502 e -3.15754, rispettivamente. Il valore mediano è stato -3.553, cioè leggermente inferiore al valore medio. (IQR) era di 0,35616. 10 La linea del quartile inferiore o primo della scatola (Q1) segna il confine al di sotto del quale si estende il 25% inferiore dei dati. Allo stesso modo, la linea del quartile superiore o terzo della scatola (Q3) segna il 50% medio dei boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries dati o l'intervallo interquartile (IQR), che può essere calcolato sottraendo 114. In riferimento all'ambiente SPSS, i thefirstquartilefromthethirdquartile(Q3-Q1).Thehorizontallineinsidetheboxshowsthe medianormiddle quartile(Q2),i.e.thevaluethatfallsinthemiddleofthedataset. valori tra -1 e +1 per la distorsione e tra -2 e +2 per la curtosis sono generalmente considerati accettabili per la valutazione della distribuzione normale. What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). Caritone Caritonidide Per rilevare l'influenza della lunghezza del composto e della frequenza del composto sull'AIC scalato, i rispettivi coefficienti di regressione sono stati ricodificati in valori ordinali in base al loro livello di positività e significatività, vedi tabella 6. TABELLA 6. Diagramma di ricodifica ordinale per i coefficienti di regressione Significanza Positività Valori ordinali Descrizione p <.05001 negativo -3 grande effetto negativo p <.0501 negativo -2 moderato effetto negativo p <.0505 negativo piccolo effetto negativo p <.0501 negativo 0 effetto non significativo p <.0501 positivo 1 piccolo effetto positivo p <.0501 positivo 2moderato effetto positivo p <.001 positivo 3grande effetto positivo In modelli di Gagné et al. (2019) la frequenza di SUBTLEX-US è stata sempre associata a coefficienti negativi con un grande effetto, p < Sc.001. Per quanto riguarda la lunghezza composta, tutti i coefficienti di regressione significativi dei modelli di Gagné et al. (2019) hanno avuto un grande effetto positivo (induzione della latenza), p <.001 In contrasto con la variabile SUBTLEX-US, sono apparsi diversi coefficienti non significativi. La lunghezza composta è stata inclusa come una singola variabile indipendente in un modello di regressione lineare. È stato riscontrato che la media scalata AIC prevista per nessuna interferenza della lunghezza composta era 3,611 (= l'intercetto). L'interferenza della lunghezza composta ha portato a un valore più alto di -3.407 (= b = 204, p. 001). Straipsniai Articoli 289 Exploring Scaled AIC within English Closed Compounds FIGURA 6. Lunghezza composta e AIC scalata Abbiamo condotto ANOVA separate per la fonte del tempo di risposta (ELP/BLP) e le prestazioni del compito (decisione lessicale/nominazione), prendendo in considerazione la lunghezza composta come covariata. (a) ANOVA per la fonte del tempo di risposta. BLP è stato assegnato il valore […]0[…] e ELP è stato assegnato il valore […]1[…]. Il test di correlazione di Pearson ha rivelato una forte collinearità tra la fonte del tempo di risposta e la lunghezza del composto, r = 1 (N = 39). (b) ANOVA per le prestazioni del compito. La denominazione è stata assegnata al valore […]0[…] e la decisione lessicale è stata assegnata al valore […]1[…]. Il test di correlazione di Pearson ha rivelato una correlazione negativa tra la lunghezza del compito e la lunghezza del composto, indicando un effetto moderato, r = -.5, p =.001 (N = 39). Questo risultato suggerisce che la lunghezza del composto è più rilevante per la denominazione che per la decisione lessicale. 17 Va notato che 11 dei 13 coefficienti BLP erano negativi. Caritone Caritonidide Acta Linguistica Lituanica XC Quando si considerava il compito come variabile primaria, la lunghezza composta era una lunghezza composta considerata come variabile primaria, il significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when compito era un predittore significativo di Scaled AIC, F (1, 125.30), p = 000. La media scalata preveduta per il solo compito era significativamente diversa dalla media scalata preveduta quando si prendeva in considerazione la lunghezza composta (3,584 vs. 3,203, rispettivamente). Questa sezione indaga l'effetto dei coefficienti di regressione per la semantica sui tre livelli morfologici, cioè composto, primo costituente e secondo costituente. La tabella 7 seguente mostra le mediane e gli intervalli dei coefficienti di trasparenza trasformati ordinariamente per tutti e tre i livelli morfologici. Le mediane forniscono informazioni utili sulla tendenza centrale e sulla dispersione dei valori ordinali e 6.4. ScaledAICvs.transparencynorms possono aiutare a informare le analisi basate su variabili ordinali. TABELLA 7. Coefficienti di transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof trasparenza trasformati ordinariamente: mediane e intervalli Minimo massimo mediano Composto -3-3-1 Primo componente 2-3 3 Secondo componente 0 -2 3 N = 18 Come si può vedere, la mediana per il composto era […]-3[…], la mediana per il primo componente era […]2[…], e la mediana per il secondo componente era […]0[…]. Questi risultati suggeriscono che nei modelli di Gagné et al. Jay con frequenza SUBTLEX-US, la trasparenza per il composto era associata a un grande effetto negativo (tempi di risposta più brevi), la trasparenza per il primo componente era associata a un effetto positivo moderato (tempi di risposta più lunghi) e la trasparenza per il secondo componente non aveva un effetto significativo o aveva un ruolo incerto. Per quanto riguarda l'analisi da seguire, si postula che i modelli che presentano valori di Straipsniai Articoli 291 e 291 Exploring Scaled AIC within English Closed Compounds scala più elevati (inferiori) possano possedere coefficienti significativi, derivati sistematicamente, cioè coefficienti che sono rilevanti solo in base al set di dati LADEC. In questo contesto, la nostra congettura suggerisce che potrebbe emergere una tendenza contrastante nella connessione tra trasparenza e AIC scalata, rispetto all'indicazione fornita dalle mediane nella tabella 7. In particolare, i valori AIC scalati più bassi (migliori) possono essere associati a coefficienti positivi (tempi di risposta più lunghi) per l'intero composto, a coefficienti negativi (tempi di risposta più brevi) per il primo componente e a coefficienti theinherentbiasofthesecondconstituent.18 positivi o negativi (tempi di risposta rispettivamente più lunghi o più brevi) per il secondo componente. Per rispondere alla domanda di ricerca, saranno impiegate due misure non parametriche, ovvero il test di Kruskal-Wallis e il test di Jonckheere-Terpstra. Il test di Kruskal-Wallis, noto anche come "test H", è un test non parametrico basato su 18 In Charitonidis (2024) si sostiene che sia l'iponimia che la concretezza del contesto per il secondo componente sono predittori semantici significativi nella decisione lessicale e nella denominazione. Caritone Caritonidide 292 Acta Linguistica Lituanica XC la distribuzione chi-quadrata. Richiede che la variabile dipendente sia ordinale o continua. Questo test è progettato per determinare se ci sono differenze significative tra le mediane di due o più gruppi ed è utilizzato come alternativa all'ANOVA unidirezionale. Per quanto riguarda la procedura, i valori della variabile dipendente continua, cioè la scala AIC, sono stati ordinati dal più basso al più alto e i punteggi sono stati assegnati ranghi. I ranghi risultanti sono stati inseriti di nuovo nei gruppi di livello di significatività (la variabile indipendente) e i ranghi sono stati sommati. amongothers,squaringthesumofranksforeachgroupandthendividingthis TABELLA 8. Composto Significancelevels N SumofRanks Scalato 1 […] piccolo AIC effetto negativo 1 2 2 […] effetto negativo moderato 5 46 3 grande effetto negativo 12 123 Totale di 18 TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 […] effetto positivo moderato 4 34 3 […] piccolo effetto positivo 1 3 4 […] nessun effetto 1 2 5 […] piccolo effetto negativo 1 10 6 […] effetto negativo moderato 1 11 7 grande effetto negativo 452 Totale di 18 19 Per il resto dei calcoli cfr. Field (2009: 561-562). 20 In tutte e tre le tabelle, la somma totale dei ranghi è di circa 171. È uguale alla somma degli interi da 1 a 18, vedi dimensione del campione (N). Straipsniai Articoli 293 Exploring Scaled AIC within English Closed Compounds TABELLA 10. Secondo componente Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 […] piccolo effetto positivo 1 14 3 […] nessun effetto 8 59 4 […] piccolo effetto negativo 1 18 5–moderatenegativeeffect 221 Totale di 18 Prima di approfondire i risultati del test di Kruskal-Wallis (H), è importante notare che questo test non fornisce informazioni sulle differenze specifiche tra i singoli gruppi. per affrontare questo problema, è stato inoltre utilizzato il test di Jonckheere-Terpstra (JT). questo test ha fornito informazioni sul fatto che le mediane dei gruppi siano aumentate o diminuite nell'ordine specificato dalla variabile di codifica (gruppo), in particolare da un grande effetto positivo a un grande effetto negativo. (a) L'AIC scalato per il composto non è stato significativamente influenzato dal livello di significatività, come determinato dal test di Kruskal-Wallis (H (2) = 2,226 p > 0,05). 1,064, p. 05). (b) L'AIC scalato (6) per il primo componente non è stato significativamente influenzato dal livello di significatività, come determinato dal test di Kruskal-Wallis (H = 5,427, p > 0,05). (c) L'AIC scalato per il secondo componente non è stato significativamente influenzato dal livello di significatività, come determinato dal test di Kruskal-Wallis (H (4) = 4.607, p > 0.05). Caritone Caritonidide 294 ActaLinguisticaLithuanicaXC In particolare, la statistica z del test Jonckheere-Terpstra era essenzialmente zero, in conformità con la mediana zero per il secondo componente nella tabella 7 (JT = 54, z = 0,041, p > 0,05). Riassumendo, si può dedurre che il livello di significatività dei coefficienti di trasparenza nei modelli di Gagné et al. (2019) con frequenza SUBTLEX-US non influisce sulla grandezza di Scaled. valori AIC. Per garantire la chiarezza e la completezza nella presentazione dei risultati della nostra ricerca, abbiamo incorporato una sezione dedicata incentrata sulla sintesi dei risultati chiave del nostro studio. 7. Risultati chiave 11 di seguito presenta un'analisi completa delle prestazioni del modello e delle variabili pertinenti nel contesto delle decisioni lessicali e dei compiti di denominazione, basata sui risultati di Gagné et al. Tabella. Ciascuna sezione della tabella approfondisce argomenti specifici, rivelando quali modelli sono più efficaci. I test ANOVA e Kruskal-Wallis/Jonckheere-Terpstra (sezioni 6.3 e 6.4) sono stati applicati dopo aver assegnato coefficienti nominali (ordinali o categorici) ai modelli di regressione di Gagné et al. (2019). TABELLA 11. AIC scalato all'interno dei composti chiusi inglesi: analisi completa delle prestazioni del modello nelle attività di decisione lessicale e di denominazione (Gagné et al. 2019) Subjects Statistics Evaluation Section Categorie di modelli Test di normalità Descrizioni ELP BLP decisione lessicale denominazione ELP decisione lessicale NPAR/~ PAR […] PAR […] 6.1 Tempo di risposta ELP ~ fonte Nominazione task Effetti principali decisione lessicale dell'ELP di decisione lessicale BLP elaborazione lessicale […]6.2 Straipsniai Articoli 295 e 295 Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Variabili di controllo ANOVA Frequenza composta Lunghezza del composto ✓ ~ 6.3 Semantica NOF/ns Kruskal-Walltrasparenza Terpstra is Primo Jonckheere-- Compoucomponente Secondo nd NOF/ns componente NOF/ns 6.4 PAR: dati parametrici | NPAR: dati non parametrici | : modelli migliori (AIC più basso) ~: modelli inferiori (AIC più alto) | NOF/ns: nessuna prova di sovrapposizione/non significativa 8. Discussione La ricerca precedente di Charitonidis (2022, 24) ha dimostrato che Scaled AIC è una misura affidabile della bontà dell'adattamento che può essere impiegata nella selezione del modello, forse in collaborazione con altre misure come il test Wald (cfr. sezione 2023) con riferimento ai modelli di regressione multipla con frequenza SUBTLEX-US. Tuttavia, la presente analisi ha introdotto proprietà aggiuntive della misura Scaled AIC. informationcriteria(seesection2),thefindingsofthisstudysuggestthatin Prima di procedere ai risultati primari di questo documento, è importante notare che le addresstheresearchquestionssetupinsection4. distribuzioni dei valori di scalabilità AIC, insieme alle combinazioni di diverse fonti di tempi di risposta e compiti di elaborazione, suggeriscono che la scalabilità AIC identifica efficacemente la presenza o l'assenza di fattori sottostanti ben definiti nella progettazione sperimentale e nella modellazione statistica. La frequenza composta è stata eccezionalmente un predittore negativo dell'AIC scalato, indicando sempre un grande effetto. Caritone Caritonidide 296 Acta Linguistica Lithuanica XC correlazioni positive significative con la lunghezza composta che prevedono valori AIC scalati più alti (=inferiori). La decisione lessicale BLP ha costantemente mostrato correlazioni non significative con la lunghezza composta. Sia la decisione lessicale che la lunghezza composta hanno predetto modelli inferiori nell'aggiustamento covariato. La positività e il livello di significatività dei coefficienti di trasparenza nei modelli di Gagné et al. (2019) non hanno influenzato la grandezza di Scaled AIC. Questa scoperta implica che i modelli di Gagné et al. (2019) con predittori di trasparenza non introducono pregiudizi di sovrapposizione. Riferendosi a sezioni specifiche delle analisi, i risultati primari di questo studio possono essere riassunti come segue: nella sezione 6.1, la nostra analisi si è concentrata sul confronto tra i valori Scaled in varie categorie di modelli. Anche dopo aver tentato le trasformazioni "logaritmo naturale" e "radice quadrata" sui valori assoluti, il campione complessivo Scaled non era conforme a una distribuzione normale. Nella sezione 6.2, il nostro obiettivo si è spostato verso l'esame della relazione tra l'AIC scalato e (a) le fonti dei tempi di risposta e (b) le prestazioni delle attività.Curiosamente, le gamme di valori dell'AIC scalato per i modelli di decisione lessicale ELP e BLP non si sovrappongono, significando la loro distintività.I risultati dei test hanno rivelato effetti principali significativi sia della fonte di tempo di risposta che delle prestazioni delle attività sull'AIC scalata. Nella sezione 6.3, la nostra esplorazione ha approfondito la relazione tra Scaled AIC e le variabili di controllo "frequenza composta" e "lunghezza composta". La frequenza composta è stata esclusa dall'analisi perché era perfettamente collineare con Scaled. D'altra parte, è stato osservato un declino dei valori Scaled quando la lunghezza composta è diventata un fattore rilevante all'interno dei modelli. Concomitantly,compoundlengthwasmostrelevantforthenamingtask. Nella sezione 6.4, la nostra attenzione è stata posta sulla relazione tra l'AIC scalato e il livello andsemantictransparency.Theresearchquestionwaswhetherthepositivity di significatività dei coefficienti di trasparenza nei modelli di Gagné et al. (2019) che hanno avuto un impatto sull'AIC scalato. L'obiettivo principale del nostro metodo era quello di rilevare potenziali effetti di sovrapposizione. Abbiamo postulato che i modelli con valori scalati inferiori potrebbero possedere coefficienti significativi che detengono la rilevanza Straipsniai Articoli 297 Exploring Scaled AIC within English Closed Compounds accordingtotheLADECdatasetalone.Whileweobservedatrendofincreasing (=inferior)ScaledAICvaluesforaclusterofsignificantnegativecoefficientsat del livello composto […] allineandosi con la nostra ipotesi di sovrapposizione […]. In conclusione, l'esplorazione di diversi parametri utilizzando Scaled AIC come variabile dipendente ha illuminato i diversi modi in cui le categorie di modelli, la fonte del tempo di risposta, le attività di elaborazione, le variabili di controllo e la trasparenza semantica influenzano la bontà dell'adattamento dei modelli. REFERENCES Akaike Hirotugu 1973:InformationTheoryandanExtensionoftheMaximum Likelihood Principle. – Second International Symposium on Information Theory, eds. B.F.Csaki,B.N.Petrov,Budapest:AcademiaiKiado,267–281. AldrichJohnR.1997:R.A.FisherandtheMakingofMaximumLikelihood1912– 1922.–Statistical Science12(3),162–176. Baayen Harald R., Piepenbrock Richard, Gulikers Leon 1995: The CELEX Lexical Database(Dataset,Release2,CD-ROM),LinguisticDataConsortium, UniversityofPennsylvania.Availableat:https://catalog.ldc.upenn.edu. Balota David A., Yap Melvin J., Cortese Michael J., Hutchison KeithI.,KesslerBrett,LoftisBjorn,NeelyJamesH.,NelsonDouglas L.,SimpsonGregB.,TreimanRebecca2007:TheEnglishLexiconProject.– Behavior Research Methods39,445–459. Brysbaert Marc, New Boris 2009: Moving Beyond Kučera and Francis: A CriticalEvaluationofCurrentWordFrequencyNormsandtheIntroductionofaNew andImprovedWordFrequencyMeasureforAmericanEnglish.–Behavior Research Methods41,977–990.DOI:doi.org/10.3758/BRM.41.4.977. BurnhamKennethP.,AndersonDavidR.2002:Model Selection and Multimodal Inference: A Practical Information-Theoretic Approach, 2ndedition,NewYork:Springer. DOI:dx.doi.org/10.1007/b97636. Charitonidis Chariton 2022:ContextConcretenessfortheSecondConstituent SlowsDownCompound-WordProcessing.–Lexis20.DOI:doi.org/10.4000/lexis.6769.