Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2.5 Analogieën in de situaties A, B en C<br />
In situatie A is het model alleen bekend met de dimensie aantal. Als hij een zinsdeel met een<br />
lidwoord hoort, gebruikt hij een analogieregel, die een verband legt tussen determinator en aantal.<br />
De analogieregel zoekt een eerder gehoord voorbeeld op, waarbij dezelfde determinator was<br />
gehoord. Als de waarde van aantal niet direct uit de omgeving kan worden bepaald, wordt de<br />
waarde van aantal overgenomen van het eerder gehoorde voorbeeld. Het model zal niet altijd een<br />
juist soort voorbeeld kiezen en daardoor niet altijd het juiste aantal bepalen. Echter, het model<br />
bevindt zich altijd in een bepaalde context. Het ervaren van deze context zorgt ervoor dat de<br />
analogiestrategie toch meestal tot het juiste antwoord leidt. Het kind kan in situatie A nog niet<br />
expliciet waarden op bepaalde dimensies uit de omgeving waarnemen, behalve de waarde op de<br />
dimensie aantal. Maar impliciet heeft de context wel invloed. Als het model in een situatie zit,<br />
waarin telwoorden worden gebruikt – denk hierbij bijvoorbeeld aan het kijken naar een onderdeel<br />
van Sesamstraat over tellen – dan hebben de voorbeelden die telwoorden gebruiken, vanwege de<br />
associatieve overeenkomsten, een hogere activatiewaarde. Ze liggen simpelweg wat dichter aan<br />
de oppervlakte. Omgekeerd, als het model in een situatie zit, waarin lidwoorden worden gebruikt –<br />
bijvoorbeeld als een ouder een kind in de dierentuin allerlei dierennamen leert – dan activeert het<br />
kind, wederom door uitwaaierende associaties, automatisch de voorbeelden die lidwoorden<br />
gebruiken wat meer. In het model is dit hele verhaal versimpeld. Het model zit eigenlijk standaard<br />
in een meer lidwoord-achtige situatie. Er zijn meer voorbeelden van lidwoorden dan van<br />
telwoorden en de lidwoord-voorbeelden zullen dus meestal gevonden worden. Dit heeft tot gevolg<br />
dat de simpele analogiestrategie van situatie A in de experimentele context toch al een prestatie<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
Une-sentences<br />
3 4 5 6 7 8 9 10<br />
Age (years)<br />
Figuur 6: de experimentele resultaten van de proefpersonen (verschillende<br />
leeftijdsgroepen) en de experimentele resultaten van een run van het<br />
Determinatorenmodel (longitudinaal).<br />
van meer dan 90% oplevert (zie figuur 6).<br />
Eenmaal in situatie B wordt het ingewikkelder. Het model heeft nu de beschikking over de<br />
dimensie aantal en ook over de dimensie focus-na. Hij zal wederom bij het horen van een<br />
constructie met een lidwoord proberen te achterhalen wat het aantal is. In veel gevallen zal dat<br />
73<br />
data<br />
model