Browsing by Author "Takamatsu, Momo"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    ItemOpen Access
    Automatic discrimination between abstract and concrete word classes
    (2024) Takamatsu, Momo
    Abstraktion in Kontrast zu Konkretheit ist ein grundlegendes Thema in der Computerlinguistik und Psycholinguistik, insbesondere bei der Textmodellierung für die computationeller Semantik. Mehrere Studien befassten sich mit der Analyse der Konkretheit auf Wortebene, indem sie verschiedene Maße auf englische Nomen, Adjektive und Verben anwenden (Naumann et al., 2018). In dieser Studie wurden bestehende Maße (Naumann et al., 2018) sowohl auf einzelne Zielwörter (Nomen, Adjektive und Verben), als auch auf semantischen WordNet-Klassen (Nomen) angewendet. Die erste Analyse untersucht die Verteilung von Kontextwörtern in Bezug auf ihre Konkretheit, basierend auf von Menschen bewerteten Konkretheitswerten, die von 1,0 (sehr abstrakt) bis 5,0 (sehr konkret) reichen. Mit Hilfe der Kosinus-Ähnlichkeit werden dann die am häufigsten vorkommenden Kontextwörter untersucht. Die Ergebnisse zeigen, dass abstrakte Wörter tendenziell mit abstrakten Adjektiv- und Verbkontexten auftreten, während Nomenkontexte für abstrakte Wörter eher gleichmäßig über die Konkretheitskategorien verteilt sind. Umgekehrt ist bei konkreten Zielwörtern der Anteil sehr konkreter Nomenkontexte recht hoch, was auf einen überwiegend konkreten Nomenkontext schließen lässt. Außerdem, kookkurieren abstrakte Zielwörter meist mit eher allgemeinen und abstrakten Wörtern (life), während konkrete Wörter mit einer Mischung aus ein paar eng verwandten konkreten Kontextwörtern (toothpaste) und allgemeinen Verben (make, take) gesehen werden. Dies und die Gesamtdichten der Kosinus-Ähnlichkeiten deuten auf eine hohe Diversität sowohl für konkrete, als auch für abstrakte Nomen-, Adjektiv- und Verbzielwörtern hin. Der Vergleich zwischen den Wortklassen und den einzelnen Wörtern zeigt je nach Wortklasse entweder unähnliche oder ähnliche Ergebnisse, was darauf hindeutet, dass die Wahl der Wortklasse wichtig ist. Die Größe scheint sowohl für abstrakte, als auch für konkrete Wortklassen irrelevant zu sein, da die Ergebnisse auch bei Wortklassen gleicher Größe unterschiedlich ausfielen. Es ist jedoch zu beachten, dass zu kleine oder zu konkrete Wortklassen tendenziell zu spärlichen Daten führen. Um zuverlässige und aussagekräftige Ergebnisse zu erhalten, sind daher größere Wortklassen vorzuziehen.