Exploring Scaled AIC within English closed compounds

Articole / Articles 273 CHARITONCHARITONIDIS Cercetător independent ID ORCID: orcid.org/0000-0003-0298-2629 Domenii de cercetare: formarea cuvintelor, expresii pluriverbale, semantică lexicală, recunoașterea cuvintelor, emoție. DOI: doi.org/10.35321/all90-11 EXPLORAREA AIC SCALATE ÎN CADRUL COMPUȘILOR ÎNCHIȘI ENGLEZEȘTI Compușii închiși ai limbii engleze Studiul criteriului AIC normalizat (al cuvintelor compuse) ADNOTARE Criteriul informațional Akaike (AIC) este o măsură consacrată a adecvării ajustării pentru selectarea modelelor în analiza datelor empirice. Cu toate acestea, AIC este sensibil la dimensiunea eșantionului. Cercetările anterioare ale autorului au arătat că AIC scalat, adică AIC împărțit la dimensiunea eșantionului, este un instrument eficient pentru evaluarea adecvării ajustării modelului și ierarhizarea modelelor de regresie. Studiul de față explorează în continuare proprietățile acestei variabile. Obiectul investigației îl constituie 66 de modele de regresie multiplă referitoare la procesarea compușilor închiși (concatenati) din limba engleză, preluați din Baza de date extinsă a compușilor din limba engleză (LADEC) a lui Gagné et al. (2019). În particular, AIC scalat este pus în relație cu English Lexicon Project (ELP) și British Lexicon Project (BLP) ca surse ale timpilor de răspuns, cu sarcinile de decizie lexicală și de denumire, cu lungimea compusului și cu normele de transparență. Ca metode sunt utilizate ANOVA unifactorială, analiza efectelor principale și testele neparametrice. Rezultatele sugerează că AIC scalat este sensibil la designul experimental, la sursa timpilor de răspuns și la sarcinile de decizie lexicală și de denumire. În același timp, rezultatele acestui studiu oferă susținere empirică pentru validarea metodelor utilizate de Gagné et al. (2019). CUVINTE-CHEIE: compuși ai limbii engleze, AIC scalat, decizie lexicală, denumire. ANOTACIJA Criteriul informațional Akaike (engl. AIC) este o măsură constantă a adecvării modelelor, aplicată analizei datelor empirice. Cu toate acestea, AIC este sensibil la dimensiunea eșantionului. Studiile anterioare CHARITON CHARITONIDIS 274 Acta Linguistica Lithuanica XC ale autorului au arătat că AIC normalizat, împărțit la dimensiunea eșantionului, este un instrument eficient pentru evaluarea adecvării modelului și ierarhizarea modelelor de regresie. În acest studiu sunt analizate caracteristicile ulterioare ale acestei variabile. Obiectul cercetării îl constituie 66 de modele de regresie multiplă asociate procesării combinațiilor închise (cuvintelor compuse) din limba engleză, preluate din baza (engl. LADEC). Mai întâi, AIC este Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų comparat cu metodele din dicționarul limbii engleze – ANOVA unidirecțională (engl. 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 analiza principalelor rezultate și testele neparametrice. Concluziile arată că AIC normalizat reacționează la designul experimental, la sursa timpului de răspuns și la sarcinile de decizie lexicală și de denumire. În același timp, rezultatele acestui studiu oferă o bază empirică pentru validarea metodelor aplicate de Gagné și alții (2019). CUVINTE-CHEIE: combinații din limba engleză (cuvinte compuse), AIC normalizat, decizie lexicală, denumire. 1. BAZA DE DATE EXTINSĂ A COMPUȘILOR DIN LIMBA ENGLEZĂ (LADEC: GAGNÉ ET AL. 2019)1 Marea bază de date a compuselor englezești (LADEC: Gagné et al. 2019) este cea mai mare bază de date existentă de cuvinte compuse. Aceasta conține peste 8000 de compuse nespațiate („închise” sau „concatenate”) (=substantive), selectate din diverse surse, printre care baza de date 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) și Wordnet. Din setul complet de intrări LADEC, 7,804 compuse pot fi analizate în mod unic ca fiind alcătuite din două morfeme libere.2 Este luată în considerare o varietate foarte largă de compuse, de exemplu compuse substantiv-substantiv, precum buttercup, shipyard, compuse cu un al doilea constituent derivat dintr-o tulpină verbală, precum pacemaker, painkiller etc. (pentru definițiile claselor de compuse, a se vedea categoriile lui Lieber. Figura 1 conține un scurt eșantion de intrări LADEC. Modelele de regresie multiplă ale lui Gagné et al. (2019) includ o gamă largă de variabile predictive 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical (=independente), precum lungimea compusului, frecvența bigramelor 1 Această secțiune a fost preluată din Chariton Charitonidis (2022), cu ușoare modificări. 2 LADEC include pluralele compuselor deja enumerate ca intrări separate. Straipsniai / Articles 275 Exploring Scaled AIC within English Closed Compounds la granița morfemică, dimensiunea familiei, frecvența cuvintelor, măsuri ale probabilității și asocierii (bazate pe vectori), norme emoționale/de sentiment calculate pe baza evaluărilor participanților etc. Timpurile de răspuns logaritmice pentru compusele din ELP (decizie lexicală, denumire) și BLP (decizie lexicală) sunt utilizate ca variabile dependente. În cea mai mare parte, lungimea compusului (numărul de caractere) și frecvența logaritmică a compusului (=cuvântului) din corpusul SUBTLEX-US (Brysbaert, New 2009)3 și BNC (BLP) sunt utilizate ca variabile de control. În modelele lui Gagné et al. (2019), variabilele predictive menționate mai sus au avut efecte semnificative asupra timpilor de decizie lexicală și de denumire. FIGURA 1. Intrări 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 În studiul lui Gagné et al. (2019), accentul principal a fost pus pe diverse măsuri ale transparenței semantice. Gagné et al. (2019) le-au cerut participanților să evalueze compusele, luând în considerare cât de predictibil este sensul compusului pornind de la părțile sale (evaluări ale predictibilității sensului, bazate pe compus) și în ce măsură este păstrată în compus o parte din sensul fiecăruia dintre constituenți (evaluări ale păstrării sensului, bazate pe constituent). Autorii au constatat că distribuția transparențelor pentru al doilea constituent era mult mai concentrată și mai ridicată decât distribuția transparențelor pentru primul constituent (MC1: 64.80 [SD: 19.59] vs. MC2: 71.00 [SD: 16.46]. N = 8115). Cu toate acestea, evaluarea pentru 3 Corpusul SUBTLEX-US este un corpus de 51 de milioane de tokeni, bazat pe subtitrările filmelor și programelor de televiziune din SUA. Mai multe studii recente au furnizat dovezi care indică faptul că normele de frecvență obținute din subtitrările filmelor și programelor de televiziune tind să fie mai eficiente decât cele derivate din texte tipărite atunci când este vorba despre explicarea diferențelor în timpul procesării lexicale și, în unele cazuri, în acuratețea vorbitorilor nativi ai diferitelor limbi (vezi Chen et al. 2018: 2 și referințele de acolo). CHARITON CHARITONIDIS 276 Acta Linguistica Lithuanica XC primul constituent a fost mai puternic corelat cu evaluarea întregului compus decât evaluarea celui de-al doilea constituent (c1~cmp: r = 0.75, p < .001 vs. c2~cmp: r = 0.66, p < .001. N = 429).4 Mai ales, evaluarea păstrării sensului pentru primul constituent și evaluarea predictibilității sensului, decizia lexicală BLP și timpii de denumire ELP. În concluzie, distribuția mai concentrată și mai ridicată a transparențelor pentru cel de-al doilea forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical constituent și asocierea mai bună a primului constituent cu operațiile de cap în compușii englezești. Al doilea constituent, adică capul, este o unitate a cărei transparență este sporită categorial și semantic (în ceea ce privește aspectul semantic, vezi relațiile de implicație și compound’s meaning predictability appear to be immediately mapped onto hiponimie). Primul constituent, adică modificatorul, este factorul cel mai critic în stabilirea referinței compusului. Ca urmare, transparența sa covariază cu așteptarea transparenței distanței Kullback-Leibler (Kullback 1959), folosind log-verosimilitatea maximă a lui Fisher (Fisher 1922; vezi și Aldrich 1997). Această măsură, denumită în mod obișnuit Criteriul informațional Akaike (AIC; Akaike 1973), a introdus un cadru nou pentru selectarea modelelor în analiza datelor ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative empirice, marcând o schimbare paradigmatică semnificativă (Burnham, Anderson 2002). AIC se calculează de obicei astfel: –2lnL + 2k, unde „lnL” se referă la log-verosimilitatea maximizată/completă a modelului, iar „k” se referă la numărul de parametri, inclusiv constanta. Un set mai mic de predictori este asociat de obicei cu modele mai eficiente (modele cu o pierdere informațională mai mică). Cu cât valoarea AIC este mai mică (=mai negativă), cu atât ajustarea modelului este mai bună. În acest context, AIC penalizează, ca măsură a potrivirii, utilizarea unui număr mare de predictori care, potențial, conduce la valori AIC mai mari (vezi „+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 Referindu-se la cercetările anterioare, Gagné et al. (2019) afirmă că „modificatorul (primul constituent în limba engleză) tinde să joace un rol mai important în selectarea ușurinței relației în timpul procesării compușilor și a sintagmelor nominale.” Straipsniai / Articole 277 Exploring Scaled AIC within English Closed Compounds AIC este sensibil la dimensiunea eșantionului. AICc, o versiune corectată a AIC, încorporează dimensiunea eșantionului prin formula 2k (k + 1)/(n – k – 1). Cu toate acestea, abordează în mod specific dimensiunile mici ale eșantioanelor și nu este recomandat pentru modelele bazate pe dimensiuni mari ale eșantioanelor, precum cel din Gagné et al. (2019).6 Trebuie remarcat faptul că cercetători precum Kenneth P. Burnham & David R. Anderson (2002) nu oferă o soluție definitivă pentru compararea valorilor AIC ale modelelor ajustate pe eșantioane atât diferite, cât și mari.7 În particular, Burnham & Anderson (2002: 80–85, 334–335) oferă o discuție cuprinzătoare privind implicațiile dimensiunilor inegale ale eșantioanelor pentru compararea modelelor. Ei susțin că utilizarea criteriilor informaționale pentru compararea modelelor cu dimensiuni diferite ale eșantioanelor poate conduce la rezultate înșelătoare. În mod similar, după cum se menționează într-o discuție online de Svetunkov în 2016 (a se vedea referința de după bibliografie), toate criteriile informaționale se bazează pe funcția de verosimilitate, care, la rândul ei, depinde de dimensiunea eșantionului. Mai precis, pe măsură ce dimensiunea eșantionului crește, verosimilitatea scade. În consecință, criteriile informaționale vor crește, de asemenea, în astfel de cazuri.8 3. CERCETĂRI ANTERIOARE În Charitonidis (2022), valorile AIC pentru 44 de modele de regresie multiplă cu combinații diferite de variabile emoționale (valență, activare și concretență pentru (a) cuvinte și (b) contexte ale cuvintelor) au fost împărțite la dimensiunea eșantionului (N), pentru a obține valori Scaled AIC (AIC/N).9 Ulterior, aceste valori au fost utilizate pentru a evalua 6 Pentru informații suplimentare privind AICc, cititorul este îndrumat către Burnham & Anderson (2002: 374–380). 7 Una dintre soluțiile propuse de Burnham & Anderson (2002) se referă la transformarea valorilor AIC în „ponderi Akaike”, definite drept „verosimilitatea relativă a modelului, date fiind datele” (Burnham, Anderson 2002: xiii; a se vedea, de asemenea, Wagenmakers, Farrell 2004). 8 Disponibil la: https://stats.stackexchange.com/questions/94718/model-comparison-with-aic-basedon-different-sample-size [accesat la 16.06.2023]. Cititorul poate înțelege afirmația lui Svetunkov substituind valori diferite pentru componenta „lnL” din ecuația AIC, menținând constantă componenta „2k”. O scădere a valorii lnL va conduce la o valoare AIC mai mare, adică inferioară. 9 În literatura de specialitate, Scaled AIC este denumit și „AIC mediu”. Potrivit lui Svetunkov (comunicare personală), practica împărțirii Criteriului informațional Akaike la dimensiunea eșantionului nu este nouă. De exemplu, Hastie et al. (2009: 230–231) definesc AIC într-o manieră necanonică, utilizând N ca numitor în formulă. Deși această abatere de la formula convențională a AIC nu este lipsită de critici, ea rămâne o abordare răspândită, după cum exemplifică includerea sa în pachetul software statistic Stata. De exemplu, Stata raportează „AIC împărțit la N” în rezultatul modelului său, după cum o dovedesc diverse exemple disponibile online (Mulțumiri lui I. Svetunkov pentru furnizarea acestor informații). CHARITON CHARITONIDIS 278 ActaLinguisticaLithuanicaXC și comparați gradul de adecvare a modelelor. Introducerea predictorilor-cheie în modelele globale, adică generale, a arătat că timpii deciziei lexicale din BLP necesitau un grad de adecvare mai bun decât timpii deciziei lexicale din ELP. Adecvarea modelelor de denumire ELP s-a încadrat în intervalul celor observate pentru modelele de decizie lexicală ELP și BLP. În mod deosebit, concretența contextului pentru al doilea constituent s-a dovedit a fi un predictor semnificativ în toate modelele cu frecvența SUBTLEX-US, atât pentru decizia lexicală, cât și pentru denumire. În Charitonidis (2024), toți coeficienții semnificativi din modelele globale cu frecvența SUBTLEX-US au fost juxtapuşi variabilei de hiponimie (Gagné et al. 2020). S-a constatat că modelele care includeau atât hiponimia, cât și concretența contextului pentru al doilea constituent erau întotdeauna asociate cu cea mai mică (=cea mai bună) valoare AIC scalată, în comparație cu modelele imbricate, adică reduse, care omiteau oricare dintre aceste două variabile. Testele Wald aplicate ulterior au arătat că modelele imbricate se refereau întotdeauna la o reducere semnificativă (=deteriorare) a coeficientului de determinare (R2). Tabelele 1 și 2 prezintă valorile AIC scalate și, respectiv, rezultatele testelor Wald corespunzătoare. TABELUL 1. Valori AIC scalate pentru modelele imbricate care omit hiponimia („Modelul 2”) sau concretența contextului pentru al doilea constituent („Modelul 3”) din modelele complete („Modelul 1”) pentru a prezice timpii deciziei lexicale (LD) din English Lexicon Project (ELP), timpii deciziei lexicale din British Lexicon Project (BLP) și timpii de denumire din ELP a. Predictori: (Constantă), judecata de hiponimie, lungimea compusului, b. Predictori: (Constantă), judecata de hiponimie, lungimea compusului, frecvența SUBTLEX-US, valența contextului (cmp), activarea contextului (c1), activarea Model AIC scalat 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 Denumirea ELP 1 -3.58686b-7396.108 2062 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Articole / Articles 279 Exploring Scaled AIC within English Closed Compounds contextului (c2), concretența contextului (c2) TABELUL 2. Teste Wald pentru modelele SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) imbricate care omit hiponimia („Modelul 2”) sau concretența contextului pentru al doilea constituent („Modelul 3”) din modelele complete („Modelul 1”) pentru a prezice timpii deciziei lexicale (LD) din English Lexicon Project (ELP), timpii deciziei lexicale din British Lexicon Project (BLP) și Duratele denumirii ELP Model R2 pătratul modificării 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 Denumirea ELP 1 .288b118.711 72054 .000 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Predictori: (Constantă), judecata de hiponimie, lungimea compusului, frecvența SUBTLEX-US, valența reprezentării (cmp), concretența contextului (c2) b. Predictori: (Constantă), judecata de hiponimie, lungimea compusului, frecvența SUBTLEX-US, valența contextului (cmp), nivelul de activare al contextului (c1), nivelul de activare al contextului (c2), concretența contextului (c2) În concluzie, două măsuri diferite ale mărimii efectului, și anume AIC scalat și aceeași preferință pentru cel mai bun model. Astfel, există dovezi puternice că măsura AIC scalat este un instrument calitativ pentru evaluarea R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating potrivirii modelului. CHARITON CHARITONIDIS 280 Acta Linguistica Lithuanica XC 4. STUDIUL DE FAȚĂ Studiul de față se bazează pe cercetarea anterioară a autorului, prezentată în secțiunea 3. Subiecții cercetării sunt 66 de modele de decizie lexicală și de denumire pentru compușii închiși (concatenați) din limba engleză, elaborate de Gagné et al. (2019). Toate modelele includ frecvența SUBTLEX-US ca variabilă de control. Obiectivele noastre sunt duble și se desfășoară în paralel. În primul rând, evaluăm caracteristicile modelelor lui Gagné et al. (ibid.). În al doilea rând, explorăm proprietățile esențiale ale măsurii Scaled AIC. Întrebările de cercetare sunt: 1. Este Scaled AIC sensibil la proiectarea modelelor lui Gagné et al. (2019)? Ce grupuri de modele sunt favorizate? 2. Care este impactul variabilelor de control „frecvența compusului” și „lungimea compusului” asupra Scaled AIC? 3. Cum se raportează transparența morfologică la Scaled AIC? Studiul nostru este structurat după cum urmează: Secțiunea 5 oferă o prezentare generală a metodelor noastre. Secțiunea 6.1 prezintă statistici descriptive pentru Scaled AIC, referitoare la modelele analizate. Se acordă o atenție deosebită caracteristicilor parametrice versus neparametrice ale categoriilor de modele. Secțiunea 6.2 explorează relația dintre sursa timpilor de răspuns și sarcinile de procesare lexicală. Secțiunea 6.3 pune în paralel Scaled AIC cu variabilele de control „frecvența compusului” și „lungimea compusului”. În secțiunea 6.4, nivelurile de semnificație ale coeficienților de transparență din modelele lui Gagné et al. (2019) sunt raportate la valorile Scaled AIC. Principalele rezultate sunt sintetizate în secțiunea 7, urmate de o discuție a rezultatelor în secțiunea 8. 5. METODE Metoda noastră generală a constat în analiza comparativă a principalilor parametri și a caracteristicilor modelelor lui Gagné et al. (2019), utilizând Scaled AIC ca variabilă dependentă. Variabilele independente au inclus caracteristicile eșantionului (de exemplu, sursa timpilor de răspuns și sarcinile de procesare lexicală), proiectarea studiului (de exemplu, variabilele de control) și nivelul de semnificație al coeficienților de transparență, printre alți factori. Metodele statistice specifice utilizate au fost următoarele: (a) statistici descriptive referitoare la medii și mediane, împreună cu aplicarea testului Shapiro-Wilk pentru evaluarea tendinței centrale, variabilității și distribuției AIC scalat în diferite categorii și grupuri de modele (secțiunile 6.1 și 6.2), (b) analize ale efectelor principale efectuate pentru sursa timpilor de răspuns (ELP/BLP) și sarcinile de procesare lexicală (decizie lexicală/denumire) (secțiunea Articole / Articles 281 Exploring Scaled AIC within English Closed Compounds 6.2), (c) ANOVA-uri distincte efectuate asupra sursei timpilor de răspuns și a sarcinilor de procesare lexicală, încorporând lungimea compusului drept covariată (secțiunea 6.3), și (d) utilizarea testelor Kruskal-Wallis și Jonckheere-Terpstra pentru transparența to explore differences amongthe ranks of ordinally-recodedcoefficientsfor semantică (secțiunea 6.4). Pentru mai multe informații privind metodele, cititorul este îndrumat către analizele din secțiunile 6.1–6.4. 6. ANALIZE 6.1. AIC scalat vs. categorii de modele Cele 66 de valori AIC din modelele de regresie multiplă ale lui Gagné et al. (2019) 2 prezintă 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 diagrama boxplot corespunzătoare setului ordonat de valori.10 În eșantion nu au existat valori aberante. Valorile asimetriei (Sk) și boltiri (Ku) au fost tolerabile.11 Valoarea medie pentru AIC scalat a fost -3.50030. Abaterea standard a fost 0.19052, ceea ce înseamnă că observațiile au fost relativ strâns grupate în jurul mediei. Valorile minimă și maximă au fost, respectiv, -3.85502 și -3.15754. Valoarea mediană a fost -3.55732, adică ușor mai mică decât valoarea medie.12 Cele 50% centrale ale datelor s-au situat între -3.66575 (primul quartil, Q1) și -3.30959 (al treilea quartil, Q3). În consecință, intervalul interquartil (IQR) a fost de 0.35616. 10 Linia inferioară sau primul quartil al casetei (Q1) marchează limita sub care se extinde 25% dintre valorile inferioare ale datelor. În mod similar, linia superioară sau al treilea quartil al casetei (Q3) marchează limita celor boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries 50% centrale ale datelor sau intervalul interquartil (IQR), care poate fi calculat prin scăderea 11 Cu referire la 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. mediul SPSS, valorile între -1 și +1 pentru asimetrie și între -2 și +2 pentru boltire sunt considerate în general acceptabile pentru evaluarea distribuției normale. Este totuși de remarcat că asimetria și boltirea, luate separat, nu oferă o dovadă concludentă a normalității (a se vedea și discuția de la https://www.researchgate.net/post/ 12 În concordanță cu acest tipar, datele au prezentat o ușoară asimetrie What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). pozitivă (0.494). CHARITON CHARITONIDIS 288 Acta Linguistica Lithuanica XC Pentru a detecta influența lungimii compusului și a frecvenței compusului asupra AIC scalat, coeficienții de regresie respectivi au fost recodificați în valori ordinale în funcție de pozitivitatea și nivelul lor de semnificație; a se vedea Tabelul 6. Nivelurile de semnificație au fost mapate pe scale ordinale deoarece reprezentau puncte de delimitare convenționale bazate pe valorile exacte ale semnificației. TABELUL 6. Tabel de recodificare ordinală pentru coeficienții de regresie Semnificație Pozitivitate Valori ordinale Descriere p < .001 negativă -3 efect negativ mare p < .01 negativă -2 efect negativ moderat p < .05 negativă -1 efect negativ mic p > .05 negativă/pozitivă 0 efect nesemnificativ p < .05 pozitivă 1 efect pozitiv mic p < .01 pozitivă 2efect pozitiv moderat p < .001 pozitivă 3efect pozitiv mare În modelele lui Gagné et al. (2019), frecvența SUBTLEX-US a fost asociată întotdeauna cu coeficienți negativi (=care reduc latența), cu un efect mare, p < .001. În consecință, toți coeficienții au fost recodificați ca -3, valoare care era perfect coliniară cu variabila rezultat, AIC scalat. Din acest motiv, frecvența SUBTLEX-US a fost exclusă din analiza de față. În ceea ce privește lungimea compusului, toți coeficienții de regresie semnificativi din modelele lui Gagné et al. (2019) au avut un efect pozitiv mare (=care induce latență), p < .001. Spre deosebire de variabila SUBTLEX-US, au apărut mai mulți coeficienți nesemnificativi. Având în vedere aceste tipare, a fost creată o variabilă categorială cu valorile ‘1’ pentru efect pozitiv (=interferența lungimii compusului) și ‘0’ pentru niciun efect (=nicio interferență a lungimii compusului). Eșantionul rezultat a conținut 39 de valori AIC scalat. Testul de corelație Pearson între lungimea compusului și AIC scalat a indicat un coeficient de corelație puternic semnificativ de 0.51, p = .001, indicând o corelație moderată spre puternică între cele două variabile. Lungimea compusului a fost inclusă ca unică variabilă independentă într-un model de regresie liniară. S-a constatat că media AIC scalat prezisă pentru absența interferenței lungimii compusului era de 3.611 (=interceptul). Interferența lungimii compusului a dus la o valoare mai mare (=inferioară) de -3.407 (b = 0.204, p = .001). Figura 6 de mai jos ilustrează aceste tipare. Pe scurt, AIC scalat se deteriorează atunci când lungimea compusului devine relevantă în cadrul modelelor. Straipsniai / Articole 289 Exploring Scaled AIC within English Closed Compounds FIGURA 6. Lungimea compusului și AIC scalat Am efectuat ANOVA-uri separate pentru sursa timpului de răspuns (ELP/BLP) și performanța la sarcină (decizie lexicală/denumire), luând în considerare lungimea compusului ca covariabilă. Obiectivul principal a fost identificarea diferențelor dintre medii care fuseseră ajustate anterior pentru a ține cont de efectele de control ale lungimii compusului. (a) ANOVA pentru sursa timpului de răspuns. BLP a primit valoarea ‘0’, iar ELP a primit valoarea ‘1’. Testul de corelație Pearson a evidențiat o coliniaritate puternică între sursa timpului de răspuns și lungimea compusului, r = 1 (N = 39). Următoarele dovezi susțin constatarea noastră: În primul rând, grupul ELP a prezentat în mod constant corelații pozitive semnificative cu lungimea compusului, indicând un efect mare. În al doilea rând, grupul BLP a prezentat în mod constant corelații nesemnificative cu lungimea compusului.17 În consecință, media AIC scalat prognozată pentru sursa timpului de răspuns a fost aceeași cu sau fără lungimea compusului în analiză (M = 3.407 în ambele cazuri). Pe scurt, lungimea compusului nu a avut un efect semnificativ asupra AIC scalat atunci când sursa timpului de răspuns a fost inclusă. (b) ANOVA pentru performanța la sarcină. Denumirii i s-a atribuit valoarea ‘0’, iar deciziei lexicale i s-a atribuit valoarea ‘1’. Testul de corelație Pearson a evidențiat o corelație negativă între sarcină și lungimea compusului, indicând un efect moderat, r = -.5, p = .001 (N = 39). Acest rezultat sugerează că lungimea compusului este mai relevantă pentru denumire decât pentru decizia lexicală. 17 Trebuie menționat că 11 dintre cei 13 coeficienți BLP au fost negativi. CHARITON CHARITONIDIS 290 Acta Linguistica Lithuanica XC Atunci când sarcina este considerată variabila principală, lungimea compusului a fost o luând în considerare lungimea compusului ca variabilă significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when principală, sarcina a fost un predictor semnificativ al AIC scalat, F (1, 125.30), p = .000. Media AIC scalat prognozată pentru sarcină luată separat a fost semnificativ diferită de media AIC scalat prognozată atunci când s-a ținut cont de lungimea compusului (3.584 față de 3.203, respectiv). În mod similar, media AIC scalat prognozată pentru lungimea compusului luată separat (3.584) a fost semnificativ diferită de media AIC scalat prognozată atunci când s-a ținut cont de sarcină (-3.23). În concluzie, în ceea ce privește ajustarea pentru covariabilă, atât sarcina de decizie lexicală, cât și lungimea compusului au prezis modele inferioare. Această secțiune investighează efectul coeficienților de regresie pentru semantic cele 6.4. ScaledAICvs.transparencynorms trei niveluri morfologice, adică compusul, primul constituent și al doilea constituent. Tabelul transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof de recodificare ordinală poate fi găsit în Tabelul 6. Tabelul 7 de mai jos prezintă medianele și intervalele coeficienților de transparență transformați ordinal pentru toate cele trei niveluri morfologice. Medianele oferă informații utile despre tendința centrală și dispersia valorilor ordinale și pot contribui la fundamentarea analizelor bazate pe variabile ordinale. TABELUL 7. Coeficienți de transparență transformați ordinal: mediane și intervale Mediană Minim Maxim Compus -3 -3 -1 Primul constituent 2-3 3 Al doilea constituent 0 -2 3 N = 18 După cum se poate observa, mediana pentru compus a fost „-3”, mediana pentru primul constituent a fost „2”, iar mediana pentru al doilea constituent a fost „0”. Aceste constatări sugerează că, în modelele lui Gagné et al. (2019) cu frecvența SUBTLEX-US, transparența pentru compus era asociată cu un efect negativ mare (timpi de răspuns mai scurți), transparența pentru primul constituent era asociată cu un efect pozitiv moderat (timpi de răspuns mai lungi), iar transparența pentru al doilea constituent nu avea un efect semnificativ sau avea un rol incert. Evaluările mai ridicate ale transparenței pentru al doilea constituent, raportate de Straipsniai / Articole 291 Exploring Scaled AIC within English Closed Compounds Gagné et al. (ibid.), sugerează o tendință inerentă în favoarea acestuia, ceea ce conduce la dependența transparenței globale a compusului de transparența primului constituent. În acest context, mediana pozitivă, generatoare de latență, pentru primul constituent indică rolul său mediator, poate de stabilire a referinței, în această relație (a se vedea și secțiunea 1). Rămâne să se demonstreze care sunt funcțiile semantice care reprezintă suficient, în termenii procesării, Întrebarea de cercetare care urmează să fie abordată acum este dacă nivelul de pozitivitate și de semnificație al coeficienților de transparență influențează AIC scalat. theinherentbiasofthesecondconstituent.18 Metoda noastră urmărește în primul rând detectarea efectelor de supraajustare. După cum susțin Daniel J. Navarro & Jay I. Myung (2005), supraajustarea apare atunci când „un model complex, cu mulți parametri și o formă puternic neliniară, poate adesea să ajusteze datele mai bine decât un model simplu, cu puțini parametri, chiar dacă acesta din urmă a generat datele” (Navarro, Myung 2005: 1240). În consecință, un număr mare de parametri are potențialul de a surprinde zgomotul sau caracteristicile unice ale datelor disponibile, dar poate împiedica capacitatea modelului de a se generaliza la date noi. AIC atenuează problema supraajustării prin introducerea unei penalizări pentru includerea numeroșilor parametri într-un model; a se vedea partea „+2k” a ecuației AIC din secțiunea 2. În ceea ce privește analiza care urmează, se postulează că modelele care prezintă valori mai mari (=inferioare) ale AIC scalat pot avea coeficienți semnificativi, derivați sistematic, adică coeficienți relevanți doar conform setului de date LADEC. În acest context, conjectura noastră sugerează că ar putea apărea o tendință opusă în relația dintre transparență și AIC scalat, comparativ cu indicația oferită de medianele din Tabelul 7. În mod particular, valorile Scaled AIC mai mici (= mai bune) pot fi asociate cu (a) coeficienți pozitivi (timpi de răspuns mai lungi) în ceea ce privește întregul compus, (b) coeficienți negativi (timpi de răspuns mai scurți) în ceea ce privește primul constituent și (c) coeficienți pozitivi sau negativi (timpi de răspuns mai lungi, respectiv mai scurți) în ceea ce privește al doilea constituent. Trebuie remarcat faptul că, în ceea ce privește al doilea constituent, mediana din Tabelul 7 nu sugerează niciun efect. Pentru a răspunde întrebării de cercetare, vor fi utilizate două măsuri neparametrice, și anume testul Kruskal-Wallis și testul Jonckheere-Terpstra. Testul Kruskal-Wallis, cunoscut și sub denumirea de „testul H”, este un test neparametric bazat pe 18 În Charitonidis (2024) se susține că atât hiponimia, cât și concretența contextuală a celui de-al doilea constituent sunt predictori semantici semnificativi în decizia lexicală și denumire. Analiza prezentată acolo arată că includerea ambilor predictori are ca rezultat o îmbunătățire a valorilor Scaled AIC și R2 în comparație cu modelele care omit oricare dintre aceste variabile. CHARITON CHARITONIDIS 292 Acta Linguistica Lithuanica XC distribuția chi-pătrat. Acesta presupune ca variabila dependentă să fie ordinală sau continuă. Acest test este conceput pentru a determina dacă există diferențe semnificative între medianele a două sau mai multe grupuri și este utilizat ca alternativă la ANOVA unifactorială. În ceea ce privește procedura, valorile variabilei dependente continue, și anume Scaled AIC, au fost ordonate de la cea mai mică la cea mai mare, iar scorurilor li s-au atribuit ranguri. Rangurile rezultate au fost reintroduse în grupurile nivelului de semnificație (variabila independentă), iar rangurile pentru fiecare grup au fost însumate. Formula pentru calcularea lui „H” implica valoarea în funcție de mărimea eșantionului.19 Tabelele 8–10 conțin datele de intrare luate în considerare și suma rangurilor amongothers,squaringthesumofranksforeachgroupandthendividingthis pentru fiecare grup.20 TABELUL 8. Compus Significancelevels N SumofRanks Scaled 1 – efect AIC negativ mic 1 2 2 – efect negativ moderat 5 46 3 – efect negativ mare 12 123 Total 18 TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 – efect pozitiv moderat 4 34 3 – efect pozitiv mic 1 3 4 – fără efect 1 2 5 – efect negativ mic 1 10 6 – efect negativ moderat 1 11 7 – efect negativ mare 452 Total 18 19 Pentru restul calculelor, a se vedea Field (2009: 561–562). 20 În toate cele trei tabele, suma totală a rangurilor este aproximativ 171. Ea este egală cu suma numerelor întregi de la 1 la 18; a se vedea dimensiunea eșantionului (N). Articole / Articles 293 Exploring Scaled AIC within English Closed Compounds TABELUL 10. Al doilea constituent Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 – efect pozitiv mic 1 14 3 – niciun efect 8 59 4 – efect negativ mic 1 18 5–moderatenegativeeffect 221 Total 18 Înainte de a aprofunda rezultatele testului Kruskal-Wallis (H), este important de menționat că acest test nu oferă informații despre diferențele specifice dintre grupurile individuale. Pentru a aborda această problemă, a fost utilizat suplimentar testul Jonckheere-Terpstra (JT). Acest test a oferit informații despre măsura în care medianele grupurilor au crescut sau au scăzut în ordinea specificată de variabila de codificare (=de grupare), mai exact de la efect pozitiv mare la efect negativ mare. În ceea ce privește metodele, statistica JT a fost convertită într-un scor z. O valoare z pozitivă indica o tendință a medianelor ascendente, adică medianele creșteau (=AIC scalat mai mare/inferior) pe măsură ce valorile variabilei de codificare creșteau. O valoare z negativă indica o tendință a medianelor descendente, adică medianele scădeau (=AIC scalat mai mic/mai bun) pe măsură ce valorile variabilei de codificare creșteau. În continuare, rezultatele testelor Kruskal-Wallis (H) și Jonckheere-Terpstra (JT) sunt prezentate împreună. (a) AIC-ul scalat pentru compus nu a fost afectat semnificativ de nivelul de semnificație, conform testului Kruskal-Wallis (H (2) = 2.226, p > .05). A fost identificată o tendință a medianelor ascendente, confirmând ipoteza noastră privind supraajustarea; a se vedea mediana negativă pentru compus în Tabelul 7. Cu toate acestea, această tendință nu a fost semnificativă statistic conform testului Jonckheere-Terpstra (JT = 50, z = 1.064, p > .05). (b) AIC-ul scalat pentru primul constituent nu a fost afectat semnificativ de nivelul de semnificație, conform testului Kruskal-Wallis (H (6) = 5.427, p > .05). A fost identificată o tendință a medianelor ascendente, respingând ipoteza noastră privind supraajustarea; a se vedea mediana pozitivă pentru primul constituent în Tabelul 7. Cu toate acestea, această tendință nu a fost semnificativă statistic conform testului JonckheereTerpstra (JT = 70, z = 0.549, p > .05). (c) AIC-ul scalat pentru al doilea constituent nu a fost afectat semnificativ de nivelul de semnificație, după cum a fost determinat prin testul Kruskal-Wallis (H (4) = 4.607, p > .05). Nu s-a observat o tendință a medianelor de creștere sau descreștere, respingând CHARITON CHARITONIDIS 294 ActaLinguisticaLithuanicaXC ipoteza noastră a supraajustării. În particular, statistica z a testului JonckheereTerpstra a fost practic egală cu zero, în concordanță cu mediana zero pentru al doilea constituent din Tabelul 7 (JT = 54, z = 0.041, p > .05). Pe scurt, se poate deduce că nivelul de semnificație al coeficienților de transparență din modelele lui Gagné et al. (2019) cu frecvența SUBTLEX-US nu afectează magnitudinea AIC-ului scalat. Această constatare susține indirect calitatea modelelor lui Gagné et al. (2019) cu predictori de transparență, indicând în mod specific că ipoteza supraajustării pentru aceste modele nu este sustenabilă. O limitare a studiului de față este dimensiunea mică a eșantionului utilizat, cu N = 18. Pentru a confirma constatările noastre, sunt necesare cercetări suplimentare care să utilizeze un interval mai larg de valori ale AIC-ului scalat AIC. Pentru a asigura claritatea și exhaustivitatea prezentării rezultatelor cercetării noastre, am inclus o secțiune dedicată rezumării principalelor constatări ale studiului nostru. Pentru această prezentare cuprinzătoare, vă rugăm să continuați cu Secțiunea 7. 7. PRINCIPALELE CONSTĂTĂRI Tabelul 11 de mai jos prezintă o analiză cuprinzătoare a performanței modelelor și a variabilelor relevante în contextul sarcinilor de decizie lexicală și de denumire, pe baza constatărilor lui Gagné et al. (2019). Fiecare secțiune a tabelului analizează subiecte specifice, dezvăluind care modele sunt cele mai eficiente. Testele ANOVA și Kruskal-Wallis/Jonckheere-Terpstra (secțiunile 6.3 și 6.4) au fost aplicate după atribuirea unor valori nominale (ordinale sau categoriale) coeficienților de regresie din modelele lui Gagné et al. (2019). Pentru detalii privind testele speciale aplicate, vă rugăm să consultați secțiunile respective. TABELUL 11. AIC scalat în cadrul compuselor închise din limba engleză: Analiză cuprinzătoare a performanței modelelor în sarcini de decizie lexicală și de denumire (Gagné et al. 2019) Subjects Statistics Evaluation Section Categorii de modele Teste de Statistici normalitate Decizie lexicală BLP Denumire ELP descriptive Decizie lexicală ELP NPAR/~ PAR/✓ 6.1 PAR/✓ Timp de răspuns ELP ~ sursă Procesare task Efecte principale Decizie lexicală lexicală Decizie lexicală BLP ✓ Denumire ELP ✓6.2 Articole / Articles 295 Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Variabile de control ANOVA Frecvența compusului Lungimea compusului ✓ ~ 6.3 Kruskal-WallTransparenis semantic ță NOF/ns JonckhePrimul Jonckheere–- ere–Terpconstituent Terpstra Al stra Compus NOF/ns doilea constituent NOF/ns 6.4 PAR: date parametrice | NPAR: date neparametrice | ✓: modele mai bune (AIC mai mic) ~: modele inferioare (AIC mai mare) | NOF/ns: fără supraajustare/test nesemnificativ 8. DISCUȚIE Cercetările anterioare realizate de Charitonidis (2022, 2024) au demonstrat că AIC scalat este o măsură fiabilă a adecvării la date, care poate fi utilizată în selecția modelelor, eventual împreună cu alte măsuri, precum testul Wald (a se vedea secțiunea 3). Având ca referință modelele de regresie multiplă ale lui Gagné et al. (2019), cu frecvența SUBTLEX-US, analiza de față a introdus proprietăți suplimentare ale măsurii AIC scalat. Deși au fost formulate preocupări justificate cu privire la compararea modelelor ajustate pe dimensiuni diferite ale eșantioanelor, folosind anumite contexte, AIC scalat poate fi într-adevăr un instrument informationcriteria(seesection2),thefindingsofthisstudysuggestthatin valoros pentru evaluarea adecvării modelului și ierarhizarea modelelor de regresie. Cercetarea noastră a demonstrat că AIC scalat este sensibil la proiectarea experimentală, la sursele timpilor de răspuns și la sarcinile specifice. Cu toate acestea, este esențial să recunoaștem că aplicabilitatea AIC scalat poate depinde de context, iar utilitatea sa ar trebui evaluată de la caz la caz. Înainte de a trece la principalele constatări ale acestei lucrări, este important să 1. addresstheresearchquestionssetupinsection4. Distribuțiile valorilor AIC scalat, împreună cu combinațiile diferitelor surse ale timpilor de răspuns și ale sarcinilor de procesare, sugerează că AIC scalat identifică eficient prezența sau absența unor factori fundamentali bine definiți în proiectarea experimentală și modelarea statistică. În acest context, decizia lexicală BLP și denumirea ELP au manifestat o putere predictivă mai mare pentru AIC scalat chiar și în condiții controlate. 2. Frecvența compuselor a fost, în mod obișnuit, un predictor negativ al AIC-ului scalat, indicând întotdeauna un efect mare. Decizia lexicală ELP a prezentat în mod constant CHARITON CHARITONIDIS 296 Acta Linguistica Lithuanica XC corelații pozitive semnificative, lungimea compusului prezicând valori mai mari (= inferioare) ale AIC-ului scalat. Decizia lexicală BLP a prezentat în mod constant corelații nesemnificative cu lungimea compusului. Atât decizia lexicală, cât și lungimea compusului au prezis modele inferioare în ajustarea covariatelor. 3. Pozitivitatea și nivelul de semnificație al coeficienților de transparență din modelele lui Gagné et al. (2019) nu au afectat magnitudinea AIC-ului scalat. Această constatare implică faptul că modelele lui Gagné et al. (2019), cu predictori ai transparenței, nu introduc o eroare de supraajustare. Prin referirea la secțiuni specifice ale analizelor, principalele constatări ale acestui studiu pot fi rezumate după cum urmează: În Secțiunea 6.1, analiza noastră s-a concentrat asupra comparației dintre valorile AIC-ului scalat pentru diverse categorii de modele. Chiar și după încercarea transformărilor „logaritm natural” și „rădă pătrată” asupra valorilor absolute, eșantionul general al AIC-ului scalat nu s-a conformat unei distribuții normale. În mod similar, modelele de decizie lexicală ELP au prezentat o distribuție neparametrică a valorilor AIC-ului scalat. În schimb, datele referitoare la decizia lexicală BLP și la denumirea ELP au urmat un tipar de distribuție normală. În Secțiunea 6.2, atenția noastră s-a deplasat către examinarea relației dintre AIC-ul scalat și (a) sursele timpilor de răspuns și (b) performanța la sarcină. În mod interesant, intervalele valorilor AIC-ului scalat pentru modelele de decizie lexicală ELP și BLP nu s-au suprapus, semnalând caracterul lor distinct. Rezultatele testelor au relevat efecte principale semnificative atât ale sursei timpului de răspuns, cât și ale performanței la sarcină asupra AIC-ului scalat. În mod remarcabil, capacitatea predictivă a AIC-ului scalat a fost mai bună pentru modelele asociate cu timpii de decizie lexicală BLP și cu sarcina de denumire. Aceste constatări contribuie semnificativ la precizia și eficacitatea modelelor respective. În Secțiunea 6.3, explorarea noastră s-a aprofundat în relația dintre AIC-ul scalat și variabilele de control „frecvența compusului” și „lungimea compusului”. Frecvența compusului a fost exclusă din analiză deoarece era perfect coliniară cu AIC-ul scalat. Pe de altă parte, s-a observat o scădere a valorilor AIC-ului scalat atunci când lungimea compusului devenea un factor relevant în cadrul modelelor. În ceea ce privește ajustarea Concomitantly,compoundlengthwasmostrelevantforthenamingtask. covariatelor, atât sarcina de decizie lexicală, cât și lungimea compusului au fost predictive pentru modele inferioare. În Secțiunea 6.4, atenția noastră s-a concentrat asupra relației dintre AIC-ul scalat și nivelul andsemantictransparency.Theresearchquestionwaswhetherthepositivity de semnificație al coeficienților de transparență din modelele lui Gagné et al. (2019), care a avut un impact asupra AIC-ului scalat. Scopul principal al metodei noastre a fost detectarea potențialelor efecte de supraajustare. Am presupus că modelele cu valori inferioare ale AIC-ului scalat ar putea avea coeficienți semnificativi relevanți la nivelul compusului – în Articole / Articles 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 concordanță cu ipoteza noastră privind supraajustarea – însă testul JonckheereTerpstra a arătat că această tendință nu a atins semnificație statistică. În concluzie, explorarea diferiților parametri utilizând AIC scalat ca variabilă dependentă a evidențiat diversele moduri în care categoriile de modele, sursa timpului de răspuns, sarcinile de procesare, variabilele de control și transparența semantică influențează calitatea ajustării modelelor. Recunoscând relațiile nuanțate dintre aceste elemente, cercetătorii sunt mai bine pregătiți să ia decizii informate privind selecția, ajustările și interpretarea modelelor. 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.