Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Estimation of Average Information Content: Comparison of Impact of Contexts

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F19%3A10427043" target="_blank" >RIV/00216208:11320/19:10427043 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Estimation of Average Information Content: Comparison of Impact of Contexts

  • Popis výsledku v původním jazyce

    In this paper, we compare Linear Mixed Effect Models (LMM) which utilise the predictors Average Information Content (IC) and frequency for the prediction of lengths of aspect-marked verbs. IC is the information which target elements convey to their context. Focusing on typologically diverse languages, we took as contexts dependency frames and n-grams, and found that IC estimated from n-grams outperforms IC estimated from dependency frames: the models which utilise IC from n-grams achieve high correlations between predicted and actual verbs’ lengths, while models which utilise IC form dependency frames perform poorly. Only in few languages we found prediction effects of IC.

  • Název v anglickém jazyce

    Estimation of Average Information Content: Comparison of Impact of Contexts

  • Popis výsledku anglicky

    In this paper, we compare Linear Mixed Effect Models (LMM) which utilise the predictors Average Information Content (IC) and frequency for the prediction of lengths of aspect-marked verbs. IC is the information which target elements convey to their context. Focusing on typologically diverse languages, we took as contexts dependency frames and n-grams, and found that IC estimated from n-grams outperforms IC estimated from dependency frames: the models which utilise IC from n-grams achieve high correlations between predicted and actual verbs’ lengths, while models which utilise IC form dependency frames perform poorly. Only in few languages we found prediction effects of IC.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů