Abstract | Keywords | Export | Availability | Bookmark

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.