Analogical inference from distributional structure: What recurrent neural networks can tell us about word learning

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3AF3ZB8EHP" target="_blank" >RIV/00216208:11320/23:F3ZB8EHP - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S2666827023000312" target="_blank" >https://www.sciencedirect.com/science/article/pii/S2666827023000312</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.mlwa.2023.100478" target="_blank" >10.1016/j.mlwa.2023.100478</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Analogical inference from distributional structure: What recurrent neural networks can tell us about word learning
Popis výsledku v původním jazyce
"One proposal that can explain the remarkable pace of word learning in young children is that they leverage the language-internal distributional similarity of familiar and novel words to make analogical inferences about possible meanings of novel words"
Název v anglickém jazyce
Analogical inference from distributional structure: What recurrent neural networks can tell us about word learning
Popis výsledku anglicky
"One proposal that can explain the remarkable pace of word learning in young children is that they leverage the language-internal distributional similarity of familiar and novel words to make analogical inferences about possible meanings of novel words"

Druh
J<sub>ost</sub> - Ostatní články v recenzovaných periodicích
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)