Exploring Scaled AIC within English closed compounds

S aipsniai A igos 273 e 273 CHARITONCHARITONIDIS Pesquisado independen e Iden i icação ORCID: o cid.o g/0000-0003-0298-2629 Campos de pesquisa: o mação de pala as, exp essões de á ias pala as, semân ica léxica, econhecimen o de pala as, emoção. DOI: doi.o g/10.35321/all90-11 (em inglês) Explo ação de AIC em escala Den o de Inglês echado Compos os Inglês užda ųjų junginių (sudu inių žodžių) skalės AIC y imas Ano ação O C i é io de In o mação Akaike (AIC) é uma medida es abelecida de bondade de ajus e pa a seleciona modelos na análise de dados empí icos. No en an o, o esul ado é sensí el ao amanho da amos a. Pesquisas an e io es do au o mos a am que o Scaled, ou seja, di idido pelo amanho da amos a, é uma e amen a e icaz pa a a alia o ajus e do modelo e hie a quiza os modelos de eg essão. O p esen e es udo explo a mais p op iedades des a a iá el. Os e ei os da in es igação são 66 modelos de espos a AIC que se e e em ao p ocessamen o de compos os echados (conca enados) de inglês omados do P oje o Gagné e al. Pala as-cha e: compos os em inglês, AIC escalado, decisão léxica, nomeação. ANOTACIJA Akaikės in o macijos k i e ijus (angl. AIC) é pas o us modelių inkamumo ma as, aikomas empi inių duomenų analizei. AIC Tačiau y a jau us dyd ies imžiui. Anks esni Ca i ão Ca i onídice 274 Ac a Linguis ica Li uanica XC au o iaus y imai pa odė, kad skalės, padaly as iš im ies dydžio, y a eiksminga p iemonė modelio inkamumui į e in i i eg esijos modeliami hie a chizuo i. Šiame y ime nag inėjamos olimesnės šio kin ypa ybių. pa i imo objek as 66 daugių y imai eg esijos modeliai, susiję su užda ų (sudu inių) anglų kalbos junginių, paimų iš bazės (AIC) , apdo ojimu Pi miausia suge a ė suų p ojek ų me odai Analysis o a iance (ANOVA), pag indinių ezul a u i Gagné’ėsi ki ų (2019)Anglųkalbossudu iniųžodžių(junginių) didžiosiosduomenų i apa inų šal ų. ESMINIAI ŽODŽIAI: inglês lingua junginiai (sudu iniai žodžiai), skalės AIC, leksinis p ojek u(angl.ELP)i B i ųkalbosžodynop ojek u(angl.BLP),kaipa sakolaiko,leksinių sp endimųi į a dijimoužduočių,junginiųilgioi skaid umono mųšal iniai.Naudojami sp endimas, į a dijimas. 1. A G ande Base de Dados De compos os em inglês (LADEC: GAGNÉ ET AL. 2019)1 (Comissão das Regiões) O La ge Da abase o English Compounds (LADEC) é o maio banco de dados exis en e de pala as compos as, con endo mais de 8.000 compos os não-con ac ados (con ac ados ou encadenados) selecionados de á ias on es, incluindo, en e ou as, o CELEX (NCB e al. 1995), o English Lexicon P ojec (ELP; Balo a e al. 2007), o B i ish Lexicon P ojec (BLP; Keele e al. 2012), o B i ish Na ional Co pus (B) e o Wo dNe . Os modelos de eg essão múl ipla de Gagné e al. (2019) incluem uma ampla gama de a iá eis p edi o as (=independen es), como comp imen o compos o, equência de big amas 1 Es a seção oi ado ada de Cha i on Cha i onidis (2022) com pequenas al e ações. 2004:46).The i s non-headcons i uen  e e s oawide angeo g amma ical 2 O LADEC inclui o plu al de compos os já lis ados como en adas sepa adas. S aipsniai A igos 275 e 275 Explo ing Scaled AIC wi hin English Closed Compounds Os empos de espos a de log pa a os compos os de ELP (decisão léxica, nomeação) e BLP (decisão léxica) são usados como a iá eis dependen es.Pa a a maio pa e, o comp imen o compos o (núme o de ca ac e es) e a equência de log compos o do co pus 2009 SULEX-BT-US (B ysbae , New) 3 e BNC (BLP) são usados como a iá eis de con ole. FIGURA 1. A Comissão conclui que as medidas em causa não TFUE. En adas LADEC: amos a ae ona es idio a cadeado cinzei o cons i uem auxílios es a ais na de ida após a mo e sonhando des an agem analgésico painil aceção do a igo 107.o, n.o 1, do aco dado ma capassos backboa d e emo o es alei o jogado de bola cabeça de o o descendência li o de ex o o e d i e u na ound a acado de sapa os bu e cup náu agos ejei ados sob ancelha sho gun zelado e ocesso ogo c uzado O oco p incipal do es udo de Gagné e al. (2019) oi colocado em á ias medidas de anspa ência semân ica. Gagné e al. pedi am aos pa icipan es que a aliassem os compos os conside ando o quão p e isí el é o signi icado do compos o a pa i de suas pa es (ou seja, classi icações de p e isibilidade, baseadas em compos os) e quan o do signi icado de cada um dos cons i uin es é e ido no compos o (ou seja, classi icações de e enção, baseadas em cons i uin es). 3 O co pus SUBTLEX-US é um co pus de 51 milhões de okens baseado em legendas de ilmes e p og amas de ele isão dos EUA.Vá ios es udos ecen es o nece am e idências indicando que as no mas de equência ob idas a pa i de legendas de ilmes e p og amas de ele isão endem a se mais e icazes do que as de i adas de ex os imp essos quando se a a de explica as di e enças no empo de p ocessamen o léxico e, em alguns casos, na p ecisão en e alan es na i os de á ios idiomas. 2018: 2 e as e e ências nele con idas). Ca i ão Ca i onídice 276 Ac a Linguis ica Li huanica XC p imei o componen e oi mais o emen e co elacionado com a classi icação pa a odo o compos o do que oi a classi icação pa a o segundo componen e (c1 ~ cmp: = 0,75, p <.001 s. c2 ~ cmp: = 0,66, p <.001. N = 429).4 Mais no a elmen e, a classi icação de e enção de signi icado pa a o p imei o componen e e a decisão de classi icação de p e isibilidade de signi icado, a decisão léxica BLP e os empos de nomeação ELP. Pa a conclui , o o  hecompoundp edic edall h ee ypeso  esponse imes,i.e.ELPlexical pico e a maio dis ibuição de anspa ências pa a o segundo componen e e a melho associação do p imei o componen e com as ope ações de cabeça em compos os ingleses.O segundo componen e, ou seja, a cabeça, é uma unidade cuja anspa ência é ap imo ada compound’s meaning p edic abili y appea  o be immedia ely mapped on o ca ego icamen e e seman icamen e (no que diz espei o ao aspec o semân ico, eja as elações de en ol imen o e hiponímia).O p imei o componen e, ou seja, o modi icado , é o a o mais c í ico no es abelecimen o de e e ência de compos o.Como esul ado, sua anspa ência cob e a expec a i a de dis ância de Kullback-Leible (Kullback 1959) (Fishe ). Um conjun o meno de p edi o es é ipicamen e associado a modelos mais e icien es (modelos com meno pe da de o  hecompoundmos s ongly.5 2. AKAIKEINFORMATIONCRITERION(AIC) In 1973, Hi o ugu Akaike de eloped a me hod o es ima e he ela i e in o mação). Quan o meno o alo , melho o ajus e do modelo. Nes e con ex o, o AIC penaliza, como uma medida de bondade de ajus e, o uso de um g ande núme o de p edi o es que, po encialmen e, esul am em alo es mais ele ados ( e o AIC = 2k). pa o  heAICequa ion). 4 S eige ’s(1980)z es showed ha  hisdi e encewassigni ican ,z=27.71,p<.0001(Gagné e al.2019). 5 Re e indo-se a pesquisas an e io es, Gagné e al. (2019) ela am que "o modi icado (o p imei o cons i uin e em inglês) ende a desempenha um papel maio na seleção de acilidade de elação du an e o p ocessamen o de compos os e ases subs an i as". S aipsniai A igos 277 e 277 Explo ing Scaled AIC wi hin English Closed Compounds O AICc, uma e são co igida do AIC, inco po a o amanho da amos a a a és da ó mula 2k (k + 1) (n […] k […] 1). No en an o, abo da especi icamen e pequenos amanhos de amos a e não é ecomendado pa a modelos baseados em g andes amanhos de amos a, como o de Gagné e al (2019).6 De e se no ado que pesquisado es como Kenne h P. Bu nham e Da id R. Ande son (2002) não o e ecem uma solução de ini i a pa a compa a os alo es de modelos do AIC em amanhos de amos a di e en es e g andes. Em pa icula , Bu nham e Ande son (2002: 808-335) o necem uma discussão ab angen e das implicações de amanhos de amos as desiguais pa a a compa ação de modelos. Eles a gumen am que o uso de c i é ios de in o mação pa a compa a modelos com amanhos de amos as di e en es pode le a a esul ados enganosos. Da mesma o ma, como obse ado em uma discussão on-line de S e unko em 2016 ( e e e ência após a bibliog a ia), odos os c i é ios de in o mação são baseados na unção de p obabilidade que, po sua ez, depende do amanho da amos agem. 3. Pesquisa p é ia Em Cha i onidis (2022), os alo es da AIC pa a 44 modelos de eg essão múl ipla com di e en es combinações de a iá eis emocionais ( alência, exci ação e conc e ez pa a (a) pala as e (b) con ex os de pala as) o am di ididos po amanho da amos a (N) pa a p oduzi alo es escalonados (AIC/N). 7 Uma das soluções p opos as po Bu nham e Ande son (2002) e e e-se à ans o mação dos alo es de AIC em "peso de Akaike" que são de inidos como "a p obabilidade ela i a do modelo, dados os dados" (Bu nham, Ande son 2002: xiii; e ambém Wagenmake s, Fa ell 2004). O lei o pode comp eende a a i mação de S e unko subs i uindo alo es di e en es pa a o componen e […]lnL[…] na equação, man endo a cons an e do componen e […]2k[…]. Uma diminuição do alo lnL esul a á em um alo AIC mais al o, ou seja, in e io . 9 Na li e a u a, Scaled AIC ambém é e e ido como […]mean AIC[…]. De aco do com S e unko (comunicação pessoal), a p á ica de di idi o C i é io de In o mação de Akaike pelo amanho da amos a não é no a. Po exemplo, Has ie e al. (2009) de ine de o ma não-canônica, emp egando N como denominado na ó mula. Ca i ão Ca i onídice 278 Ac aLinguis icaLi huanicaXC A inse ção de p edi o es-cha e em modelos globais, ou seja, ge ais, mos ou que os empos de decisão léxica BLP exigiam uma melho bondade de ajus e do que os empos de decisão léxica ELP. O ajus e dos modelos ELP caiu den o do in e alo dos obse ados pa a os modelos de decisão léxica ELP e BLP. Mais no a elmen e, a conc e ez do con ex o pa a o segundo componen e su giu como um p edi o signi ica i o em odos os modelos com equência SUBTLEX-US, em oda a decisão léxica e nomeação. Em Cha i onidis (2024), odos os coe icien es signi ica i os dos modelos globais com equência SUBTLEX-US o am jus apos os à a iá el de hiponímia (Gagné e al. 2020). Ve i icou-se que os modelos que incluem an o a hiponímia quan o a conc e ude do con ex o pa a as segundas a iá eis es a am semp e associados ao meno alo de Scaled em compa ação com os modelos aninhados, ou seja, eduzidos, omi indo qualque um desses dois modelos. TABELLA 1 Tabela 1 A Comissão conside a que a Comissão não cump iu as ob igações que lhe incumbem po o ça do a igo 107.o, n.o 1, do T a ado. Valo es dimensionados pa a modelos aninhados omi indo hiponímia ("Modelo 2") ou conc e ude do con ex o pa a o segundo componen e ("Modelo 3") de modelos comple os ("Modelo 1"") pa a p e e empos de decisão léxica (LD) do English Lexicon P ojec (ELP), empos de decisão léxica (BLP) do B i ish Lexicon P ojec (BLP) e empos de decisão (CLP) do English Lexicon P ojec (ELP) e empos de decisão léxica (BLP) do B i ish Lexicon P ojec (ELP) Modelo A C I C N em escala ELP LD -3.36281a-3557,85 1058 2-3.30375 -4169.334 1262 3-3.34845 -3700.038 1105 BLPLD -3.79552a-2903.574 765 2-3.76618 -3920.592 1041 3-3.76718 -2987.37 793 Nomeação do ELP -3.58686b-7396.108 2062 (em inglês) 2-3.54304 -8418.27 2376 3-3.58379 -7389.784 2062 S aipsniai A igos 279 e 299 Explo ing Scaled AIC wi hin English Closed Compounds SUBTLEX-US equency, ep esen a ion alence(cmp),con ex conc e eness (c2) Tempos de nomeação do ELP Modelo R2 quad ado F mudança d 1 d 2 p ELP LD 1.184a47.506 5 1052 mil 2-.004 4.562 1 1052 .033 3-.010 13.175 1 1052 .000 BLP LD 1.211a40.479 5 759.000 (em inglês) 2-.013 12.091 1 759 .001 3-.015 14.007 1 759 .000 Nomeação do ELP 1.288b118.711 72054.000 (em inglês) 2-.003 8.286 1 2054 .004 3-.003 8.309 1 2054 .004 a. P edic o es: (Cons an e), julgamen o de hiponímia, comp imen o do compos o, equência SUBTLEX-US, alência de ep esen ação (cmp), conc e ez do con ex o (c2) b. P edic o es: (Cons an e), julgamen o de hiponímia, comp imen o do compos o, equência SUBTLEX-US, alência de con ex o (cmp), exci ação de con ex o (c1), exci ação de con ex o (c2), conc e ença de con ex o (c2) Em conclusão, duas medidas di e en es de amanho de e ei o, a sabe , Scaled AIC e a mesma p e e ência pa a o melho modelo. R2,hie a chized hesame eg essionmodelsiden icallywhiledemons a ing Ca i ão Ca i onídice 280 Ac a Linguis ica Li uanica XC 4. O Es udo P esen e O p esen e es udo baseia-se na pesquisa an e io do au o ap esen ada na seção 3. Os sujei os de pesquisa são 66 modelos de decisão e nomeação léxica pa a os compos os echados (conca enados) ingleses cons uídos po Gagné e al. (2019). Todos os modelos incluem a equência SUBTLEX-US como a iá el de con ole. Os nossos obje i os são duplos e execu ados em pa alelo. P imei o, a aliamos as ca ac e ís icas dos modelos de Gagné e al. (ibid.). As ques ões de in es igação são as seguin es: 1. O AIC em escala é sensí el ao p oje o do modelo em Gagné e al. (2019)? Quais g upos de modelos são a o ecidos? 2. Qual é o impac o das a iá eis de con olo " equência compos a" e "longi ude compos a" no AIC à escala? 3. Como a anspa ência mo ológica es á elacionada com a Scaled AIC? O nosso es udo es á es u u ado da seguin e o ma: a Secção 5 o nece uma isão ge al dos nossos mé odos. A Secção 6.1 o nece es a ís icas desc i i as pa a o AIC escalonado e e indo-se aos modelos em conside ação. É dada ên ase às ca ac e ís icas pa amé icas e sus não pa amé icas das ca ego ias de modelos. A Secção 7.2 explo a a elação en e a on e dos empos de espos a e as a e as de p ocessamen o léxico. A Secção 6.3 jus apõe o AIC escalonado às a iá eis de con ole " equência compos a" e "longou a compos a". Na Secção 6.4 os ní eis de signi icância dos coe icien es de anspa ência dos modelos de Gagné e al. (2019) são mapeados pa a os alo es escalonados. 5. Mé odos Nosso mé odo ge al oi a análise compa a i a dos p incipais pa âme os e ca ac e ís icas dos modelos de Gagné e al. (2019), usando a iá eis escaladas como a iá el dependen e.Va iá eis independen es incluí am ca ac e ís icas da amos a (po exemplo, on e de empo de espos a e a e as de p ocessamen o léxico), design do es udo (po exemplo, con ole) e o ní el de signi icância dos coe icien es de anspa ência, en e ou os a o es. Os mé odos es a ís icos especí icos emp egados o am os seguin es: (a) es a ís icas desc i i as ela i as às médias e medianas, jun amen e com a aplicação do es e de Shapi o-Wilk pa a a alia a endência cen al, a a iabilidade e a dis ibuição dos e ei os de escala em di e en es ca ego ias e g upos de modelos (secções 6.1 e 6.2), (b) p incipais análises ealizadas pa a a on e dos empos de espos a (ELP) e as a e as de p ocessamen o léxico (nomeação de decisões léxica) (secção S aipsniai A igos 281 e 282 Explo ing Scaled AIC wi hin English Closed Compounds 6. c) ANOVAs dis in as ealizadas na on e do empo de espos a e nas a e as de p ocessamen o léxico, inco po ando o comp imen o compos o como co a ian e (secção 6.3) e d) u ilização dos es es de anspa ência semân ica de K uskal-Wallis e o explo e di e ences among he anks o  o dinally- ecodedcoe icien s o  Jonckhee e-Te ps a (secção 6.4). 6.Análises 6.1 A CIC dimensionada em elação às ca ego ias de modelos Os 66 alo es de AIC dos modelos de eg essão múl ipla 2 de Gagné e al. (2019) exibem o wi h SUBTLEX-US equency as a con ol a iable we e di ided by each model’ssamplesize oyieldase o 66ScaledAIC alues. Table3belowp o ides hedesc ip i es a is ics o ScaledAICandFigu e diag ama de caixa co esponden e que se e e e ao conjun o o denado de alo es.10 Não hou e alo es a ípicos na amos a. Os alo es de inclinação (Sk) e cu ose (Ku) o am ole á eis.11 O alo médio pa a o AIC escalonado oi -3.50030, o des io pad ão oi de 0,19052, ou seja, as obse ações o am ela i amen e es ei amen e ag upadas em o no da média. Os alo es mínimos e máximos o am -3.85502 e -3.15754, espec i amen e. O alo mediano oi -3.5532, ou seja, ligei amen e in e io ao alo médio. (IQR) oi de 0,35616. 10 A linha de qua il in e io ou p imei o da caixa (Q1) ma ca o limi e abaixo do qual se es ende o 25% in e io dos dados; da mesma o ma, a linha de qua il supe io ou e cei o da caixa (Q3) ma ca o 50% médio dos dados ou o bounda yabo ewhich heuppe 25%o  heda aex ends.Theshadeda eashows hebounda ies in e alo in e qua il (IQR), que pode se calculado sub aindo 114. Em e e ência ao ambien e SPSS, os alo es he i s qua ile om he hi dqua ile(Q3-Q1).Theho izon allineinside heboxshows he mediano middle qua ile(Q2),i.e. he alue ha  allsin hemiddleo  heda ase . en e -1 e +1 pa a o des io e en e -2 e +2 pa a a cu ose são ge almen e conside ados acei á eis pa a a a aliação da dis ibuição no mal. Wha _is_ he_accep able_ ange_o _skewness_and_ku osis_ o _no mal_dis ibu ion_o _da a). Ca i ão Ca i onídice Pa a de ec a a in luência do comp imen o compos o e da equência compos a no AIC escalonado, os espec i os coe icien es de eg essão o am ecodi icados em alo es o dinais de aco do com seu ní el de posi i idade e signi icância ( e Tabela 6), os ní eis de signi icância o am mapeados em escalas o dinais po que ep esen a am pon os de co e con encionais baseados nos alo es de signi icância exa os. Tabela 6.05 G á ico de ecodi icação o dinal pa a coe icien es de eg essão Signi icância Posi i idade Valo es o dinais Desc ição p <.001 nega i o -3 g ande e ei o nega i o p <.01 nega i o -2 mode ado e ei o nega i o p <.05 nega i o pequeno e ei o nega i o p <.05 nega i o/posi i o 0 e ei o não signi ica i o p <.05 posi i o 1 pequeno e ei o posi i o p <.01 posi i o 2 mode ado e ei o posi i o p <.05 posi i o 3 g ande e ei o posi i o em modelos de Gagné e al. (2019) A equência SUBTLEX-US oi semp e associada a coe icien es nega i os de edução de la ência com um g ande e ei o, p < Sc.001. No que diz espei o ao comp imen o compos o, odos os coe icien es de eg essão signi ica i os dos modelos de Gagné e al. (2019) i e am um g ande e ei o posi i o de indução de la ência, p <.001. Em con as e com a a iá el SUBTLEX-US, á ios coe icien es não signi ica i os apa ece am. Dados esses pad ões, oi c iada uma a iá el ca egó ica com os alo es 0,5 <1> pa a e ei o posi i o (in e e ência do comp imen o compos o) e 0 <0 <in e e ência do comp imen o compos o). O comp imen o compos o oi incluído como uma única a iá el independen e em um modelo de eg essão linea . Ve i icou-se que a média p e is a de Scaled AIC pa a nenhuma in e e ência do comp imen o compos o oi 3.611 (= a in e secção). A in e e ência do comp imen o compos o esul ou em um alo mais al o de -3.407 (b = 0.204, p. 001). S aipsniai A igos 289 e 299 Explo ing Scaled AIC wi hin English Closed Compounds FIGURA 6. comp imen o compos o e AIC escalonado Realizamos ANOVAS sepa adas pa a a on e de empo de espos a (ELP) e o desempenho da a e a (decisão léxica ou nomeação), le ando em con a o comp imen o compos o como co a iá el. (a) ANOVA pa a a on e de empo de espos a. BLP oi a ibuído o alo […]0[…] e ELP oi a ibuído o alo […]1[…]. O es e de co elação de Pea son e elou uma o e colinea idade en e a on e de empo de espos a e o comp imen o do compos o, = 1 (N = 39). A e idência seguin e apoia a nossa descobe a: Em p imei o luga , o g upo ELP mos ou consis en emen e co elações posi i as signi ica i as com o comp imen o do compos o, indicando um g ande e ei o. Em segundo luga , o g upo BLP mos ou consis en emen e co elações não signi ica i as com o comp imen o do compos o. (b) ANOVA pa a o desempenho da a e a. A nomeação oi a ibuída o alo […]0[…] e a decisão léxica oi a ibuída o alo […]1[…]. O es e de co elação de Pea son e elou uma co elação nega i a en e a a e a e o comp imen o compos o, indicando um e ei o mode ado, = -.5, p =.001 (N = 39). Es e esul ado suge e que o comp imen o compos o é mais ele an e pa a a nomeação do que pa a a decisão léxica. 17 De e no a -se que 11 dos 13 coe icien es BLP e am nega i os. Ca i ão Ca i onídice Ac a Linguis ica Li uanica XC Quando se conside a a a e a como a a iá el p imá ia, o comp imen o compos o e a um comp imen o compos o conside ado como a a iá el signi ican p edic o o ScaledAIC,F(1,145.030),p=.000.Simila ly,when p imá ia, a a e a e a um p edi o signi ica i o de Scaled AIC, F (1, 125.30), p = 000. A média de Scaled AIC p e is a pa a a a e a sozinha e a signi ica i amen e di e en e da média de Scaled p e is a quando o comp imen o compos o e a le ado em con a (3,584 s 3,203, espec i amen e). Es a seção in es iga o e ei o dos coe icien es de eg essão pa a a semân ica nos ês ní eis mo ológicos, ou seja, compos o, p imei o cons i uin e e segundo cons i uin e. A abela 7 abaixo mos a as medianas e os in e alos dos coe icien es de anspa ência ans o mados o dina iamen e pa a os ês ní eis mo ológicos. As medianas o necem in o mações ú eis sob e a endência cen al e a 6.4. ScaledAIC s. anspa encyno ms dispe são dos alo es o dinais e podem ajuda a in o ma análises baseadas em a iá eis anspa encyinGagnée al.(2019)modelsonScaledAIC.These eg ession coe icien swe ecodedon h eeo dinalscales,eachco esponding ooneo  o dinais. TABELLO 7. Coe icien es de anspa ência ans o mados o dina iamen e: medianas e in e alos Mediano Mínimo Máximo Compos o -3-3-1 P imei o componen e 2-3 3 Segundo componen e 0 -2 3 N = 18 anos Como pode se is o, a mediana pa a o compos o oi […]-3[…], a mediana pa a o p imei o componen e oi […]2[…], e a mediana pa a o segundo componen e oi […]0[…]. Esses esul ados suge em que nos modelos de Gagne e al.[…]s com equência SUBTLEX-US, a anspa ência pa a o compos o oi associada a um g ande e ei o nega i o ( empo de espos a mais cu o), a anspa ência pa a o p imei o componen e oi associada a um e ei o posi i o mode ado ( empo de espos a mais longo) e a anspa ência pa a o segundo componen e não e e um e ei o signi ica i o ou e e um papel ince o. […]2[…] As a aliações de anspa ência pa a o segundo S aipsniai A igos 291 e Explo ing Scaled AIC wi hin English Closed Compounds componen e, ela adas po Sca o e al. (2005), con inuam um iés ine en e, le ando a um pa âme o de e e ência de […]1[…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…- ][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…]- […][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…][…]< No que diz espei o à análise a segui , pos ula-se que os modelos que ap esen am alo es escalonados mais ele ados (in e io es) podem possui coe icien es signi ica i os, sis ema icamen e de i ados, heinhe en biaso  hesecondcons i uen .18 ou seja, coe icien es que são ele an es apenas de aco do com o conjun o de dados LADEC. Nes e con ex o, a nossa conjec u a suge e que pode su gi uma endência con as an e na conexão en e anspa ência e AIC escalonado, em compa ação com a indicação o necida pelas medianas na Tabela 7. Em pa icula , os alo es mais baixos (melho es) da AIC podem es a associados a: a) coe icien es posi i os ( empo de espos a mais longo) ela i os a odo o compos o; b) coe icien es nega i os ( empo de espos a mais cu o) ela i os ao p imei o componen e; e c) coe icien es posi i os ou nega i os ( empo de espos a mais longo ou mais cu o, espec i amen e) ela i os ao segundo componen e. Pa a esponde à pe gun a de pesquisa, duas medidas não-pa amé icas se ão emp egadas, ou seja, o es e de K uskal-Wallis e o es e de Jonckhee e-Te ps a. O es e de K uskal-Wallis, ambém conhecido como " es e H", é um es e não-pa amé ico baseado em 18 em Cha i onidis (2024) a gumen a que an o a hiponimia quan o a conc e ez do con ex o pa a o segundo componen e são p edi o es semân icos signi ica i os na decisão léxica e na nomencla u a. Ca i ão Ca i onídice 292 Ac a Linguis ica Li uanica XC a dis ibuição chi-quad ado. Reque que a a iá el dependen e seja o dinal ou con ínua. Es e es e é p oje ado pa a de e mina se exis em di e enças signi ica i as en e as medianas de dois ou mais g upos e é usado como uma al e na i a ao ANOVA unidi ecional. No que diz espei o ao p ocedimen o, os alo es da a iá el dependen e con ínua, ou seja, AIC escalonado, o am o denados do mais baixo ao mais al o e as pon uações o am a ibuídas. As classi icações esul an es o am inse idas de ol a nos g upos de ní el de signi icância (a a iá el independen e) e as classi icações pa a cada g upo o am somadas. amongo he s,squa ing hesumo  anks o eachg oupand hendi iding his TABELLA 8. Compos o Signi icancele els N Sumo Ranks E ei o nega i o A AIC eduzido 1 […] pequeno 1 2 2 e ei o nega i o mode ado 5 46 3 g ande e ei o nega i o 12 123 To al de 18 pessoas TABLE9.Fi s cons i uen Signi icancele els N Sumo Ranks Scaled A AIC 1–la geposi i ee ec 6 59 2 […] e ei o posi i o mode ado 4 34 3 […] pequeno e ei o posi i o 1 3 4 […] nenhum e ei o 1 2 5 […] pequeno e ei o nega i o 1 10 6 […] e ei o nega i o mode ado 1 11 7 g ande e ei o nega i o 452 To al de 18 pessoas 19 Pa a o es o dos cálculos, e Field (2009: 561[…]562). 20 Em odas as ês abelas, a soma o al de classi icações é de ap oximadamen e 171. É igual à soma dos núme os in ei os de 1 a 18, e amanho da amos a (N). S aipsniai A igos 293 e Explo ing Scaled AIC wi hin English Closed Compounds TABELLO 10. Segundo componen e Signi icancele els N Sumo Ranks Scaled A AIC 1–la geposi i ee ec 6 59 2 […] pequeno e ei o posi i o 1 14 3 […] nenhum e ei o 8 59 4 […] pequeno e ei o nega i o 1 18 5–mode a enega i ee ec 221 To al de 18 pessoas An es de ap o unda os esul ados do es e de K uskal-Wallis (H), é impo an e no a que es e es e não o nece in o mações sob e as di e enças especí icas en e g upos indi iduais.Pa a esol e es e p oblema, o es e de Jonckhee e-Te ps a (JT) oi emp egado adicionalmen e.Es e es e o neceu in o mações sob e se as medianas dos g upos aumen a am ou diminuí am na o dem especi icada pela a iá el de codi icação (g upamen o), especi icamen e de g ande e ei o posi i o a g ande e ei o nega i o.Em elação aos mé odos de JT, o AIC oi con e ido em uma pon uação z. Um alo z posi i o indicou uma endência de medianas ascenden es, ou seja, as medianas aumen a am ou diminuí am à medida que os alo es da a iá el de codi icação aumen a am. (a) A AIC dimensionada pa a o compos o não oi signi ica i amen e a e ada pelo ní el de signi icância, con o me de e minado pelo es e de K uskal-Wallis (H (2) = 2,226, p > 0,05). 1.064, p. 05). A Comissão conside a que a Comissão não cump iu as ob igações que lhe incumbem po o ça do a igo 107.o, n.o 1, do TFUE. (b) A escala (6) pa a o p imei o componen e não oi signi ica i amen e a e ada pelo ní el de signi icância, con o me de e minado pelo es e de K uskal-Wallis (H = 5,427, p > 0,05). Uma endência de medianas ascenden es oi encon ada ejei ando a nossa hipó ese de sob eajus e, e a mediana posi i a pa a o p imei o componen e na abela 7. Es a endência, no en an o, não oi es a is icamen e signi ica i a de aco do com o es e de Jonckhee e-Te ps a (JT = 70, z = 0,549, p > 0,05). (c) A AIC escalada pa a o segundo componen e não oi signi ica i amen e a e ada pelo ní el de signi icância, con o me de e minado pelo es e de K uskal-Wallis (H (4) = 4.607, p > 0.05). Ca i ão Ca i onídice 294 Ac aLinguis icaLi huanicaXC Em pa icula , a es a ís ica z do es e de Jonckhee e-Te ps a oi essencialmen e ze o, de aco do com a mediana ze o pa a o segundo componen e na abela 7 (JT = 54, z = 0,041, p > 0,05). Resumindo, pode-se in e i que o ní el de signi icância dos coe icien es de anspa ência nos modelos de Gagné e al. (2019) com equência SUBTLEX-US não a e a a magni ude de Scaled. Es a descobe a apoia indi e amen e a qualidade dos modelos de Gagné e al. (2019) com p edi o es de anspa ência, indicando especi icamen e que a hipó ese de sob eajus e pa a esses modelos não é sus en á el. alo es da AIC. Pa a ga an i a cla eza e a comple ude na ap esen ação dos esul ados da nossa in es igação, inco po ámos uma secção dedicada cen ada no esumo das p incipais conclusões do nosso es udo. 7. Conclusões-cha e 11 abaixo ap esen a uma análise ab angen e do desempenho do modelo e das a iá eis ele an es no con ex o de a e as de decisão léxica e de nomeação, com base nas descobe as de Gagné e al. Tabela. Cada seção da abela ap o unda assun os especí icos, e elando quais modelos são mais e icazes. Os es es ANOVA e K uskal-Wallis/Jonckhee e-Te ps a (seções 6.3 e 6.4) o am aplicados após a a ibuição de coe icien es nominais (o dinais ou ca egó icos) aos modelos de eg essão de Gagné e al. (2019). TABELLA 11. AIC em escala den o de compos os echados em inglês: Análise ab angen e do desempenho do modelo em a e as de decisão léxica e de nomeação (Gagné e al. 2019) Subjec s S a is ics E alua ion Sec ion Ca ego ias de Tes es de modelos no malidade BLP decisão léxica Nomeação do ELP Desc ip i os ELP decisão léxica NPAR/~ Pa […] 6.1 Pa […] Tempo de decisão léxica ELP Nomeação ask espos a ~ on e decisão de ELP de p incipais e ei os léxica BLP p ocessamen o léxico […]6.2 S aipsniai A igos 295 e 295 Explo ing Scaled AIC wi hin English Closed Compounds Subjec s S a is ics E alua ion Sec ion Va iá eis de con olo ANOVA F equência compos a Comp imen o compos o ✓ ~ 6.3 Semân ica NOF/ns K uskal-Wall- anspa ên- Compos- is P imei o cia o de componen e Jonckhee e-- Te ps a NOF/ns Segundo componen e NOF/ns 6.4 PAR: dados pa amé icos | NPAR: dados não pa amé icos | : modelos melho es (AIC mais baixo) ~: modelos in e io es (AIC mais al o) | NOF/ns: nenhum ensaio de adap ação excessi a/não signi ica i o 8. Discussão Pesquisa an e io de Cha i onidis (2022, 24) demons ou que o Scaled AIC é uma medida con iá el de bondade de ajus e que pode se emp egada na seleção de modelos, al ez em coope ação com ou as medidas, como o es e Wald ( e seção 2023) com e e ência a modelos de eg essão múl ipla com equência SUBTLEX-US, a análise a ual in oduziu p op iedades adicionais da medida Scaled AIC. in o ma ionc i e ia(seesec ion2), he indingso  hiss udysugges  ha in An es de p ossegui com as descobe as p imá ias des e a igo, é impo an e obse a add ess he esea chques ionsse upinsec ion4. que as dis ibuições de alo es de AIC em escala, jun amen e com combinações de di e en es on es de empos de espos a e a e as de p ocessamen o, suge em que a AIC em escala iden i ica e e i amen e a p esença ou ausência de a o es subjacen es bem de inidos no p oje o expe imen al e na modelagem es a ís ica. 2.A equência compos a oi excepcionalmen e um p edi o nega i o do AIC escalado, indicando semp e um g ande e ei o. Ca i ão Ca i onídice 296 Ac a Linguis ica Li huanica XC co elações posi i as signi ica i as com comp imen o compos o p e endo alo es de AIC escalonados mais al os (=in e io es). A decisão léxica do BLP mos ou consis en emen e co elações não signi ica i as com comp imen o compos o. Tan o a decisão léxica quan o o comp imen o compos o p e i am modelos in e io es no ajus e de co a ian es. 3. a posi i idade e o ní el de signi icância dos coe icien es de anspa ência nos modelos de Gagné e al. (2019) não a e a am a magni ude do AIC dimensionado. Es a descobe a implica que os modelos de Gagné e al. (2019) com p edi o es de anspa ência não in oduzem iés de sob eajus e. Re e indo-se a seções especí icas das análises, as p incipais descobe as des e es udo podem se esumidas da seguin e o ma: Na Seção 6.1, nossa análise concen ou-se na compa ação en e os alo es de escala em á ias ca ego ias de modelos. Mesmo depois de en a as ans o mações "loga i mo na u al" e " aiz quad ada" nos alo es absolu os, a amos a ge al de escala não se con o mou com uma dis ibuição no mal. Na Seção 6.2, nosso oco mudou pa a examina a elação en e o AIC escalado e (a) as on es de empos de espos a e (b) o desempenho da a e a. Cu iosamen e, os in e alos de alo es do AIC escalado pa a os modelos de decisão léxica ELP e BLP não se sob epõem, signi icando sua dis in i idade. Os esul ados do es e e ela am e ei os p incipais signi ica i os an o da on e de empo de espos a quan o do desempenho da a e a no AIC escalado. No a elmen e, a capacidade p edi i a do AIC escalado oi melho pa a nomea modelos associados aos modelos de decisão léxica BLP. Na Seção 6.3, nossa explo ação ap o undou a elação en e o AIC escalado e as a iá eis de con ole " equência compos a" e "longo compos o". A equência compos a oi excluída da análise po que e a pe ei amen e colinea com o Scaled. Po ou o lado, obse ou-se um declínio nos alo es do Scaled quando o comp imen o compos o o nou-se um a o ele an e den o dos modelos. Em e mos de ajus e de co a iado, an o a a e a de Concomi an ly,compoundleng hwasmos  ele an  o  henaming ask. decisão léxica como o comp imen o compos o e am p edi i os de modelos in e io es. Na Seção 6.4, nosso oco oi colocado na elação en e o ní el de signi icância dos andseman ic anspa ency.The esea chques ionwaswhe he  heposi i i y coe icien es de anspa ência em modelos de Gagné e al. (2019) que i e am um impac o no Scaled Te . O obje i o p incipal do nosso mé odo oi de ec a po enciais e ei os de sob eajus e. Pos ulamos que modelos com alo es de Scaled in e io es podem possui coe icien es signi ica i os que man êm a ele ância do ní el compos o […] alinhando com S aipsniai A igos 297 e 297 Explo ing Scaled AIC wi hin English Closed Compounds acco ding o heLADECda ase alone.Whileweobse eda endo inc easing (=in e io )ScaledAIC alues o aclus e o signi ican nega i ecoe icien sa  nossa hipó ese de sob eajus e […] o es e Jonckhee e-AICs ap mos ou que essa endência não alcançou signi icância es a ís ica. Em conclusão, a explo ação de di e en es pa âme os usando o Scaled A.I.C. como a iá el dependen e iluminou as di e sas manei as em que as ca ego ias de modelo, a on e de empo de espos a, as a e as de p ocessamen o, as a iá eis de con ole e a anspa ência semân ica a e am a bondade de ajus e dos modelos. REFERENCES Akaike Hi o ugu 1973:In o ma ionTheo yandanEx ensiono  heMaximum Likelihood P inciple. – Second In e na ional Symposium on In o ma ion Theo y, eds. B.F.Csaki,B.N.Pe o ,Budapes :AcademiaiKiado,267–281. Ald ichJohnR.1997:R.A.Fishe and heMakingo MaximumLikelihood1912– 1922.–S a is ical Science12(3),162–176. Baayen Ha ald R., Piepenb ock Richa d, Gulike s Leon 1995: The CELEX Lexical Da abase(Da ase ,Release2,CD-ROM),Linguis icDa aConso ium, Uni e si yo Pennsyl ania.A ailablea :h ps://ca alog.ldc.upenn.edu. Balo a Da id A., Yap Mel in J., Co ese Michael J., Hu chison Kei hI.,Kessle B e ,Lo isBjo n,NeelyJamesH.,NelsonDouglas L.,SimpsonG egB.,T eimanRebecca2007:TheEnglishLexiconP ojec .– Beha io Resea ch Me hods39,445–459. B ysbae  Ma c, New Bo is 2009: Mo ing Beyond Kuče a and F ancis: A C i icalE alua iono Cu en Wo dF equencyNo msand heIn oduc iono aNew andImp o edWo dF equencyMeasu e o Ame icanEnglish.–Beha io Resea ch Me hods41,977–990.DOI:doi.o g/10.3758/BRM.41.4.977. Bu nhamKenne hP.,Ande sonDa idR.2002:Model Selec ion and Mul imodal In e ence: A P ac ical In o ma ion-Theo e ic App oach, 2ndedi ion,NewYo k:Sp inge . DOI:dx.doi.o g/10.1007/b97636. Cha i onidis Cha i on 2022:Con ex Conc e eness o  heSecondCons i uen  SlowsDownCompound-Wo dP ocessing.–Lexis20.DOI:doi.o g/10.4000/lexis.6769.