Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

In deze masterproef trachten we vat te krijgen op het proces onderliggend aan het combineren van bestaande woorden tot een nieuwe betekenis. Meer bepaald maakten we gebruik van conjuncties. Een conjunctie is een combinatie van twee zelfstandige naamwoorden, waarbij één naamwoord in een betrekkelijke bijzin wordt gevoegd (bijvoorbeeld SPORTEN DIE OOK SPELLEN ZIJN). Eén van de belangrijkste vragen omtrent conceptuele combinatie is hoe de constructie van een conjunctie gebeurt op basis van de twee bestaande categorieën (constituerende categorieën). In de traditionele literatuur proberen onderzoekers via regressie-analyses inzicht te verwerven in hoe deze conceptuele combinatie tot stand komt. In deze regressieprocedure maken onderzoekers gebruik van typicaliteiten ten opzichte van de constituerende categorieën om typicaliteit ten opzichte van de conjunctie te bepalen. Uit deze resultaten komt telkens een non-commutativiteit- en dominantie-effect naar voren.Het huidig onderzoek maakt gebruik van categorisatiedata in plaats van typicaliteitsdata. Naar onze mening sluit deze benadering meer aan bij het dagelijkse leven, aangezien mensen bijvoorbeeld zelden zeggen dat tennis voor 70% een SPEL is. Ze benoemen het als SPEL of niet. Om deze categorisatiedata te analyseren, maakten we gebruik van een multidimensioneel IRT model (Whitely, 1980) dat geïnspireerd is door de drempeltheorie (Hampton, 1995, 2007), in plaats van de traditionele regressieprocedure. In tegenstelling tot de traditionele regressieprocedure, die de typicaliteiten ten opzichte van de constituerende categorieën als gegeven veronderstelt, laat het model toe twee latente dimensies af te leiden uit de categorisatiedata waarvan we nagaan of ze overeenstemmen met de constituerende typicaliteiten.Eerst en vooral onderzochten we of we de non-commutativiteit- en dominantie-effecten die traditioneel met typicaliteitsdata in een regressie-analyse worden verkregen (Hampton, 1997) konden repliceren met Nederlandstalig materiaal. Dit bleek het geval. Vervolgens toonden we aan dat dezelfde procedure met categorisatiedata gelijkaardige resultaten oplevert. Op basis van deze bevinding kunnen we aannemen dat categorisatiedata geschikt zijn om lidmaatschap in een conjunctie te benaderen. Het binaire karakter van deze maat brengt daarbovenop de data binnen het bereik van een nieuw soort model om conjuncties te bestuderen, met name het multidimensioneel IRT model (Whitely, 1980). De toepassing van dit model laat toe de typicaliteiten ten opzichte van de constituenten af te leiden uit de categorisatiedata. Daarenboven vertoont dit model eveneens non-commutativiteit en dominantie. Deze resultaten verlenen bijkomende credibiliteit aan het multidimensioneel IRT model in het bijzonder en de drempeltheorie in het algemeen als geschikte benaderingen van categorisatie.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Mikolov en collega’s hebben in 2013 een nieuwe methode ontwikkeld om neurale netwerken de overeenkomst tussen woorden te laten opsporen, Word2Vec. Dankzij deze familie van modellen is het parallellogram model van analogie geherintroduceerd in de computerwetenschappen. Dit model vertoont goede prestaties in het oplossen van proportionele analogieën. Het vindt bijvoorbeeld het ontbrekend woord ‘koningin’ in de analogie ‘Man staat tot koning zoals vrouw staat tot…?’. Mogelijks kan dit model een bijdrage leveren in het beeld op de onderliggende cognitieve mechanismen waar mensen beroep op doen tijdens betekenisvorming. Sommige onderzoekers beargumenteren dat dit model meer cognitief aannemelijk is in vergelijking met zijn traditionele voorgangers. Het doel van deze thesis is de effectiviteit van het model in het nabootsen van menselijke responsen nagaan om te bepalen of het cognitief plausibel is. In het huidige onderzoek moesten deelnemers een taak bestaande uit 40 proportionele analogieën, met verschillende semantische relaties, oplossen. Deze taak werd samengesteld op basis van een taxonomie van semantische relaties en vertaling van beschikbare gelijkaardige taken. In eerste instantie werd getest of de responsen van de deelnemers een goede vergelijking met de voorspellingen van het model mogelijk maakten: De responsen dienden voldoende systematiek te vertonen, zonder dat slechts één of twee antwoorden domineerden. Dit werd geëvalueerd door visuele inspectie van histogrammen van responsen op de analogieën en het berekenen van de type-token ratio (TTR). De TTR geeft een indicatie van de verschillende individuele responsen en hoe sterk deze overlappen. Vervolgens kreeg het parallellogram model dezelfde taak voorgelegd en genereerde het 10.000 woorden voor elke analogie. Deze woorden werden vergeleken met de woorden die de deelnemers gaven. De samenhang tussen de frequentie van woorden gegeven door deelnemers en de hier bijhorende afstand in de multidimensionale ruimte van het model werd nagegaan om te bepalen of de voorkeur in woorden tussen model en mens gelijkaardig is. Evaluatie van de responsen gaf aan dat een voldoende variabiliteit aanwezig was om een vergelijking tussen mens en model toe te laten. Ook werd een samenhang tussen hoe vaak een woord werd opgegeven door deelnemers en de voorspellingen van het parallellogram model gevonden. Deze samenhang is echter zwak en varieert over semantische relaties. De bevindingen in deze masterproef geven tegenevidentie voor de cognitieve plausibiliteit van het model.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Words that we use in daily life are stored in memory and more specifically in what is referred to as the mental lexicon. The structure and organization of the human mental lexicon is complex, and multiple semantic models of how our vocabulary is organized have been proposed. A considerable amount of research has investigated these semantic models, either by focusing on one single model or by comparing two different models using particular semantic tasks. The latter approach has also been implemented in this study which compared two well-known semantic models each proposing a different structure of the human mental lexicon, i.e. a model based on word associations and a model based on text corpora. The association-based model states that two words are closely related when they are located close to each other in the semantic network (and thus share many associations), while the corpus-based model proclaims that two words are closely related when they share a similar word co-occurrence pattern in text corpora. The research hypothesis of this study is that the association model approximates the structure of the human mental lexicon closer than the corpus model. To test this hypothesis, two different experiments were performed, i.e. a hangman game and a false memory experiment. In the hangman game experiment, participants had to guess critical words based on hints sequentially presented one by one. The hints represented words that are related to the critical word, either according to the association model or to the corpus model. The false memory experiment employed the Deese-Roediger-McDermot (DRM) paradigm in which the participants’ rate of false recognition of critical words was compared following a study phase during which a list of related words was presented selected either based on the association model or on the corpus model. The hangman experiment revealed that participants needed a lower number of hints to guess the critical word when hints were selected based on the association model. The false memory experiment showed that a larger number of critical words were ’falsely’ (since not having been presented) recognized when the list words shown during the study phase were selected from the association model. In conclusion, the participants found the task easier (hangman experiment) and were more easily tricked into false recognitions (false memory experiment) when based on the association model as compared to the corpus model, providing support to our research hypothesis that the word association model is better in line with the structure of the human mental lexicon. However, it should be taken into consideration that this conclusion is limited to the nature of semantic tasks as assessed in this study.