Exploring Scaled AIC within English closed compounds

Straipsniai 273 straipsnis CHARITONCHARITONIDIS Nepriklausomas tyrėjas ORCID id: orcid.org/0000-0003-0298-2629 Tyrimų sritys: žodžių formavimas, daugiaslovės išraiškos, leksikinė semantika, žodžių atpažinimas, emocijos. DOI: doi.org/10.35321/all90-11 "Exploring SCALED AIC" Angliškai uždarytas junginiai Anglų kalbos uždarųjų junginių (sudurtinių žodžių) skalės AIC tyrimas Anotacija "AKA (AKA) - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" - ""AKA"" " - ""AKA"" - ""AKA"" - ""AKA"" " - ""AKA"" " - ""AKA" - ""AKA" - ""AKA" - ""AKA" " - ""AKA" - ""AKA" - ""AKA "" - ""AKA "" - "" - "" - ""A - ""A - ""A - "" - "" - ""A - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - "" - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - Raktiniai žodžiai: anglų junginiai, "Scaled AIC", leksikinis sprendimas, pavadinimas. ANOTACIJA Akaikės informacijos kriterijus (angl. AIC) yra pastovus modelių tinkamumo matas, taikomas empirinių duomenų analizei. Tačiau AIC yra jautrus dydes imtiesžiui. Ankstesni Chariton Charitonidis 274 Acta Linguistica Lithuanica XC autoriaus tyrimai parodė, kad skalės patvirtintas, padalytas iš imties dydžio, yra veiksminga priemonė modelio tinkamumui įvertinti ir regresijos modeliams hierarchizuoti. Šiame tyrime nagrinėjamos tolimesnės šio kintamojo ypatybės objektas 66 daugialypės regresijos modeliai, susiję su uždarųjų (sudurtinių) anglų kalbos junginių, paimtų iš bazės (AIC. LADEC), apdorojimu Pirmiausia siūlomas su projektų metodai Angliškai analizės variantai, Gagné’ėsirkitų (2019)Anglųkalbossudurtiniųžodžių(junginių) didžiosiosduomenų pagrindinių rezultatų ir neparametriniai šaltiniai. ESMINIAI ŽODŽIAI: anglų kalbos junginiai (sudurtiniai 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 žodžiai), skalės AIC, leksinis sprendimas, įvardijimas. 1. Didelė duomenų bazė Anglų kalbos junginiai (LADEC: GAGNÉ ET AL. 2019)1 Didžioji anglų junginių duomenų bazė (angl. Large Database of English Compounds, LADEC) yra didžiausia esama junginių žodžių duomenų bazė, kurioje yra daugiau nei 8000 junginių, kurie gali būti laisvai suskirstyti į du morfinius sudedamąsias dalis.LADEC duomenų bazėje yra 7804 junginių, kurie gali būti laisvai suskirstyti į du morfinius sudedamąsias dalis. Gagné et al. (2019) daugkartinės regresijos modeliai apima platų prognozuojančių (nepriklausomų) kintamųjų spektrą, pvz., junginio ilgį, bigramo dažnį. 2004:46).Thefirstnon-headconstituentreferstoawiderangeofgrammatical 2 LADEC įtraukia jau įtrauktų junginių daugybinius skaičius kaip atskirus įrašus. Straipsniai 275 straipsnis Exploring Scaled AIC within English Closed Compounds "Prieš tai, kad būtų galima nustatyti, kad ""Log Response Times"" (LRP) yra priklausomi kintamieji, ""Log Response Times"" (LRP) yra priklausomi kintamieji, o ""Log Response Times"" (LRP) yra priklausomi kintamieji, o ""LRP"" yra priklausomi kintamieji, o ""LRP"" yra priklausomi kintamieji, o ""LRP"" yra priklausomi kintamieji, o ""LRP"" yra priklausomi kintamieji." 1 paveikslėlis. LADEC įrašai: pavyzdys po mirties sapnuojantis trūkumas skausmo vaistas galinis sviesto žvilgsnis šautuvas širdies stimuliatorius orlaivis plotas žemės drebėjimas laivų prižiūrėtojas palikuonys kvailas spynas pelenų dėžutė statykla kamuolys batų kabliukas vadovėlis nuskendo atstumti atgal kryžminė ugnis pervažiuoti "Gagné et al. (2019) tyrime pagrindinis dėmesys buvo skiriamas įvairiems semantinio skaidrumo matavimams. ""Gagné et al. (2019) paprašė dalyvių įvertinti junginius, atsižvelgiant į tai, kiek numatoma junginio reikšmė iš jo dalių (t. y. prognozuojamumo įvertinimai, pagrįsti junginiais) ir kiek kiekvienos sudedamosios dalies reikšmės yra išlaikyta junginyje (t. y. išlaikymo įvertinimai, pagrįsti sudedamosiomis dalimis)." 3 Subtlex-US korpusas yra 51 milijoną žetonų korpusas, pagrįstas subtitrais iš JAV filmų ir televizijos programų.Keletas naujausių tyrimų parodė, kad dažnių normos, gautos iš filmų ir televizijos programų subtitrų, paprastai yra efektyvesnės nei iš spausdintų tekstų, kai kalbama apie leksikinio apdorojimo laiko skirtumus ir kai kuriais atvejais tikslumą tarp įvairių kalbų gimtoji kalbininkų. 2018: 2 ir joje pateiktos nuorodos). Chariton Charitonidis 276 Acta Linguistica Lithuanica XC pirmoji sudedamoji dalis buvo stipriau koreliuota su viso junginio įvertinimu nei antrojo sudedamojo dalies įvertinimas (c1~cmp: r = 0,75, p <.001 vs. c2~cmp: r = 0,66, p <.001. N = 429).4 Visų pirma, pirmojo sudedamojo dalies reikšmės išsaugojimo įvertinimas ir reikšmės nuspėjamumo įvertinimo sprendimas, BLP leksikinis sprendimas ir ELP pavadinimai. "Kalbant apie ""transparentumą"" ir ""transparentumą"" (angl. ""transparency"") ir forthecompoundpredictedallthreetypesofresponsetimes,i.e.ELPlexical ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"") ir compound’s meaning predictability appear to be immediately mapped onto ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"") ir ""transparentumą"" (angl. ""transparency"")." 2lnL + 2k, kuriame lnL reiškia maksimalią (pilną) logaritminę modelio tikimybę, o k - parametrų, įskaitant konstantą, skaičių. Mažesnis prognozuojančiųjų rinkinys paprastai siejamas su efektyvesniais modeliais (modeliais su mažesniu informacijos praradimu). Kuo mažesnė neigiama vertė, tuo geresnis ofthecompoundmoststrongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hirotugu Akaike developed a method to estimate the relative modelio tinkamumas. 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 Remiantis ankstesniais tyrimais, Gagné et al. (2019) praneša, kad "modifikatorius (pirmoji sudedamoji dalis anglų kalboje) linkęs vaidinti didesnį vaidmenį palengvinant santykių pasirinkimą apdorojant junginius ir vardinius frazes". Straipsniai 277 straipsnis Exploring Scaled AIC within English Closed Compounds "A.I.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.- C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C.C Burnhamas ir Andersonas (Burnham & Anderson, 2002: 808-335) išsamiai aptarė skirtingo mėginių skaičiaus poveikį modelio palyginimui, nes jie tvirtina, kad informacijos kriterijų naudojimas palyginant modelius su skirtingais mėginių skaičiais gali sukelti klaidinančius rezultatus. Panašiai, kaip pažymėta Svetunkovo diskusijoje 2016 m. (žr. nuorodą po bibliografijos), visi informacijos kriterijai yra pagrįsti tikimybės funkcija, kuri savo ruožtu priklauso nuo mėginių skaičiaus. 3. Ankstesni tyrimai Charitonidis (2022) 44 daugialypių regresijos modelių, kurių emocijų kintamųjų (valencijos, susijaudinimo ir konkretumo (a) žodžių ir (b) žodžių kontekstuose) deriniai buvo padalinti pagal mėginio dydį (N), kad būtų gautos skalės (AIC 9/N) vertės. 7 Vienas iš sprendimų, kuriuos siūlo Burnhamas ir Andersonas (2002), yra AIC verčių transformavimas į "Akaike svorį", kuris apibrėžiamas kaip "modelio santykinis tikimybė, atsižvelgiant į duomenis" (Burnhamas, Andersonas 2002: xiii; taip pat žr. Wagenmakers, Farrell 2004). Skaitytojas gali suprasti Svetunkovo teiginį, pakeisdamas lygtyje "lnL" komponento skirtingas vertes, išlaikydamas "2k" komponento konstantą. "AKAIC (Akaike Information Criterion by the Sample Size) yra ne naujovė, pavyzdžiui, Hastie et al. (2009) apibrėžia ne kanoniniu būdu, naudojant N kaip vardiklį formulėje. Nors šis nukrypimas nuo įprastinės AIC formulės nėra be savo kritikų, jis išlieka paplitusiu požiūriu, kaip parodyta jo įtraukimu į statistinę programinę įrangą ""Stata Reports.""" Chariton Charitonidis 278 ActaLinguisticaLithuanicaXC BLP leksikinio sprendimo laikas buvo geresnis nei ELP leksikinio sprendimo laikas, o ELP leksikinio sprendimo laiko suderinamumas buvo lygus ELP ir BLP leksikinio sprendimo laiko suderinamumui. "Kartotinoidis (2024) nustatė, kad visi reikšmingi koeficientai iš pasaulinių modelių su SUBTLEX-US dažniu buvo suderinti su hiponimijos kintamuoju (Gagné et al. 2020). Buvo nustatyta, kad modeliai, kuriuose yra ir hiponimija, ir konteksto konkretumas antriems kintamuosiams, visada buvo susiję su mažiausia sudedamoji vertė ("best"), palyginti su "nested" modeliais, t. y. sumažinta, išbraukiant bet kurį iš šių dviejų modelių. " 1 lentelė. Iš viso modelio (Modelis 1) išskaičiuojamos skliautos vertės, skirtos susikaupusiems modeliams, išbraukiant hiponimą (Modelis 2) arba konteksto konkretumą antrojo sudedamosios dalies (Modelis 3) tam, kad būtų galima prognozuoti anglų kalbos leksiko projekto (ELP) leksikinio sprendimo (LD) laiką, britų kalbos leksiko projekto (BLP) leksikinio sprendimo (ELP) laiką arba konkretumą antrojo sudedamosios dalies (Modelis 3) tam, kad būtų galima prognozuoti hiponimą (CLP) laiką, konteksto valenciją (CLP), konteksto (CLP) konkretumą (CLP) ir konteksto konkretumą (CLP). Modelis "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 ELP pavadinimas -3.58686b-7396.108 2062 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 Straipsniai 279 straipsnis Exploring Scaled AIC within English Closed Compounds SUBTLEX-USfrequency,representationvalence(cmp),contextconcreteness (c2) ELP pavadinimo laikai Modelis R2 kvadratas F pasikeitimas 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 ELP pavadinimas 1.288b118.711 72054.000 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. Pranašai: (konstantinis), hiponiminis sprendimas, junginio ilgis, SUBTLEX-US dažnis, reprezentacijos valencija (cmp), konteksto konkretumas (c2) b. Prediktoriai: (konstantinis), hiponimo vertinimas, junginio ilgis, SUBTLEX-US dažnis, konteksto valencija (cmp), konteksto susijaudinimas (c1), konteksto susijaudinimas (c2), konteksto konkretiškumas (c2) Galiausiai, du skirtingi poveikio dydžio matavimai, t. y. "Scaled AIC" ir tas pats pirmenybė geriausiam modeliui. R2,hierarchizedthesameregressionmodelsidenticallywhiledemonstrating Chariton Charitonidis 280 Acta Linguistica Lituanica XC 4. Dabartinis tyrimas Šiame tyrime remiamasi ankstesniais autoriaus tyrimais, pateiktais 3 skyriuje. Tyrimo dalykai yra 66 leksikaliniai sprendimų ir pavadinimų modeliai anglų uždaroms (sujungtoms) junginiams, kuriuos sukūrė Gagné et al. (2019). Visi modeliai apima SUBTLEX-US dažnį kaip valdymo kintamąjį. Mūsų tikslai yra dvigubai ir veikia lygiagrečiai. Pirmiausia, mes vertiname Gagné et al. modelių (ibid.) savybes. Tyrimo klausimai yra šie: Ar "Scaled AIC" yra jautrus "Gagné et al". (2019) modelio projektavimui? 2. Koks yra kontrolės kintamųjų "susijungimo dažnis" ir "susijungimo ilgis" poveikis "Scaled AIC"? 3. Kaip morfologinis skaidrumas yra susijęs su "Scaled AIC"? Šiame skyriuje pateikiama apžvalga apie mūsų metodus. 6.1 skyriuje pateikiamos apibūdinamosios statistikos, susijusios su nagrinėjamais modeliais. Pagrindinis dėmesys skiriamas parametrinėms ir neparametrinėms modelio kategorijų savybėms. 7.2 skyriuje nagrinėjamas atsakymo laiko šaltinio ir leksikinio apdorojimo užduočių santykis. 6.3 skyriuje "Scaled" yra lyginamas su "AIC compound frequency" ir "AIC compound length" valdymo kintamaisiais. 6.4 skyriuje "Gagné et al." modelių skaidrumo koeficientų reikšmingumo lygiai yra nukreipti į "Scaled" vertes. 5. METODAI Bendrasis metodas buvo Gagné et al. modelių pagrindinių parametrų ir charakteristikų lyginamoji analizė, naudojant skalėtinius kintamuosius kaip priklausomą kintamąjį. Nepriklausomi kintamieji buvo pavyzdžio charakteristikos (pvz., atsakymo laiko šaltinis ir leksikinio apdorojimo užduotys), tyrimo dizainas (pvz., kontrolinis) ir skaidrumo koeficientų reikšmingumo lygis. Specifiniai statistiniai metodai buvo tokie: (a) apibūdinamosios statistikos, susijusios su vidutiniais ir medianais, kartu su Shapiro-Wilk testu, siekiant įvertinti centrinę tendenciją, kintamumą ir skalės efektų pasiskirstymą įvairiose modelio kategorijose ir grupėse (6.1 ir 6.2), (b) pagrindinės analizės, atliktos atsakos laiko šaltiniui (ELP) ir leksikinio apdorojimo užduotims (leksikinio sprendimo pavadinimas) (AIC) Straipsniai 281 straipsnis Exploring Scaled AIC within English Closed Compounds 6. c) atskiros ANOVA, atliekamos atsakymo laiko šaltiniui ir leksikinio apdorojimo užduotims, įtraukiant junginio ilgį kaip kovariantą (6.2 skyrius), ir (d) Kruskal-Wallis ir Jonckheere-Terpstra semantinio skaidrumo testų naudojimas (6.4 skyrius). to explore differences amongthe ranks of ordinally-recodedcoefficientsfor 6. Analizės 6.1 Skaliuojamasis AIC ir modelio kategorijos 66 "AIC" vertės iš "Gagné et al. (2019) daugkartinės regresijos modelių 2 rodo atitinkamą 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 dėžutinį diagramą, nurodantį tvarkomą vertybių rinkinį.10 Mėginyje nebuvo išskirtinių vertybių. Skirtumo (Sk) ir kurtozės (Ku) vertės buvo priimtinos.11 Vidutinė įvertinimo vertė buvo -3.500, standartinis nuokrypis -0.19052, t. y. stebėjimai buvo santykinai glaudžiai suskirstyti aplink vidurkį. Mažiausia ir didžiausia įvertinimo vertė buvo atitinkamai -3.85502 ir -3.15754, vidutinė įvertinimo vertė buvo -3.7552, t. y. šiek tiek mažesnė už vidutinę įvertinimo vertę. (IQR) buvo 0,35616. "Kartilės viršutinė linija (Q1) rodo ribą, po kurios plinta apatinė duomenų dalis (25%) ir viršutinė linija (Q3) rodo vidurinę duomenų dalį (50%) arba tarpkvartilinį diapazoną (IQR), kurį galima apskaičiuoti ištraukiant 114. ""SPSS"" boundaryabovewhichtheupper25%ofthedataextends.Theshadedareashowstheboundaries aplinkai, vertės nuo -1 iki +1 yra priimtinos normalus pasiskirstymas, o kurtozės vertės nuo -2 iki +2 yra priimtinos 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. normalus pasiskirstymas." What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data). Chariton Charitonidis "Acta Linguistica Lituanica XC, kad būtų galima nustatyti junginio ilgio ir junginio dažnio įtaką skalės AIC, atitinkami regresijos koeficientai buvo pakodinti į ordinalines vertes pagal jų teigiamumą ir reikšmingumo lygį, žr. 6 lentelę." Regresijos koeficientų ordinalinio perkodavimo diagramas reikšmingumas pozityvumas ordinalinės vertės aprašymas p <. -001 neigiamas -3 didelis neigiamas poveikis p <.01 neigiamas -2 vidutinis neigiamas poveikis p <.05 neigiamas mažas neigiamas poveikis p <.05 teigiamas 0 nereikšmingas poveikis p <.05 teigiamas 1 mažas teigiamas poveikis p <.05 teigiamas 2 vidutinis teigiamas poveikis p <.05 teigiamas 3 didelis teigiamas poveikis (2019) A.C. Gagné et al. analizės modeliai, SUBTLEX-US dažnis visada buvo susijęs su neigiamais koeficientais su dideliu poveikiu, p <.001. "Prieštaraujant ""SUBLEX-US"" kintamosiam koeficientui, pasirodė keletas nereikšmingų koeficientų. Atsižvelgiant į šiuos modelius, buvo sukurtas kategorinis kintamasis, kurio vertės buvo 0,5 […] […]1 […] teigiamas efektas […] ir 0 […] be poveikio […] nėra efektas […] […]AIC […]. Rezultatas buvo 39 ""AIC"" kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamos kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios kintamosios." "Kompono ilgis buvo įtrauktas kaip vienas nepriklausomas kintamasis linijinio regresijos modeliu. Buvo nustatyta, kad prognozuota skalės ""AIC"" vidurkis be sudėtinio ilgio trukdžių buvo 3,611 (= suskirstymas). ""AIC"" trukdžiai lėmė didesnę vertės -3.407 (b = 0.204, p. 001) (b = 0). " Straipsniai 289 straipsnis Exploring Scaled AIC within English Closed Compounds Atsižvelgiant į junginio ilgį kaip kovariantą, mes atlikome atskiras ANOVA reakcijos laiko šaltinio (ELP/BLP) ir užduočių atlikimo (leksikinio sprendimo/vadinimo) atžvilgiu. Pagrindinis tikslas buvo nustatyti skirtumus tarp priemonių, kurios anksčiau buvo pakoreguotos, kad būtų atsižvelgiama į junginio ilgio kontroliuojančius poveikius. A. ANOVA (atsakymo laiko šaltinis) - BLP buvo priskirtas vertei 0, o ELP buvo priskirtas vertei 1. Pearson koreliacijos testas atskleidė stiprų kolinearumą tarp atsakymo laiko šaltinio ir junginio ilgio (r = 1 (N = 39) ); mūsų atradimą patvirtina šie įrodymai: Pirma, ELP grupė nuosekliai parodė reikšmingą teigiamą koreliaciją su junginio ilgio šaltiniu, o tai rodo didelį poveikį. (b) užduočių atlikimo ANOVA. Pavadinimui buvo priskirta vertė […]0[…], o leksikaliniam sprendimui buvo priskirta vertė […]1[…]. Pearsono koreliacijos testas atskleidė neigiamą koreliaciją tarp užduoties ir junginio ilgio, rodantį vidutinį poveikį, r = -.5, p =.001 (N = 39). Šis rezultatas rodo, kad junginio ilgis yra svarbesnis pavadinimui nei leksikaliniam sprendimui. 17 Reikėtų pažymėti, kad 11 iš 13 BLP koeficientų buvo neigiami. Chariton Charitonidis Atsižvelgiant į užduotį kaip pagrindinį kintamąjį, sudėtinis ilgis buvo reikšmingas "Scaled AIC" prognozuojantis veiksnys, F (1, 125.30), p = 000. Prognozuojama "Scaled AIC" vidurkis significantpredictorofScaledAIC,F(1,145.030),p=.000.Similarly,when vien užduotys buvo žymiai skirtingas nuo prognozuojamo "Scaled AIC" vidurkio, kai buvo atsižvelgiama į sudėtinį ilgį (3,584 vs. 3,203, atitinkamai). Šiame skyriuje nagrinėjamas regresijos koeficientų poveikis semantiniams trims morfologiniams lygiams, t. y. junginiui, pirmajam sudedamajam elementui ir antrajam sudedamajam elementui. Toliau pateiktoje lentelėje pateikiami ordinaliai transformuotų skaidrumo koeficientų medianai ir diapazonai visiems trims morfologiniams lygiams. 7 lentelė: Ordinaliai transformuoti skaidrumo koeficientai: medianos ir diapazonai 6.4. ScaledAICvs.transparencynorms transparencyinGagnéetal.(2019)modelsonScaledAIC.Theseregression coefficientswerecodedonthreeordinalscales,eachcorrespondingtooneof Vidutinis minimalus maksimalus Susijungimas -3-3-1 Pirmoji sudedamoji dalis 2-3 3 Antrasis sudedamoji dalis 0 -2 3 N = 18 Kaip matyti, junginio mediana buvo […]-3[…], pirmojo sudedamosios dalies mediana buvo […]2[…], o antrojo sudedamosios dalies mediana buvo […]0[…]. Šie rezultatai rodo, kad Gagné et al. […]s modeliai su SUBTLEX-US dažniu, skaidrumas junginiui buvo susijęs su dideliu neigiamu poveikiu (sumažesni atsakymo laikai), pirmojo sudedamosios dalies skaidrumas buvo susijęs su vidutiniu teigiamu poveikiu (ilgesnis atsakymo laikai), o antrosios sudedamosios dalies skaidrumas neturėjo reikšmingų poveikių arba turėjo neaiškus poveikį. Atsižvelgiant į toliau pateiktą analizę, postuliuojama, kad modeliai, kurių skalės vertės yra aukštesnės (= žemesnės), gali Straipsniai 291 straipsnis Exploring Scaled AIC within English Closed Compounds turėti reikšmingus, sistemingai gautus koeficientus, t. y. koeficientus, kurie yra svarbūs tik pagal LADEC duomenų rinkinį. Visų pirma, mažesnės (geresnės) skalės AIC vertės gali būti susijusios su (a) teigiamais koeficientais (ilgesniu atsakymo laiku) dėl viso junginio, (b) neigiamais koeficientais (ilgesniu atsakymo laiku) dėl pirmojo sudedamojo ir (c) teigiamais arba neigiamais koeficientais (ilgesniu ar trumpesniu atsakymo laiku) dėl antrojo sudedamojo. theinherentbiasofthesecondconstituent.18 Tyrimo klausimui atsakyti bus naudojami du neparametriniai matavimai, t. y. Kruskal-Wallis testas ir Jonckheere-Terpstra testas. Kruskal-Wallis testas, taip pat žinomas kaip "H testas", yra neparametrinis testas, pagrįstas 18 In Charitonidis (2024) teigiama, kad antrosios sudedamosios dalys hiponimija ir konteksto konkretumas yra reikšmingi semantiniai prognozuojantys leksikos sprendimai ir pavadinimai. Chariton Charitonidis 292 Acta Linguistica Lituanica XC, Chi kvadrato pasiskirstymas. Jis reikalauja, kad priklausomas kintamasis būtų ordinalus arba tęstinis. Šis testas skirtas nustatyti, ar yra reikšmingų skirtumų tarp dviejų ar daugiau grupių medianų, ir naudojamas kaip viena kryptimi veikiančios ANOVA alternatyva. Kalbant apie procedūrą, nuolatinio priklausomo kintamojo vertės, t. y. "AIC skalė", buvo suskirstytos nuo žemiausios iki aukščiausios, o rezultatai buvo priskirti laipsniams. amongothers,squaringthesumofranksforeachgroupandthendividingthis 8 lentelė Significancelevels N SumofRanks Skaičiuotas 1 […] AIC nedidelis neigiamas poveikis 1 2 2 […] vidutinio neigiamo poveikio 5 46 3 didelis neigiamas poveikis 12 123 Iš viso 18 TABLE9.Firstconstituent Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 […] vidutinis teigiamas poveikis 4 34 3 […] nedidelis teigiamas poveikis 1 3 4 […] jokio poveikio 1 2 5 […] nedidelis neigiamas poveikis 1 10 6 […] vidutinis neigiamas poveikis 1 11 7 didelis neigiamas poveikis 452 Iš viso 18 19 Likusius skaičiavimus žr. Field (2009: 561[…]562). Visose trijose lentelėse bendras laipsnių skaičius yra maždaug 171, kuris yra lygus iš 1 iki 18 skaičių sumai (žr. mėginio dydį (N). Straipsniai 293 straipsnis Exploring Scaled AIC within English Closed Compounds 10 lentelė Antrasis sudedamoji dalis Significancelevels N SumofRanks Scaled AIC 1–largepositiveeffect 6 59 2 […] nedidelis teigiamas poveikis 1 14 3 […] jokio poveikio 8 59 4 […] nedidelis neigiamas poveikis 1 18 5–moderatenegativeeffect 221 Iš viso 18 "Jonckheere-Terpstra (JT) testas buvo naudojamas siekiant nustatyti, ar grupės medianos padidėjo arba sumažėjo pagal kodavimo (grupavimo) kintamojo nurodytą tvarką, t. y. nuo didelio teigiamo poveikio iki didelio neigiamo poveikio. ""Jonckheere-Terpstra"" testas buvo sukonvertintas į ""Z-score"" metodą." (a) junginio skalės AIC nebuvo reikšmingai paveiktas reikšmingumo lygiu, kaip nustatyta Kruskal-Wallis testu (H (2) = 2,226, p > 0,05). Buvo nustatyta didėjančių medianų tendencija, patvirtinanti mūsų perviršinio prisitaikymo hipotezę, žr. neigiamą junginio medianą 7 lentelėje. Tačiau ši tendencija nebuvo statistiškai reikšminga pagal Jonckheere-Terpstra testą (JT = 50, z = 1.064, p. […].05). (b) pirmojo sudedamojo komponento skalė (6) nebuvo reikšmingai paveikta reikšmingumo lygiu, kaip nustatyta Kruskal-Wallis testu (H = 5,427, p > 0,05). Buvo nustatyta, kad didėjančios medianos tendencija atmeta mūsų perviršinio pritaikymo hipotezę, žr. pirmojo sudedamojo komponento teigiamą medianą 7 lentelėje. Tačiau ši tendencija nebuvo statistiškai reikšminga pagal Jonckheere-Terpstra testą (JT = 70, z = 0,549, p > 0,05). (c) antrosios sudedamosios dalies skalės AIC nebuvo reikšmingai paveikta reikšmingumo lygiu, kaip nustatyta Kruskal-Wallis testu (H (4) = 4.607, p > .05). Chariton Charitonidis 294 ActaLinguisticaLithuanicaXC Konkrečiai kalbant, Jonckheere-Terpstra bandymo z-statistika buvo iš esmės nulinė, atsižvelgiant į 7 lentelėje pateiktos antros sudedamosios dalies nulinę medianą (JT = 54, z = 0,041, p > 0,05). Apibendrinant, galima daryti išvadą, kad skaidrumo koeficientų reikšmingumo lygis Gagné et al. (2019) modeliuose su SUBTLEX-US dažniu neturi įtakos "Scaled" dydžiui. Šis atradimas netiesiogiai palaiko "Gagné et al. (2019) modelių su skaidrumo prognozuotojais kokybę, konkrečiai nurodant, kad šių modelių perviršinio pritaikymo hipotezė nėra patikima. "AIC" vertės. Norėdami užtikrinti aiškumą ir išsamumą pristatant mūsų tyrimų rezultatus, mes įtraukėme specialų skyrių, kuriame apibendrinamos pagrindinės mūsų tyrimo išvados. 7. Pagrindiniai atradimai "Kiekvienas lentelės skyrius nagrinėja konkrečius dalykus ir atskleidžia, kurie modeliai yra efektyviausi. ""ANOVA"" ir "Kruskal-Wallis" ir "Jonckheere-Terpstra" testai (6.3 ir 6.4) buvo taikomi po to, kai regresijos koeficientai buvo priskirti nominaliai (ordinaliai arba kategoriniai) iš "Gagné et al. (2019" modelių verčių." 11 lentelė. Anglų kalbos uždarų junginių masto AIC: išsamus modelio veikimo leksikinio sprendimo ir pavadinimo užduočių analizė (Gagné et al. 2019) Subjects Statistics Evaluation Section Modelių kategorijos Normalumo Aprašymai ELP bandymai BLP leksikinis sprendimas ELP pavadinimas leksikinis sprendimas NPAR/~ PAR[…] 6.1 PAR[…] Atsakymo laikas leksikinis Leksikinio task Pagrindiniai sprendimas ~ apdorojimo efektai ELP šaltinis BLP leksikinis sprendimas ELP pavadinimas […]6.2 Straipsniai 295 straipsnis Exploring Scaled AIC within English Closed Compounds Subjects Statistics Evaluation Section Kontroliniai kintamieji ANOVA Sudėtinis dažnis Sudėtinis ilgis ✓ ~ 6.3 Semantinis NOF/ns Kruskal-Wallskaidrumas Terpstra is Pirmasis Jonckheere-- junginys komponentas Antrasis NOF/ns komponentas NOF/ns 6.4 PAR: parametriniai duomenys | NPAR: neparametriniai duomenys | : geresni modeliai (mažesnis AIC) ~: prastesni modeliai (aukštesnis AIC) | NOF/ns: nėra perviršinio pritaikymo/ne reikšmingas bandymas 8. Diskusija Ankstesni Charitonidis (2022, 24) tyrimai parodė, kad "Scaled AIC" yra patikimas tinkamumo matavimo metodas, kuris gali būti naudojamas modelio atrankoje, galbūt bendradarbiaujant su kitais matavimais, tokiais kaip "Wald test" (žr. 3 skyrių) su nuoroda į "Gagné et al. (2019) " daugkartinio regresijos modelius su SUBTLEX-US dažniu. informationcriteria(seesection2),thefindingsofthisstudysuggestthatin Prieš pradedant nagrinėti šio straipsnio pagrindines išvadas, svarbu atkreipti dėmesį į tai, addresstheresearchquestionssetupinsection4. kad skalės AIC verčių pasiskirstymas, kartu su skirtingų atsakymo laiko šaltinių ir apdorojimo užduočių deriniais rodo, kad skalės AIC veiksmingai identifikuoja gerai apibrėžtų pagrindinių veiksnių buvimą ar nebuvimą eksperimentiniame dizaine ir statistiniame modeliavime. 2. jungtinis dažnis buvo ne išimtinai neigiamas skalės AIC prognozuojantis veiksnys, visada rodantis didelį poveikį. Chariton Charitonidis 296 Acta Linguistica Lithuanica XC reikšmingos teigiamos koreliacijos su sudėtinio ilgio prognozuojančiomis aukštesnes (= žemesnes) skalės AIC vertes. BLP leksikinis sprendimas nuosekliai parodė nereikšmingas koreliacijas su sudėtinio ilgio. Tiek leksikinis sprendimas, tiek sudėtinio ilgio prognozavo prastesnius modelius kovariato koregavime. 3. Gagné et al. (2019) modelių skaidrumo koeficientų teigiamumas ir reikšmingumo lygis neturėjo įtakos "Scaled AIC" dydžiui. Atsižvelgdami į konkrečius analizės skyrius, pagrindiniai šio tyrimo rezultatai gali būti apibendrinami taip: 6.1 skyriuje mūsų analizė buvo sutelkta į skalės verčių palyginimą įvairiose modelio kategorijose. Net ir bandę transformuoti absoliučias vertes "natūraliuoju logaritmu" ir "kvadratine šakne", visa skalės mėginio dalis neatitinka normalaus pasiskirstymo. Panašiai AIC ELP leksikinių sprendimų modeliai parodė neparametrinį jų skalės AIC verčių pasiskirstymą. "6.2 skyriuje mūsų dėmesys buvo nukreiptas į ""Scaled AI"" ir (a) atsakymo laiko šaltinių ir (b) užduočių veikimo santykių tyrimą. Įdomu tai, kad ""Scaled AI"" vertybių diapazonai ELP ir BLP leksikinių sprendimų modeliams nesuderinasi, o tai rodo jų išskirtinumą. " "6.3 skyriuje buvo nagrinėjamas santykis tarp ""Scaled AIC"" ir kontrolinių kintamųjų ""kompound frequency"" ir ""compound length"."""Compound frequency""- buvo pašalintas iš analizės, nes jis buvo visiškai kolinearus su ""Scaled AIC""; kita vertus, buvo pastebėtas ""Scaled length"" vertybių sumažėjimas, kai sudėtinis ilgis tapo atitinkamu veiksniu modeliuose." Concomitantly,compoundlengthwasmostrelevantforthenamingtask. Mokslininkai nustatė, kad modeliai, turintys mažesnes skalės vertes, gali turėti reikšmingų andsemantictransparency.Theresearchquestionwaswhetherthepositivity koeficientų, kurie turi reikšmę sudėtiniam lygiui. Apibendrinant, skirtingų parametrų tyrinėjimai naudojant "Scaled AIC" kaip priklausomą kintamąjį atskleidė įvairius būdus, kuriais modelio kategorijos, atsakymo laiko šaltinis, apdorojimo užduotys, valdymo kintamieji ir semantinis skaidrumas daro įtaką modelių tinkamumui. Straipsniai 297 straipsnis 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 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.