Exploring Scaled AIC within English closed compounds

Artykuły / Articles 273 CHARITONCHARITONIDIS Niezależny badacz Identyfikator ORCID: orcid.org/0000-0003-0298-2629 Dziedziny badań: słowotwórstwo, wyrażenia wielowyrazowe, semantyka leksykalna, rozpoznawanie słów, emocje. DOI: doi.org/10.35321/all90-11 BADANIE SKALOWANEGO AIC W OBRĘBIE ANGIELSKICH ZŁOŻEŃ ZAMKNIĘTYCH Angielskie związki zamknięte (złożeń) analiza skalowanego AIC ADNOTACJA Kryterium informacyjne Akaike’a (AIC) jest uznaną miarą dobroci dopasowania służącą do wyboru modeli w analizie danych empirycznych. AIC jest jednak wrażliwe na wielkość próby. Wcześniejsze badania autora wykazały, że przeskalowane AIC, tj. AIC podzielone przez liczebność próby, jest skutecznym narzędziem oceny dopasowania modeli i hierarchizacji modeli regresji. Niniejsze badanie analizuje dalsze właściwości tej zmiennej. Przedmiotem badania jest 66 modeli regresji wielorakiej odnoszących się do przetwarzania angielskich związków zamkniętych (sklejonych), zaczerpniętych z Large Database of English Compounds (LADEC) Gagné et al. (2019). W szczególności przeskalowane AIC zestawiono z English Lexicon Project (ELP) i British Lexicon Project (BLP) jako źródłami czasów reakcji, zadaniami decyzji leksykalnej i nazywania, długością związku oraz normami przejrzystości. Jako metody zastosowano jednoczynnikową analizę wariancji ANOVA, analizę efektów głównych oraz testy nieparametryczne. Wyniki sugerują, że przeskalowane AIC jest wrażliwe na projekt eksperymentalny, źródło czasów reakcji oraz zadania decyzji leksykalnej i nazywania. Jednocześnie wyniki niniejszego badania dostarczają empirycznego wsparcia dla walidacji metod zastosowanych przez Gagné et al. (2019). SŁOWA KLUCZOWE: angielskie związki, przeskalowane AIC, decyzja leksykalna, nazywanie. ANOTACIJA Kryterium informacyjne Akaikego (ang. AIC) jest stałą miarą dopasowania modeli, stosowaną do analizy danych empirycznych. AIC jest jednak wrażliwe na wielkość próby. Wcześniejsze CHARITON CHARITONIDIS 274 Acta Linguistica Lithuanica XC badania autora wykazały, że skalowane AIC, podzielone przez wielkość próby, jest skutecznym narzędziem oceny dopasowania modelu i hierarchizowania modeli regresji. W niniejszym badaniu analizowane są dalsze właściwości tej zmiennej. Przedmiotem badania jest 66 modeli regresji wielorakiej związanych z przetwarzaniem zamkniętych (złożonych) połączeń języka angielskiego, pochodzących z bazy (ang. LADEC). Najpierw skalowane AIC porównano Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų z metodami słownikowymi języka angielskiego – jednoczynnikową ANOVA (ang. Analysis of variance), 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 analizą głównych wyników oraz testami nieparametrycznymi. Wnioski pokazują, że skalowane AIC reaguje na projekt eksperymentalny, źródło czasów reakcji oraz zadania decyzji leksykalnej i nazywania. Jednocześnie wyniki tego badania dostarczają empirycznej podstawy do potwierdzenia metod stosowanych przez Gagné i innych (2019). SŁOWA KLUCZOWE: połączenia języka angielskiego (złożenia), skalowane AIC, decyzja leksykalna, nazywanie. 1. DUŻA BAZA DANYCH ANGIELSKICH ZWIĄZKÓW (LADEC: GAGNÉ ET AL. 2019)1 Wielka Baza Angielskich Złożeń (LADEC: Gagné et al. 2019) jest największą istniejącą bazą danych wyrazów złożonych. Zawiera ponad 8000 złożeń bez spacji („zamkniętych” lub „łącznych”) (=rzeczowników) wybranych z różnych źródeł, w tym między innymi z bazy CELEX (Baayen et al. 1995), English Lexicon Project (ELP; Balota et al. 2007), British Lexicon Project (BLP; Keuleers et al. 2012), British National Corpus (BNC) oraz Wordnet. Z pełnego zbioru haseł LADEC 7,804 złożeń można jednoznacznie rozłożyć na dwa konstytuuentne wolne morfemy.2 Uwzględniono ogromną różnorodność złożeń, na przykład złożenia rzeczownik-rzeczownik, np. buttercup, shipyard, złożenia z drugim konstytuentem wywiedzionym z tematu czasownikowego, np. pacemaker, painkiller itd. (definicje klas złożeń zob. kategorie Liebera). Rysunek 1 zawiera krótki wybór haseł LADEC. Modele wielokrotnej regresji Gagné et al. (2019) obejmują szeroki zakres zmiennych predykcyjnych (=niezależnych), takich jak długość złożenia, częstość bigramu 1 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical Niniejsza część została zaadaptowana z Chariton Charitonidis (2022) z niewielkimi zmianami. 2 LADEC zawiera liczby mnogie już wymienionych złożeń jako odrębne hasła. Straipsniai / Articles 275 Exploring Scaled AIC within English Closed Compounds na granicy morfemów, rozmiar rodziny, częstość wyrazów, miary prawdopodobieństwa i asocjacji (oparte na wektorach), normy emocjonalne/normy dotyczące sentymentu obliczone na podstawie ocen uczestników itd. Logarytmiczne czasy reakcji dla złożeń z ELP (decyzja leksykalna, nazywanie) i BLP (decyzja leksykalna) są wykorzystywane jako zmienne zależne. W większości przypadków jako zmienne kontrolne stosuje się długość złożenia (liczbę znaków) oraz logarytmiczną częstość złożenia (=wyrazu) z korpusu SUBTLEX-US (Brysbaert, New 2009)3 i BNC (BLP). W modelach Gagné et al. (2019) wspomniane wyżej zmienne predykcyjne miały istotny wpływ na czasy decyzji leksykalnej i nazywania. RYSUNEK 1. Hasła LADEC: sample afterlife daydreaming pacemaker earthquake shipyard ballplayer offspring textbook castaway aircraft dimwit padlock ashtray egghead shoelace buttercup outcasts throwback crossfire drawback painkiller backboard eyebrow shotgun caretaker overdrive turnaround Główny nacisk w badaniu Gagné et al. (2019) położono na różne miary przejrzystości semantycznej. Gagné et al. (2019) poprosili uczestników o ocenę złożeń pod kątem tego, jak przewidywalne jest znaczenie złożenia na podstawie jego części (oceny przewidywalności znaczenia, oparte na złożeniu) oraz w jakim stopniu znaczenie każdego z konstytuentów zostaje zachowane w złożeniu (oceny zachowania znaczenia, oparte na konstytuentach). Autorzy stwierdzili, że rozkład przejrzystości dla drugiego konstytuentu był znacznie bardziej skupiony i wyższy niż rozkład przejrzystości dla pierwszego konstytuentu (MC1: 64.80 [SD: 19.59] vs. MC2: 71.00 [SD: 16.46]. N = 8115). Jednakże ocena dla 3 Korpus SUBTLEX-US to korpus zawierający 51 milionów tokenów, oparty na napisach dialogowych z amerykańskich filmów i programów telewizyjnych. Kilka niedawnych badań dostarczyło dowodów wskazujących, że normy częstości uzyskane z napisów do filmów i programów telewizyjnych są zwykle skuteczniejsze niż te wyprowadzone z tekstów drukowanych, jeśli chodzi o wyjaśnianie różnic w czasie przetwarzania leksykalnego oraz, w niektórych przypadkach, w poprawności odpowiedzi wśród rodzimych użytkowników różnych języków (zob. Chen et al. 2018: 2 oraz przywołane tam odniesienia). CHARITON CHARITONIDIS 276 Acta Linguistica Lithuanica XC pierwszy składnik był silniej skorelowany z oceną całego złożenia niż ocena drugiego składnika (c1~cmp: r = 0.75, p < .001 vs. c2~cmp: r = 0.66, p < .001. N = 429).4 Co najbardziej istotne, ocena zachowania znaczenia pierwszego składnika oraz decyzja dotycząca oceny przewidywalności znaczenia, decyzja leksykalna BLP i czasy nazywania ELP. Podsumowując, wyższy i bardziej skupiony rozkład przejrzystości drugiego składnika oraz forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical lepsze powiązanie pierwszego składnika z operacjami głowy w angielskich złożeniach. Drugi składnik, tj. głowa, jest jednostką, której przejrzystość wzrasta kategorialnie i semantycznie (w aspekcie semantycznym zob. relacje wynikania i hiponimii). Pierwszy składnik, compound’s meaning predictability appear to be immediately mapped onto tj. modyfikator, jest najważniejszym czynnikiem w ustalaniu odniesienia złożenia. W rezultacie jego przejrzystość współzmienia się z oczekiwaniem przejrzystości odległości Kullbacka-Leiblera (Kullback 1959), wykorzystującym zmaksymalizowane przez Fishera log-wiarygodności (Fisher 1922; zob. także Aldrich 1997). Miara ta, powszechnie określana jako kryterium informacyjne Akaikego (AIC; Akaike 1973), wprowadziła nowe ramy wyboru modeli w ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative analizie danych empirycznych, wyznaczając znaczącą zmianę paradygmatu (Burnham, Anderson 2002). AIC zazwyczaj oblicza się następująco: –2lnL + 2k, gdzie „lnL” odnosi się do zmaksymalizowanego/pełnego log-wiarygodności modelu, a „k” odnosi się do liczby parametrów, w tym stałej. Mniejszy zbiór predyktorów jest zazwyczaj związany z bardziej efektywnymi modelami (modelami o mniejszej utracie informacji). Im niższa (= bardziej ujemna) jest wartość AIC, tym lepsze dopasowanie modelu. W tym kontekście AIC, jako miara dobroci dopasowania, nakłada karę za wykorzystanie dużej liczby predyktorów, które potencjalnie prowadzą do wyższych wartości AIC (zob. „+2k” 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 Odwołując się do wcześniejszych badań, Gagné et al. (2019) podają, że „modyfikator (pierwszy składnik w języku angielskim) ma tendencję do odgrywania większej roli w łatwości wyboru relacji podczas przetwarzania złożeń i grup rzeczownikowych.” Straipsniai / Artykuły 277 Exploring Scaled AIC within English Closed Compounds AIC jest wrażliwe na wielkość próby. AICc, skorygowana wersja AIC, uwzględnia wielkość próby za pomocą wzoru 2k (k + 1)/(n – k – 1). Odnosi się jednak konkretnie do małych prób i nie jest zalecane w przypadku modeli opartych na dużych próbach, takich jak próba w badaniu Gagné et al. (2019).6 Należy zauważyć, że badacze tacy jak Kenneth P. Burnham i David R. Anderson (2002) nie przedstawiają ostatecznego rozwiązania kwestii porównywania wartości AIC modeli dopasowanych na podstawie zarówno różnych, jak i dużych prób.7 W szczególności Burnham i Anderson (2002: 80–85, 334–335) przedstawiają wyczerpującą dyskusję na temat konsekwencji nierównych liczebności prób dla porównywania modeli. Twierdzą, że stosowanie kryteriów informacyjnych do porównywania modeli o różnych liczebnościach prób może prowadzić do mylących wyników. Podobnie, jak zauważył Svetunkov w dyskusji internetowej w 2016 roku (zob. pozycję bibliograficzną zamieszczoną po bibliografii), wszystkie kryteria informacyjne opierają się na funkcji wiarygodności, która z kolei zależy od wielkości próby. W szczególności wraz ze wzrostem wielkości próby wiarygodność maleje. W konsekwencji w takich przypadkach wzrastają również kryteria informacyjne.8 3. WCZEŚNIEJSZE BADANIA W Charitonidis (2022) wartości AIC dla 44 modeli regresji wielorakiej z różnymi kombinacjami zmiennych emocjonalnych (walencja, pobudzenie i konkretność dla (a) słów i (b) kontekstów słów) podzielono przez wielkość próby (N), uzyskując wartości skalowanego AIC (AIC/N).9 Następnie wartości te wykorzystano do oceny 6 Więcej informacji na temat AICc można znaleźć w Burnham i Anderson (2002: 374–380). 7 Jedno z rozwiązań proponowanych przez Burnhama i Andersona (2002) odnosi się do przekształcenia wartości AIC w „wagi Akaikego”, definiowane jako „względne prawdopodobieństwo modelu przy danych” (Burnham, Anderson 2002: xiii; zob. także Wagenmakers, Farrell 2004). 8 Dostępne pod adresem: https://stats.stackexchange.com/questions/94718/model-comparison-with-aic-basedon-different-sample-size [dostęp: 16.06.2023]. Czytelnik może zrozumieć stwierdzenie Svetunkova, podstawiając różne wartości składnika ‘lnL’ do równania AIC, przy jednoczesnym utrzymaniu stałego składnika ‘2k’. Spadek wartości lnL spowoduje wzrost, tj. pogorszenie, wartości AIC. 9 W literaturze skalowany AIC określany jest również jako „średni AIC”. Według Svetunkova (komunikacja osobista) praktyka dzielenia kryterium informacyjnego Akaikego przez wielkość próby nie jest nowa. Na przykład Hastie et al. (2009: 230–231) definiują AIC w sposób niekanoniczny, wykorzystując N jako mianownik we wzorze. Chociaż to odstępstwo od konwencjonalnego wzoru AIC nie jest pozbawione krytyków, pozostaje powszechnie stosowanym podejściem, czego przykładem jest jego uwzględnienie w pakiecie oprogramowania statystycznego Stata. Na przykład Stata podaje „AIC podzielone przez N” w wynikach modelu, co potwierdzają różne przykłady dostępne online (Podziękowania kieruję do I. Svetunkova za udostępnienie tych informacji). CHARITON CHARITONIDIS 278 ActaLinguisticaLithuanicaXC i porównać dobroć dopasowania modeli. Wprowadzenie kluczowych predyktorów do modeli globalnych, tj. ogólnych, wykazało, że czasy decyzji leksykalnych BLP wymagały lepszego dopasowania niż czasy decyzji leksykalnych ELP. Dopasowanie modeli nazywania ELP mieściło się w zakresie wartości zaobserwowanych dla modeli decyzji leksykalnych ELP i BLP. Co najważniejsze, konkretność kontekstu dla drugiego członu wyłoniła się jako istotny predyktor we wszystkich modelach z częstością SUBTLEX-US, zarówno w przypadku decyzji leksykalnych, jak i nazywania. W Charitonidis (2024) wszystkie istotne współczynniki z modeli globalnych z częstością SUBTLEX-US zestawiono ze zmienną hiponimii (Gagné et al. 2020). Stwierdzono, że modele uwzględniające zarówno hiponimię, jak i konkretność kontekstu dla drugiego członu były zawsze związane z najniższą (= najlepszą) wartością Scaled AIC w porównaniu z modelami zagnieżdżonymi, tj. zredukowanymi, pomijającymi którąkolwiek z tych dwóch zmiennych. Zastosowane następnie testy Walda wykazały, że modele zagnieżdżone zawsze odnosiły się do istotnego zmniejszenia (= pogorszenia) współczynnika determinacji (R2). Tabele 1 i 2 przedstawiają odpowiednio wartości Scaled AIC oraz wyniki odpowiadających im testów Walda. TABELA 1. Wartości Scaled AIC dla modeli zagnieżdżonych pomijających hiponimię („Model 2”) lub konkretność kontekstu dla drugiego członu („Model 3”) w modelach pełnych („Model 1”) służących do przewidywania czasów decyzji leksykalnych (LD) w English Lexicon Project (ELP), czasów decyzji leksykalnych w British Lexicon Project (BLP) oraz czasów nazywania w ELP a. Predyktory: (Stała), ocena hiponimii, długość złożenia, b. Predyktory: (Stała), ocena hiponimii, długość złożenia, częstość SUBTLEX-US, walencja kontekstu (cmp), pobudzenie kontekstu (c1), pobudzenie kontekstu (c2), konkretność Model Scaled AIC AIC N ELP LD 1 -3.36281a-3557.85 1058 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD 1 -3.79552a-2903.574 765 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 Nazewnictwo ELP 1 -3.58686b-7396.108 2062 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Artykuły / Articles 279 Exploring Scaled AIC within English Closed Compounds kontekstu (c2) TABELA 2. Testy Walda dla modeli zagnieżdżonych pomijających hiponimię SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) („Model 2”) lub konkretność kontekstu dla drugiego członu („Model 3”) w modelach pełnych („Model 1”) służących do przewidywania czasów decyzji leksykalnych (LD) w English Lexicon Project (ELP), czasów decyzji leksykalnych w British Lexicon Project (BLP) oraz Czasy nazewnictwa ELP Model R2 kwadratowa zmiana F 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 nazywanie ELP 1 .288b118.711 72054 .000 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Predyktory: (stała), ocena hiponimii, długość złożenia, częstość SUBTLEX-US, walencja reprezentacji (cmp), konkretność kontekstu (c2) b. Predyktory: (stała), ocena hiponimii, długość złożenia, częstość SUBTLEX-US, walencja kontekstu (cmp), pobudzenie kontekstu (c1), pobudzenie kontekstu (c2), konkretność kontekstu (c2) Podsumowując, dwie różne miary wielkości efektu, mianowicie skalowane AIC, oraz ta sama preferencja dla najlepszego modelu. Istnieją zatem silne dowody na to, że miara skalowanego AIC jest narzędziem jakościowym służącym do oceny dopasowania modelu. R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating CHARITON CHARITONIDIS 280 Acta Linguistica Lithuanica XC 4. NINIEJSZE BADANIE Niniejsze badanie opiera się na wcześniejszych badaniach autora przedstawionych w sekcji 3. Przedmiotem badań jest 66 modeli decyzji leksykalnej i nazywania dla angielskich złożeń zamkniętych (łącznych), skonstruowanych przez Gagné et al. (2019). Wszystkie modele uwzględniają częstość SUBTLEX-US jako zmienną kontrolną. Nasze cele są dwojakie i realizowane równolegle. Po pierwsze, oceniamy charakterystykę modeli Gagné et al. (ibid.). Po drugie, badamy istotne właściwości miary Scaled AIC. Pytania badawcze są następujące: 1. Czy Scaled AIC jest wrażliwy na konstrukcję modelu u Gagné et al. (2019)? Które grupy modeli są preferowane? 2. Jaki jest wpływ zmiennych kontrolnych „częstość złożenia” i „długość złożenia” na Scaled AIC? 3. Jaki jest związek między przejrzystością morfologiczną a Scaled AIC? Nasze badanie ma następującą strukturę: Sekcja 5 zawiera przegląd naszych metod. Sekcja 6.1 przedstawia statystyki opisowe dla Scaled AIC, odnoszące się do rozpatrywanych modeli. Szczególny nacisk położono na parametryczne i nieparametryczne właściwości kategorii modeli. Sekcja 6.2 analizuje związek między źródłem czasów reakcji a zadaniami przetwarzania leksykalnego. Sekcja 6.3 zestawia Scaled AIC ze zmiennymi kontrolnymi „częstość złożenia” i „długość złożenia”. W sekcji 6.4 poziomy istotności współczynników przejrzystości z modeli Gagné et al. (2019) zostają odwzorowane na wartości Scaled AIC. Kluczowe ustalenia podsumowano w sekcji 7, po czym w sekcji 8 przedstawiono dyskusję wyników. 5. METODY Nasza ogólna metoda polegała na porównawczej analizie głównych parametrów i właściwości modeli Gagné et al. (2019), z wykorzystaniem Scaled AIC jako zmiennej zależnej. Zmienne niezależne obejmowały charakterystyki próby (np. źródło czasów reakcji i zadania przetwarzania leksykalnego), schemat badania (np. zmienne kontrolne) oraz poziom istotności współczynników przejrzystości, między innymi. Zastosowane szczegółowe metody statystyczne były następujące: (a) statystyki opisowe dotyczące średnich i median, wraz z zastosowaniem testu Shapiro–Wilka do oceny tendencji centralnej, zmienności i rozkładu skalowanego AIC w różnych kategoriach modeli i grupach (sekcje 6.1 i 6.2), (b) analizy efektów głównych przeprowadzone dla źródła czasów reakcji (ELP/BLP) oraz zadań przetwarzania leksykalnego (decyzja leksykalna/nazywanie) (sekcja Artykuły / Articles 281 Exploring Scaled AIC within English Closed Compounds 6.2), (c) odrębne analizy ANOVA przeprowadzone dla źródła czasów reakcji i zadań przetwarzania leksykalnego, z uwzględnieniem długości złożenia jako kowariantu (sekcja 6.3), oraz (d) zastosowanie testów Kruskala–Wallisa i Jonckheere’a–Terpstry’ego to explore differences amongthe ranks of ordinally-recodedcoefficientsfor w odniesieniu do przejrzystości semantycznej (sekcja 6.4). Więcej informacji na temat metod można znaleźć w analizach przedstawionych w sekcjach 6.1–6.4. 6. ANALIZY 6.1. Skalowany AIC a kategorie modeli 66 wartości AIC z modeli regresji wielokrotnej Gagnégo i in. (2019); rysunek 2 przedstawia 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 odpowiadający im wykres pudełkowy odnoszący się do uporządkowanego zbioru wartości.10 W próbie nie było wartości odstających. Wartości skośności (Sk) i kurtozy (Ku) były akceptowalne.11 Średnia wartość skalowanego AIC wynosiła -3.50030. Odchylenie standardowe wynosiło 0.19052, co oznacza, że obserwacje były względnie skupione wokół średniej. Wartości minimalna i maksymalna wynosiły odpowiednio -3.85502 i -3.15754. Mediana wynosiła -3.55732, tj. była nieco niższa od średniej.12 Środkowe 50% danych mieściło się w przedziale od -3.66575 (pierwszy kwartyl, Q1) do -3.30959 (trzeci kwartyl, Q3). W związku z tym rozstęp międzykwartylowy (IQR) wynosił 0,35616. 10 Dolna lub pierwsza linia kwartylowa wykresu pudełkowego (Q1) wyznacza granicę, poniżej której znajduje się dolne 25% danych. Analogicznie, górna lub trzecia linia kwartylowa wykresu pudełkowego (Q3) wyznacza granicę boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries środkowych 50% danych, czyli rozstępu międzykwartylowego (IQR), który można obliczyć, odejmując 11 W 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. odniesieniu do środowiska SPSS wartości między -1 a +1 dla skośności oraz między -2 a +2 dla kurtozy są ogólnie uznawane za akceptowalne przy ocenie rozkładu normalnego. Warto jednak zauważyć, że sama skośność i kurtoza nie stanowią rozstrzygającego dowodu normalności (zob. także dyskusję na https://www.researchgate.net/post/ 12 Zgodnie z tym wzorcem w danych występowała niewielka dodatnia What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). skośność (0,494). CHARITON CHARITONIDIS 288 Acta Linguistica Lithuanica XC Aby wykryć wpływ długości złożenia i frekwencji złożenia na skalowany AIC, odpowiednie współczynniki regresji zakodowano ponownie jako wartości porządkowe, zgodnie z ich znakiem i poziomem istotności; zob. Tabela 6. Poziomy istotności odwzorowano na skale porządkowe, ponieważ reprezentowały konwencjonalne punkty odcięcia oparte na dokładnych wartościach istotności. TABELA 6. Tabela porządkowego ponownego kodowania współczynników regresji Istotność Znak Wartości porządkowe Opis p < .001 ujemny -3 duży efekt ujemny p < .01 ujemny -2 umiarkowany efekt ujemny p < .05 ujemny -1 mały efekt ujemny p > .05 ujemny/dodatni 0 efekt nieistotny statystycznie p < .05 dodatni 1 mały efekt dodatni p < .01 dodatni 2umiarkowany efekt dodatni p < .001 dodatni 3duży efekt dodatni W modelach Gagné et al. (2019) frekwencja SUBTLEX-US zawsze wiązała się z ujemnymi (=zmniejszającymi opóźnienie) współczynnikami o dużym efekcie, p < .001. W związku z tym wszystkie współczynniki przekodowano jako -3, co było wartością idealnie współliniową ze zmienną wynikową, skalowanym AIC. Z tego powodu frekwencję SUBTLEX-US wykluczono z niniejszej analizy. Jeśli chodzi o długość złożenia, wszystkie istotne współczynniki regresji z modeli Gagné et al. (2019) wykazywały duży dodatni (=powodujący opóźnienie) efekt, p < .001. W przeciwieństwie do zmiennej SUBTLEX-US pojawiło się kilka nieistotnych statystycznie współczynników. Biorąc pod uwagę te wzorce, utworzono zmienną kategorialną o wartościach ‘1’ dla efektu dodatniego (=interferencja długości złożenia) oraz ‘0’ dla braku efektu (=brak interferencji długości złożenia). Otrzymana próba zawierała 39 wartości skalowanego AIC. Test korelacji Pearsona między długością złożenia a skalowanym AIC dał wysoce istotny statystycznie współczynnik korelacji równy 0.51, p = .001, wskazujący na umiarkowaną do silnej korelację między tymi dwiema zmiennymi. Długość złożenia uwzględniono jako pojedynczą zmienną niezależną w liniowym modelu regresji. Stwierdzono, że przewidywana średnia skalowanego AIC przy braku interferencji długości złożenia wynosiła 3.611 (=wyraz wolny). Interferencja długości złożenia skutkowała wyższą (=gorszą) wartością -3.407 (b = 0.204, p = .001). Poniższy Rysunek 6 ilustruje te wzorce. Krótko mówiąc, skalowany AIC pogarsza się, gdy długość złożenia staje się istotna w obrębie modeli. Straipsniai / Artykuły 289 Exploring Scaled AIC within English Closed Compounds RYCINA 6. Długość złożenia i skalowane AIC Przeprowadziliśmy oddzielne analizy ANOVA dla źródła czasu reakcji (ELP/BLP) i wykonania zadania (decyzja leksykalna/nazywanie), uwzględniając długość złożenia jako współzmienną. Głównym celem było zidentyfikowanie rozbieżności w średnich, które wcześniej skorygowano w celu uwzględnienia kontrolnego wpływu długości złożenia. (a) ANOVA dla źródła czasu reakcji. BLP otrzymało wartość ‘0’, a ELP wartość ‘1’. Test korelacji Pearsona wykazał silną współliniowość między źródłem czasu reakcji a długością złożenia, r = 1 (N = 39). Następujące dowody potwierdzają nasze ustalenie: Po pierwsze, grupa ELP konsekwentnie wykazywała istotne korelacje dodatnie z długością złożenia, wskazujące na duży efekt. Po drugie, grupa BLP konsekwentnie wykazywała nieistotne korelacje z długością złożenia.17 W konsekwencji przewidywana średnia skalowanego AIC dla źródła czasu reakcji była taka sama z długością złożenia uwzględnioną w analizie i bez niej (M = 3.407 w obu przypadkach). Podsumowując, długość złożenia nie wywierała istotnego wpływu na skalowane AIC, gdy uwzględniono źródło czasu reakcji. (b) ANOVA dla wykonania zadania. Nazywaniu przypisano wartość ‘0’, a decyzji leksykalnej wartość ‘1’. Test korelacji Pearsona wykazał ujemną korelację między zadaniem a długością złożenia, wskazującą na umiarkowany efekt, r = -.5, p = .001 (N = 39). Wynik ten sugeruje, że długość złożenia ma większe znaczenie dla nazywania niż dla decyzji leksykalnej. 17 Należy zauważyć, że 11 z 13 współczynników BLP było ujemnych. CHARITON CHARITONIDIS 290 Acta Linguistica Lithuanica XC Przy traktowaniu zadania jako głównej zmiennej długość złożenia była istotnym predyktorem skalowanego AIC, F (1, 125.30), p = .000; przy significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when traktowaniu długości złożenia jako głównej zmiennej zadanie było istotnym predyktorem skalowanego AIC, F (1, 125.30), p = .000. Przewidywana średnia skalowanego AIC dla samego zadania różniła się istotnie od przewidywanej średniej skalowanego AIC, gdy uwzględniono długość złożenia (odpowiednio 3.584 vs. 3.203). Podobnie przewidywana średnia skalowanego AIC dla samej długości złożenia (3.584) różniła się istotnie od przewidywanej średniej skalowanego AIC, gdy uwzględniono zadanie (-3.23). Podsumowując, w kategoriach korekty względem współzmiennej zarówno zadanie decyzji leksykalnej, jak i długość złożenia przewidywały gorsze modele. W tej części analizuje się wpływ współczynników 6.4. ScaledAICvs.transparencynorms regresji dla trzech poziomów morfologicznych, tj. złożenia, pierwszego składnika i transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof drugiego składnika. Tabelę kodowania porządkowego można znaleźć w Tabeli 6. Poniższa Tabela 7 przedstawia mediany i zakresy porządkowo przekształconych współczynników przejrzystości dla wszystkich trzech poziomów morfologicznych. Mediany dostarczają użytecznych informacji o tendencji centralnej i rozproszeniu wartości porządkowych oraz mogą pomóc w analizach opartych na zmiennych porządkowych. TABELA 7. Ordynalnie przekształcone współczynniki przejrzystości: mediany i zakresy Mediana Minimum Maksimum Złożenie -3 -3 -1 Pierwszy składnik 2-3 3 Drugi składnik 0 -2 3 N = 18 Jak można zauważyć, mediana dla złożenia wynosiła „-3”, mediana dla pierwszego składnika wynosiła „2”, a mediana dla drugiego składnika wynosiła „0”. Ustalenia te sugerują, że w modelach Gagnégo i in. (2019) z częstością SUBTLEX-US przejrzystość złożenia wiązała się z dużym efektem negatywnym (krótszymi czasami reakcji), przejrzystość pierwszego składnika wiązała się z umiarkowanym efektem pozytywnym (dłuższymi czasami reakcji), natomiast przejrzystość drugiego składnika nie miała istotnego wpływu lub jej rola była niepewna. Wyższe oceny przejrzystości drugiego składnika, przedstawione przez Gagnégo i in. Straipsniai / Artykuły 291 Exploring Scaled AIC within English Closed Compounds (tamże), sugerują wrodzone uprzedzenie na jego korzyść, prowadzące do tego, że ogólna przejrzystość złożenia zależy od przejrzystości pierwszego składnika. W tym kontekście pozytywna, wywołująca opóźnienie, mediana dla pierwszego składnika wskazuje na jego rolę mediacyjną, być może ustanawiającą odniesienie, w tej zależności (zob. także sekcja 1). Pozostaje wykazać, jakie funkcje semantyczne wystarczająco reprezentują, w kategoriach przetwarzania, Pytanie badawcze, którym należy się teraz zająć, brzmi, czy znak i poziom istotności współczynników przejrzystości wpływają na skalowane AIC. Nasza metoda ma theinherentbiasofthesecondconstituent.18 przede wszystkim na celu wykrywanie efektów przeuczenia. Jak argumentują Daniel J. Navarro i Jay I. Myung (2005), przeuczenie występuje, gdy „złożony model z wieloma parametrami i wysoce nieliniową postacią może często lepiej dopasować dane niż prosty model z niewielką liczbą parametrów, nawet jeśli to drugi model wygenerował dane” (Navarro, Myung 2005: 1240). W związku z tym duża liczba parametrów może potencjalnie uchwycić szum lub unikalne cechy dostępnych danych, lecz może utrudniać modelowi uogólnianie na nowe dane. AIC łagodzi problem przeuczenia poprzez wprowadzenie kary za uwzględnianie licznych parametrów w modelu; zob. część „+2k” równania AIC w sekcji 2. W odniesieniu do dalszej analizy postuluje się, że modele wykazujące wyższe (=gorsze) wartości skalowanego AIC mogą posiadać istotne, systematycznie wyprowadzone współczynniki, tj. współczynniki, które są relewantne wyłącznie zgodnie z danymi LADEC. W tym kontekście nasza hipoteza sugeruje, że może pojawić się trend przeciwny w związku między przejrzystością a skalowanym AIC w porównaniu ze wskazaniem dostarczonym przez mediany w Tabeli 7. W szczególności niższe (= lepsze) wartości Scaled AIC mogą być związane z (a) współczynnikami dodatnimi (dłuższymi czasami reakcji) w odniesieniu do całego złożenia, (b) współczynnikami ujemnymi (krótszymi czasami reakcji) w odniesieniu do pierwszego składnika oraz (c) współczynnikami dodatnimi lub ujemnymi (odpowiednio dłuższymi lub krótszymi czasami reakcji) w odniesieniu do drugiego składnika. Należy zauważyć, że w odniesieniu do drugiego składnika mediana w Tabeli 7 sugeruje brak efektu. Aby odpowiedzieć na pytanie badawcze, zostaną zastosowane dwie nieparametryczne miary, tj. test Kruskala-Wallisa i test Jonckheere’a-Terpstry. Test Kruskala-Wallisa, znany również jako „test H”, jest testem nieparametrycznym opartym na rozkładzie chi-kwadrat. W Charitonidis (2024) argumentuje się, że zarówno hiponimia, jak i konkretność kontekstu drugiego składnika są istotnymi predyktorami semantycznymi w zadaniach decyzji leksykalnej i nazywania. Przedstawiona tam analiza pokazuje, że uwzględnienie obu tych predyktorów skutkuje poprawą Scaled AIC i R2 w porównaniu z modelami pomijającymi którąkolwiek z tych zmiennych. CHARITON CHARITONIDIS 292 Acta Linguistica Lithuanica XC wymaga, aby zmienna zależna była porządkowa lub ciągła. Test ten służy do ustalenia, czy występują istotne różnice między medianami dwóch lub większej liczby grup, i jest stosowany jako alternatywa dla jednoczynnikowej ANOVA. Jeśli chodzi o procedurę, wartości ciągłej zmiennej zależnej, tj. Scaled AIC, uporządkowano od najniższej do najwyższej, a wynikom przypisano rangi. Otrzymane rangi wprowadzono z powrotem do grup poziomu istotności (zmiennej niezależnej), a rangi dla każdej grupy zsumowano. Wzór na obliczenie „H” obejmował wartość według liczebności próby.19 Tabele 8–10 zawierają rozpatrywane dane wejściowe oraz sumę rang dla każdej grupy.20 amongothers,squaringthesumofranksforeachgroupandthendividingthis TABELA 8. Złożenie Significancelevels N SumofRanks Scaled 1 – mały AIC ujemny efekt 1 2 2 – umiarkowany efekt negatywny 5 46 3 – duży efekt negatywny 12 123 Łącznie 18 TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 – umiarkowany efekt pozytywny 4 34 3 – mały efekt pozytywny 1 3 4 – brak efektu 1 2 5 – mały efekt negatywny 1 10 6 – umiarkowany efekt negatywny 1 11 7 – duży efekt negatywny 452 Razem 18 19 W przypadku pozostałych obliczeń zob. Field (2009: 561–562). 20 We wszystkich trzech tabelach całkowita suma rang wynosi w przybliżeniu 171. Jest ona równa sumie liczb całkowitych od 1 do 18, zob. liczebność próby (N). Straipsniai / Artykuły 293 Exploring Scaled AIC within English Closed Compounds TABELA 10. Drugi składnik Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 – mały pozytywny efekt 1 14 3 – brak efektu 8 59 4 – mały negatywny efekt 1 18 5–moderatenegativeeffect 221 Łącznie 18 Przed omówieniem wyników testu Kruskala-Wallisa (H) należy zauważyć, że test ten nie dostarcza informacji o konkretnych różnicach między poszczególnymi grupami. Aby rozwiązać ten problem, dodatkowo zastosowano test Jonckheere-Terpstry (JT). Test ten dostarczył informacji o tym, czy mediany grup rosły lub malały w kolejności określonej przez zmienną kodującą (= grupującą), a konkretnie od dużego pozytywnego efektu do dużego negatywnego efektu. Jeśli chodzi o metody, statystykę JT przekształcono w wynik z. Dodatnia wartość z wskazywała na trend rosnących median, czyli mediany rosły (= wyższy/gorszy Scaled AIC) wraz ze wzrostem wartości zmiennej kodującej. Ujemna wartość z wskazywała na trend malejących median, czyli mediany malały (= niższy/lepszy Scaled AIC) wraz ze wzrostem wartości zmiennej kodującej. Poniżej wspólnie przedstawiono wyniki testów Kruskala-Wallisa (H) i Jonckheere-Terpstry (JT). (a) Scaled AIC dla związku nie był istotnie zależny od poziomu istotności, co ustalono za pomocą testu Kruskala-Wallisa (H (2) = 2.226, p > .05). Stwierdzono trend rosnących median, potwierdzający naszą hipotezę o przeuczeniu; zob. ujemną medianę dla związku w Tabeli 7. Trend ten nie był jednak statystycznie istotny zgodnie z testem Jonckheere-Terpstry (JT = 50, z = 1.064, p > .05). (b) Scaled AIC dla pierwszego składnika nie był istotnie zależny od poziomu istotności, co ustalono za pomocą testu Kruskala-Wallisa (H (6) = 5.427, p > .05). Stwierdzono trend rosnących median, odrzucający naszą hipotezę o przeuczeniu; zob. dodatnią medianę dla pierwszego składnika w Tabeli 7. Trend ten nie był jednak statystycznie istotny zgodnie z testem Jonckheere’a-Terpstry (JT = 70, z = 0.549, p > .05). (c) Skalowane AIC dla drugiego składnika nie było istotnie zależne od poziomu istotności, co ustalono za pomocą testu Kruskala-Wallisa (H (4) = 4.607, p > .05). Nie zaobserwowano trendu rosnących ani malejących median, co pozwala odrzucić CHARITON CHARITONIDIS 294 ActaLinguisticaLithuanicaXC naszą hipotezę o przeuczeniu. W szczególności statystyka z testu Jonckheere’a-Terpstry była zasadniczo równa zeru, zgodnie z zerową medianą dla drugiego składnika w Tabeli 7 (JT = 54, z = 0.041, p > .05). Podsumowując, można stwierdzić, że poziom istotności współczynników przejrzystości w modelach Gagné i in. (2019) z częstością SUBTLEX-US nie wpływa na wartość skalowanego AIC. Ustalenie to pośrednio potwierdza jakość modeli Gagné i in. (2019) ze zmiennymi predykcyjnymi dotyczącymi przejrzystości, wskazując w szczególności, że hipoteza o przeuczeniu tych modeli jest nie do utrzymania. Ograniczeniem niniejszego badania jest mała liczebność próby, N = 18. Aby potwierdzić nasze ustalenia, potrzebne są dalsze badania z wykorzystaniem szerszego zakresu wartości skalowanego AIC. Aby zapewnić jasność i kompletność prezentacji wyników naszych badań, uwzględniliśmy odrębną sekcję poświęconą podsumowaniu najważniejszych ustaleń naszego badania. W celu zapoznania się z tym kompleksowym przeglądem prosimy przejść do Sekcji 7. 7. NAJWAŻNIEJSZE USTALENIA Poniższa Tabela 11 przedstawia kompleksową analizę wyników modeli i istotnych zmiennych w kontekście zadań decyzji leksykalnej i nazywania, opartą na ustaleniach Gagné i in. (2019). Każda część tabeli omawia szczegółowe zagadnienia, wskazując, które modele są najbardziej skuteczne. Testy ANOVA oraz Kruskala-Wallisa/Jonckheere’a-Terpstry (sekcje 6.3 i 6.4) zastosowano po przypisaniu nominalnych (porządkowych lub kategorialnych) wartości współczynnikom regresji z modeli Gagné i in. (2019). Szczegółowe informacje na temat zastosowanych testów specjalnych można znaleźć w odpowiednich sekcjach. TABELA 11. Skalowane AIC w obrębie angielskich złożeń zamkniętych: Kompleksowa analiza wydajności modeli w zadaniach decyzji leksykalnej i nazywania (Gagné i in. 2019) Subjects Statistics Evaluation Section Kategorie modeli Testy normalności Statystyki opisowe Decyzja leksykalna BLP Nazywanie ELP Decyzja leksykalna ELP NPAR/~ PAR/✓ 6.1 PAR/✓ Czas reakcji leksykalna ELP ~ Przetwarztask Efekty główne źródło Decyzja anie Decyzja leksykalna BLP ✓ leksykalne Nazywanie ELP ✓6.2 Artykuły / Articles 295 Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Zmienne kontrolne ANOVA Częstość występowania związku Długość złożenia ✓ ~ 6.3 Semantyczczłon NOF/ns ny test przejrzystZłożenie Kruskala-Walość NOF/ns lisa Pierwszy Jonckheere’- a–Terpstry Drugi człon NOF/ns 6.4 PAR: dane parametryczne | NPAR: dane nieparametryczne | ✓: lepsze modele (niższe AIC) ~: gorsze modele (wyższe AIC) | NOF/ns: brak przeuczenia/test nieistotny 8. DYSKUSJA Wcześniejsze badania Charitonidisa (2022, 2024) wykazały, że skalowane AIC jest wiarygodną miarą dobroci dopasowania, którą można stosować przy wyborze modelu, być może w połączeniu z innymi miarami, takimi jak test Walda (zob. sekcja 3). W odniesieniu do modeli regresji wielokrotnej Gagnégo i in. (2019) z częstością SUBTLEX-US niniejsza analiza wprowadziła dodatkowe właściwości miary skalowanego AIC. Chociaż zgłaszano uzasadnione zastrzeżenia dotyczące porównywania modeli dopasowanych do różnych liczebności próby z wykorzystaniem określonych kontekstów, skalowane AIC może rzeczywiście stanowić cenne informationcriteria(seesection2),thefindingsofthisstudysuggestthatin narzędzie do oceny dopasowania modelu i hierarchizowania modeli regresji. Nasze badania wykazały, że skalowane AIC reaguje na projekt eksperymentalny, źródła czasów reakcji oraz specyficzne zadania. Należy jednak uznać, że stosowalność skalowanego AIC może zależeć od kontekstu, a jego użyteczność powinna być oceniana indywidualnie dla każdego przypadku. Przed przejściem do głównych ustaleń niniejszego artykułu należy 1. Rozkłady wartości addresstheresearchquestionssetupinsection4. skalowanego AIC, wraz z kombinacjami różnych źródeł czasów reakcji i zadań przetwarzania, sugerują, że skalowane AIC skutecznie identyfikuje obecność lub brak dobrze zdefiniowanych czynników leżących u podstaw projektu eksperymentalnego i modelowania statystycznego. W tym kontekście decyzja leksykalna BLP i nazywanie ELP wykazały większą moc predykcyjną dla skalowanego AIC nawet w warunkach kontrolowanych. 2. Częstość występowania złożeń była bezwyjątkowo ujemnym predyktorem przeskalowanego AIC, zawsze wskazując na duży efekt. Decyzja leksykalna ELP konsekwentnie wykazywała istotne dodatnie korelacje z długością złożenia, przewidując wyższe (=gorsze) wartości przeskalowanego AIC. Decyzja leksykalna BLP konsekwentnie wykazywała nieistotne korelacje z długością złożenia. Zarówno decyzja leksykalna, jak i długość złożenia przewidywały gorsze modele w korekcie współzmiennych. CHARITON CHARITONIDIS 296 Acta Linguistica Lithuanica XC istotne dodatnie korelacje z długością złożenia, przewidując wyższe (=gorsze) wartości przeskalowanego AIC. Decyzja leksykalna BLP konsekwentnie wykazywała nieistotne korelacje z długością złożenia. Zarówno decyzja leksykalna, jak i długość złożenia przewidywały gorsze modele w korekcie współzmiennych. 3. Dodatni kierunek i poziom istotności współczynników przejrzystości w modelach Gagné i in. (2019) nie wpływały na wielkość przeskalowanego AIC. Ustalenie to sugeruje, że modele Gagné i in. (2019) z predyktorami przejrzystości nie wprowadzają obciążenia wynikającego z przeuczenia. Odwołując się do konkretnych części analiz, główne wyniki tego badania można podsumować następująco: W sekcji 6.1 nasza analiza koncentrowała się na porównaniu wartości przeskalowanego AIC w różnych kategoriach modeli. Nawet po podjęciu próby zastosowania transformacji „logarytm naturalny” i „pierwiastek kwadratowy” do wartości bezwzględnych ogólna próba przeskalowanego AIC nie była zgodna z rozkładem normalnym. Podobnie modele decyzji leksykalnej ELP wykazywały nieparametryczny rozkład swoich wartości przeskalowanego AIC. Natomiast dane dotyczące decyzji leksykalnej BLP i nazywania ELP były zgodne z rozkładem normalnym. W sekcji 6.2 skupiliśmy się na zbadaniu związku między przeskalowanym AIC a (a) źródłami czasów reakcji oraz (b) wykonaniem zadania. Co ciekawe, zakresy wartości przeskalowanego AIC dla modeli decyzji leksykalnej ELP i BLP nie nakładały się, co wskazywało na ich odrębność. Wyniki testów ujawniły istotne główne efekty zarówno źródła czasu reakcji, jak i wykonania zadania na przeskalowany AIC. Warto zauważyć, że zdolność predykcyjna przeskalowanego AIC była większa dla modeli związanych z czasami decyzji leksykalnej BLP oraz z zadaniem nazywania. Ustalenia te w istotny sposób przyczyniają się do zwiększenia precyzji i skuteczności odpowiednich modeli. W sekcji 6.3 nasze badanie zagłębiło się w związek między przeskalowanym AIC a zmiennymi kontrolnymi „częstość występowania złożenia” i „długość złożenia”. Częstość występowania złożenia wykluczono z analizy, ponieważ była doskonale współliniowa z przeskalowanym AIC. Z drugiej strony zaobserwowano spadek wartości przeskalowanego AIC, gdy długość złożenia stawała się istotnym czynnikiem w modelach. Concomitantly,compoundlengthwasmostrelevantforthenamingtask. Jeśli chodzi o korektę współzmiennych, zarówno zadanie decyzji leksykalnej, jak i długość złożenia przewidywały gorsze modele. W sekcji 6.4 skupiliśmy się na związku między przeskalowanym AIC a poziomem istotności andsemantictransparency.Theresearchquestionwaswhetherthepositivity współczynników przejrzystości w modelach Gagné i in. (2019), który miał wpływ na przeskalowany AIC. Głównym celem naszej metody było wykrycie potencjalnych efektów przeuczenia. Postulowaliśmy, że modele o gorszych wartościach przeskalowanego AIC mogą posiadać istotne współczynniki, które są relewantne na poziomie złożenia – co byłoby Straipsniai / Artykuły 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 zgodne z naszą hipotezą przeuczenia – jednak test Jonckheere’a-Terpstry wykazał, że tendencja ta nie osiągnęła istotności statystycznej. Podsumowując, analiza różnych parametrów przy użyciu Scaled AIC jako zmiennej zależnej uwidoczniła różnorodne sposoby, w jakie kategorie modeli, źródło czasu reakcji, zadania przetwarzania, zmienne kontrolne i przejrzystość semantyczna wpływają na dobroć dopasowania modeli. Dzięki rozpoznaniu niuansowych zależności między tymi elementami badacze są lepiej przygotowani do podejmowania świadomych decyzji dotyczących wyboru modeli, ich modyfikacji i interpretacji. 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.