Notice bibliographique
Résumé
The representation of words with multiple pronunciation variants has been widely debated: While the single storage account proposes that all variants of a word are represented by a single, unreduced, representation, the multiple storage account includes lexical representations for different pronunciation variants, including reduced variants. Previous work has provided evidence for the representation of some reduced variants, consistent with the multiple storage model predictions; however, this work has focused on reduced variants that are highly frequent. Using high-frequency reduced variants could pose challenges for the predictions of the multiple storage model since according to some proponents of the single storage model, it can be postulated that while the mental lexicon stores the unreduced variant only, it can exceptionally allow the storage of reduced forms that are considerably more frequent than their unreduced counterparts. To test predictions of the multiple storage model more rigorously, this dissertation examined the storage of low-frequency reduced variants of the uvular stop [ɢ] in Persian. Evidence for the representation of low-frequency reduced variants would only be consistent with the predictions of the multiple storage model, to the exclusion of the single storage model since according to the single storage model, low-frequency reduced variants are not represented in the lexicon. Results from four experiments (production, rating, lexical decision, priming) lent support to the multiple storage model, in that they provided evidence for storage of these variants, despite having low frequency. Taken together, these experiments show that, contrary to the predictions of the single storage model, low-frequency reduced variants can be stored in addition to their unreduced counterparts in the mental lexicon. Additionally, through Persian uvulars as an understudied pattern in an understudied language, this dissertation calls for the investigation of lesser-known languages to assess the broader generalizability scope of models of speech representation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».