پزشکی پیشگیری تغذیه خواص گیاهان دسته‌بندی نشده روان شناختی زیبایی ورزش

یک رویکرد محاسباتی برای درک نحوه درک نوزادان از زبان

نوزاد

اعتبار: دامنه عمومی CC0

زبان ها در صداهایی که استفاده می کنند متفاوت هستند. به عنوان مثال ، زبان ژاپنی بین صداهای ‘r’ و ‘l’ مانند “راک” در مقابل “قفل” تفاوت قائل نیست. نکته قابل توجه این است که نوزادان قبل از یادگیری صحبت با صدای زبان مادری خود سازگار می شوند. به عنوان مثال ، نوزادان یک ساله هنگام زندگی در محیطی که به زبان ژاپنی صحبت می شود ، به جای انگلیسی ، به راحتی بین “سنگ” و “قفل” تفاوت قائل می شوند.

گزارش های علمی تأثیرگذار از این پدیده یادگیری آوایی اولیه در ابتدا پیشنهاد کرد که گروه نوزادان از طریق یک مکانیزم خوشه بندی آماری معروف به یادگیری توزیعی ، به دسته های آوایی واکه مانند و صامت مانند بومی تبدیل می شوند.

این ایده که نوزادان مقوله های آوایی همخوان و واکه مانند را می آموزند ، با مطالعه جدیدی که این هفته در مجموعه مقالات آکادمی ملی علوم.

در این مطالعه ، یک تیم چند نهادی از دانشمندان علوم شناختی و زبان شناسان محاسباتی یک چارچوب مدل سازی کمی را ارائه داده اند که مبتنی بر شبیه سازی در مقیاس بزرگ از فرایند یادگیری زبان در نوزادان است. با استفاده از تکنیک های یادگیری ماشین کارآمد محاسباتی ، این روش اجازه می دهد تا مکانیسم های یادگیری به طور سیستماتیک با پیش بینی های قابل آزمایش در مورد همخوانی نوزادان با زبان مادری آنها مرتبط شوند.

“فرضیه های مربوط به چی توسط نوزادان آموخته شده است كه به طور سنتی تلاش محققان را برای فهم این پدیده شگفت آور برانگیخته است. ” پیشنهاد می کنیم از فرضیه های مربوطه شروع کنیم چگونه نوزادان ممکن است یاد بگیرند. “

علاوه بر شاتز ، نویسندگان این مطالعه شامل نائومی فلدمن ، دانشیار زبانشناسی در دانشگاه مریلند با انتصاب در UMIACS هستند. شارون گلدواتر ، استاد موسسه زبان ، شناخت و محاسبات در دانشکده انفورماتیک دانشگاه ادینبورگ ؛ Xuân-Nga Cao ، مهندس تحقیق در Ecole Normale Supérieure (ENS) در پاریس و بنیانگذار استارتاپ های Langinnov و Gazouyi. و امانوئل دوپوکس ، استادی که تیم یادگیری ماشین شناختی را در ENS هدایت می کند.

برای مطالعه خود ، محققان با آموزش الگوریتم خوشه بندی کارآمد محاسباتی در مورد ورودی گفتار واقع بینانه ، فرآیند یادگیری را در نوزادان شبیه سازی کردند. الگوریتم از ویژگیهای شنیداری طیف نگار مانند در فواصل زمانی منظم که از ضبط گفتار طبیعت گرایانه به زبان مقصد بدست آمده بود ، تغذیه شد. در این مطالعه ، انگلیسی آمریکایی و ژاپنی دو زبانی بودند که مورد استفاده قرار گرفتند.

محققان می گویند ، این یک مدل نامزد برای دانش آوایی اولیه ، مثلاً یک نوزاد ژاپنی است. بعد ، آنها دو سوال از مدل های آموزش دیده پرسیدند. آیا آنها می توانند تفاوت های مشاهده شده در نحوه تمایز صدای گفتار توسط نوزادان یادگیرنده ژاپنی و انگلیسی را توضیح دهند؟ و آیا مدلها مقوله های آوایی مصوت و مصوت را یاد گرفته اند؟

انتظار می رود که گفته های علمی غالب در مورد یادگیری آوایی اولیه ، پاسخ این س questionsالات را با هم مطابقت دهند (یا هر دو باید “بله” باشند یا هر دو باید “نه”) محققان دریافتند که پاسخ به اولین سوال مثبت است: مدل های آنها رفتار مشاهده شده نوزادان ، به ویژه دشواری نوزادان ژاپنی در تشخیص کلمات مانند “سنگ” و “قفل” را حساب می کند. با این حال ، پاسخ به سوال دوم منفی بود: مشخص شد که این مدل ها واحدهای گفتاری را خیلی کوتاه و متغیر از نظر صوتی آموخته اند تا با دسته های آوایی مصوت و مصوت مطابقت نداشته باشند.

این نتایج تفسیر قابل توجهی از ادبیات موجود در مورد یادگیری آوایی اولیه را نشان می دهد. مشکلات در مقیاس بندی یادگیری توزیعی مقوله های آوایی تا شرایط واقعی یادگیری را می توان به عنوان زیر سوال بردن این ایده که چی نوزادان یاد می گیرند مقوله های آوایی هستند ، نه ایده که چگونه نوزادان یاد می گیرند از طریق یادگیری توزیعی خالص (تفسیر سنتی) است.

دانش شناختی به طور سنتی از چنین الگویی در مقیاس بزرگ استفاده نمی کند ، اما پیشرفت های اخیر در قدرت محاسبات ، مجموعه داده های بزرگ و الگوریتم های یادگیری ماشین ، این روش را بیش از گذشته عملی می کند.

شاتز و فلدمن بخشی از آزمایشگاه محاسبات زبان شناسی و صفوف اطلاعات (CLIP) در UMIACS هستند ، جایی که فلدمن مدیر فعلی است. فلدمن می گوید ، منابع محاسباتی قوی در آزمایشگاه CLIP و آزمایشگاه یادگیری ماشین شناختی در پاریس نقش مهمی در این پروژه تحقیقاتی داشتند.

در نتیجه ، محققان معتقدند که رویکرد مدل سازی مبتنی بر محاسبات – همراه با تلاش های مداوم در زمینه جمع آوری داده های تجربی در مقیاس بزرگ ، مانند ضبط در مقیاس بزرگ از محیط یادگیری نوزادان در خانه و ارزیابی مقیاس بزرگ از نوزادان نتایج یادگیری – راهی را برای درک بسیار عمیق تر از زبان اولیه باز می کند.


مطالعه نشان می دهد ، نوزادان می توانند ارتباط بین زبان و قومیت را یاد بگیرند


اطلاعات بیشتر:
توماس شاتز و همکاران ، یادگیری آوایی اولیه بدون مقوله های آوایی: بینش از شبیه سازی های مقیاس بزرگ در مورد ورودی واقعی ، مجموعه مقالات آکادمی ملی علوم (2021) DOI: 10.1073 / pnas.2001844118

تهیه شده توسط دانشگاه مریلند


استناد: یک رویکرد محاسباتی برای درک چگونگی درک نوزادان از زبان (2021 ، 29 ژانویه) بازیابی شده در 29 ژانویه 2021 از https://medicalxpress.com/news/2021-01-approach-infants-language.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. جدا از هرگونه معامله عادلانه با هدف مطالعه خصوصی یا تحقیق ، هیچ بخشی بدون اجازه کتبی قابل تولید نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.

READ  استفاده اورژانسی برای واکسن COVID-19 به چه معناست؟

درباره نویسنده

m3dia

ارسال نظر

برای ارسال نظر کلیک کنین.