Collocation and collocation error processing in the context of second language learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La presente tesis tiene como foco el procesamiento de colocaciones y errores colocacionales. El aprendizaje de colocaciones es uno de los mayores retos a la hora de aprender una lengua, por lo que el desarrollo de herramientas computacionales avanzadas de ayuda al aprendizaje de las colocaciones es altamente deseable. En concreto, en la tesis se proponen (i) tecnicas de clasificacion semantica de colocaciones (basadas en la tipologia de las Funciones Lexicas), para la generacion automatica de recursos en los que, dada una palabra clave y un significado particular, sea posible encontrar el/los colocativo(s) que co-ocurre(n) con dicha palabra para expresar el significado dado y (ii) tecnicas de reconocimiento y clasificacion automatico de errores colocacionales en textos de aprendices de espanol, siguiendo una tipologia detallada que da cuenta de varias clases de errores lexicos y gramaticales, asi como de la localizacion del error. Tras la introduccion (Chapter 1), se presenta el marco teorico (Chapter 2), en el que se describe en detalle el concepto de colocacion, junto con las tipologias (semantica y de errores) que se usan en los experimentos. Posteriormente (Chapter 3), se detalla el estado del arte (i) sobre tecnicas para la extraccion de colocaciones, (ii) sobre tecnicas de clasificacion semantica de colocaciones, (iii) de metodos para la deteccion y correccion de errores colocacionales, (iv) de metodos para la deteccion y correccion de errores gramaticales y (v) sobre la generacion y uso de corpus artificiales para las tareas de deteccion y correccion de errores. Los capitulos 4-6 forman el cuerpo central de la tesis. Primero, se presentan dos metodos de extraccion y clasificacion semantica de colocaciones (Chapter 4). Luego, se proponen metodos basados en reglas y en tecnicas de aprendizaje automatico para la clasificacion de errores colocacionales (Chapter 5). Finalmente, se propone el uso de long short-term memory networks (LSTMs) para la deteccion y clasificacion simultanea de errores colocacionales (Chapter 6). Debido al reducido tamano del corpus de estudiantes disponible, se propone un algoritmo para la generacion automatica de un corpus de errores colocacionales artificial, y se demuestra que, entrenando el sistema con el corpus sintetico, es posible detectar y clasificar errores colocacionales de naturaleza gramatical y lexica en el corpus 'real' de aprendices. Referencias: - Margarita Alonso Ramos, Leo Wanner, Orsolya Vincze, Gerard Casamayor del Bosque, Nancy Vazquez Veiga, Estela Mosqueira Suarez, and Sabela Prieto Gonzalez. Towards a Motivated Annotation Schema of Collocation Errors in Learner Corpora. In Proceedings of the 7th International Conference on Language Resources and Evaluation (LREC), pages 3209-3214, La Valetta, Malta, 2010. - Cristobal Lozano. CEDEL2: Corpus Escrito del Espanol L2. In C.M. Bretones Callejas, editor, Applied Linguistics Now: Understanding Language and Mind, pages 197-212. Universidad de Almeria, Almeria, 2009. - Igor Mel'cuk. Lexical Functions: A Tool for the Description of Lexical Relations in a Lexicon. In L. Wanner, editor, Lexical functions in Lexicography and Natural Language Processing, 31:37-102, John Benjamins Publishing Company, 1996. - Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg S. Corrado, and Jeff Dean. Distributed Representations of Words and Phrases and their Compositionality. In Advances in Neural Information Processing Systems (NIPS), pages 3111-3119, Montreeal, Canada, 2013. Articulos en relacion a la tesis: - Sara Rodriguez-Fernandez, Roberto Carlini, and Leo Wanner. Classification of Lexical Collocation Errors in the Writings of Learners of Spanish. In Proceedings of the International Conference on Recent Advances in Natural Language Processing (RANLP), pages 529-536, Hissar, Bulgaria, 2015. - Sara Rodriguez-Fernandez, Roberto Carlini, and Leo Wanner. Classification of Grammatical Collocation Errors in the Writings of Learners of Spanish. Procesamiento del Lenguaje Natural, 55:49-56, 2015. - Sara Rodriguez-Fernandez, Luis Espinosa-Anke, Roberto Carlini, and Leo Wanner. Semantics-Driven Recognition of Collocations Using Word Embeddings. In Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (ACL), pages 499-505, Berlin, Germany, 2016. - Sara Rodriguez-Fernandez, Luis Espinosa-Anke, Roberto Carlini, and Leo Wanner. Example-based Acquisition of Fine-grained Collocation Resources. In Proceedings of the 10th International Conference on Language Resources and Evaluation (LREC), pages 2317-2322, Portoroz, Slovenia, 2016. - Sara Rodriguez-Fernandez, Luis Espinosa-Anke, Roberto Carlini, and Leo Wanner. Semantics-Driven Collocation Discovery. Procesamiento del Lenguaje Natural, 57:57-64, 2016. - Sara Rodriguez-Fernandez, Roberto Carlini, and Leo Wanner. Generation of a Spanish Artificial Collocation Error Corpus. In Proceedings of the 11th International Conference on Language Resources and Evaluation (LREC), Miyazaki, Japan, 2018.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle