Predicting Scalar Implicature Interpretations From Lexical Knowledge
Notice bibliographique
Résumé
PURPOSE: "some" to determine their abilities to generate "some, but not all" scalar implicatures or pragmatically enriched quantifier interpretations. We then determine the degree to which lexical development predicts implicature interpretations. METHOD: We fit regression models with lexical measures as predictor variables and implicature interpretations as the outcome variable. We then divide the child sample into implicature generators (50/61) and implicature nongenerators (11/61) and test the usefulness of the four lexical measures in a linear discriminant function analysis to separate children into these two categories. RESULTS: Results show significant correlations between each lexical measure and the outcome variable and, in a regression, that three of four lexical measures account for unique variance. Furthermore, the linear discriminant function analysis separates children into implicature nongenerators with 100% accuracy (11/11) and implicature generators with 88% accuracy (44/50). CONCLUSIONS: The Quantity Scale, or set of quantity-expressing determiners, proposed by Horn and Grice, develops as a function of the links among its quantifiers. We speculate that children's lexicons refract approximate number system representations in language- and morpheme-specific ways. These quantified noun phrases (NPs) are then merged into sentences interpreted pragmatically with conversationally computed implicatures, using higher order reasoning.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».