Abstract prediction of morphosyntactic features: Evidence from processing cataphors in Dutch
Notice bibliographique
Résumé
When comprehenders predict a specific lexical noun in a highly constraining context, they also activate the grammatical features, such as gender, of that noun. Evidence for such lexically mediated prediction comes from ERP studies that show that comprehenders are surprised by adjectives and determiners that mismatch the features of a highly predictable noun. In this study, we investigated whether comprehenders can (i) predict an abstract noun phrase in an upcoming argument position (without pre-activating a specific lexical item) and (ii) assign morphosyntactic features to the head noun of that phrase. To do so we used the processing of Dutch cataphors as a test case. We tested whether seeing a cataphor in a preposed clause triggered a prediction of a feature-matching antecedent NP in main subject position. If comprehenders predicted a feature-matching subject, we reasoned that they should also expect an agreeing main verb, which comes before the subject because Dutch is a V2 language. A single-word prediction experiment showed that comprehenders expect a main verb matching the number of the cataphor. In a follow-up self-paced reading experiment, we found a number-mismatch effect if the V2 main verb did not agree with the cataphor. We take the results as evidence that comprehenders predicted a matching antecedent in subject position. We argue that the results are better explained as involving prediction of an abstract noun phrase marked for morphological features, rather than a specific lexical item.
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 | 0,000 | 0,006 |
| 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 | 0,000 |
| 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 ».