Heuristics in Language Comprehension
Notice bibliographique
Résumé
We used a sentence-picture matching task to demonstrate that heuristics can influence language comprehension. Interpretation of quantifier scope ambiguous sentences such as Every kid climbed a tree was investigated. Such sentences are ambiguous with respect to the number of trees inferred; either several trees were climbed or just one. The availability of the NOUN VERB NOUN (N-V-N) heuristic, e.g., KID CLIMB TREE, should contribute to the interpretation of how many trees were climbed. Specifically, we hypothesized that number choices for these stimuli would be predicted by choices previously made to corresponding (full) sentences. 45 participants were instructed to treat N-V-N triplets such as KID CLIMB TREE as telegrams and select a picture, regarding the quantity (“several” vs. “one”) associated with tree. Results confirmed that plural responses to quantifier scope ambiguous sentences significantly predict increased plural judgments in the picture-matching task. This result provides empirical evidence that the N-V-N heuristic, via conceptual event knowledge, can influence sentence interpretation. Furthermore, event knowledge must include the quantity of participants in the event (especially in terms of “several” vs. “one”). These findings are consistent with our model of language comprehension functioning as “Heuristic first, algorithmic second.” Furthermore, results are consistent with judgment and decision making in other cognitive domains.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».