CHARITON CHARITONIDIS باحث مستقل معرّف ORCID: orcid.org/0000-0003-0298-2629 مجالات البحث: تكوين الكلمات، والتعبيرات متعددة الكلمات، والدلالة المعجمية، والتعرّف على الكلمات، والانفعال. DOI: doi.org/10.35321/all90-11

استكشاف AIC المُقاس ضمن المركبات الإنجليزية المغلقة

استكشاف AIC المُقاس ضمن المركبات الإنجليزية المغلقة (الكلمات المركبة)

الملخّص

يُعدّ معيار معلومات Akaike (AIC) مقياسًا راسخًا لجودة المطابقة لاختيار النماذج في تحليل البيانات التجريبية. غير أن AIC حساس لحجم العينة. وقد أظهرت أبحاث المؤلف السابقة أن AIC المُقاس، أي AIC مقسومًا على حجم العينة، أداة فعّالة لتقييم مطابقة النموذج وترتيب نماذج الانحدار هرميًا. وتستكشف الدراسة الحالية خصائص إضافية لهذا المتغير. وموضوع البحث هو 66 نموذجًا للانحدار المتعدد تتعلق بمعالجة المركبات الإنجليزية المغلقة (المتصلة)، المأخوذة من قاعدة البيانات الكبيرة للمركبات الإنجليزية (LADEC) لدى Gagné وآخرين (2019). وعلى وجه الخصوص، يُقارن AIC المُقاس بمشروع المعجم الإنجليزي (ELP) ومشروع المعجم البريطاني (BLP) بوصفهما مصدرين لأزمنة الاستجابة، ومهمتَي القرار المعجمي والتسمية، وطول المركب، ومعايير الشفافية. واستُخدم تحليل التباين الأحادي (ANOVA)، وتحليل التأثيرات الرئيسية، والاختبارات اللامعلمية بوصفها مناهج. وتشير النتائج إلى أن AIC المُقاس يستجيب للتصميم التجريبي، ولمصدر أزمنة الاستجابة، ولمهمتَي القرار المعجمي والتسمية. وفي الوقت نفسه، تقدم نتائج هذه الدراسة دعمًا تجريبيًا للتحقق من صحة المناهج التي استخدمها Gagné وآخرون (2019).

الكلمات المفتاحية: المركبات الإنجليزية، AIC المُقاس، القرار المعجمي، التسمية.

الملخّص

يُعدّ معيار معلومات Akaike (بالإنجليزية AIC) مقياسًا ثابتًا لملاءمة النماذج، يُستخدم في تحليل البيانات التجريبية. غير أن AIC حساس لحجم العينة. وقد أظهرت أبحاث المؤلف السابقة أن

Straipsniai / Articles

273

CHARITON CHARITONIDIS

المؤلف، أن AIC المُقاس، المقسوم على حجم العينة، أداة فعّالة لتقييم ملاءمة النموذج وترتيب نماذج الانحدار هرميًا. ويتناول هذا البحث الخصائص الإضافية لهذا المتغير. وموضوع البحث هو 66 نموذجًا للانحدار المتعدد، تتعلق بمعالجة المركبات الإنجليزية المغلقة (المركبة)، المأخوذة من قاعدة البيانات الكبيرة للمركبات الإنجليزية (بالإنجليزية LADEC) التابعة لـ Gagné وآخرين (2019). ويُقارن AIC المُقاس، أولًا، بمشروع المعجم الإنجليزي (بالإنجليزية ELP) ومشروع المعجم البريطاني (بالإنجليزية BLP)، بوصفهما مصدرين لأزمنة الاستجابة، ومهمتَي القرار المعجمي والتسمية، وطول المركبات، ومعايير الشفافية. والمناهج المستخدمة هي تحليل التباين الأحادي (بالإنجليزية Analysis of variance)، وتحليل النتائج الرئيسية، والاختبارات اللامعلمية. وتُظهر النتائج أن AIC المُقاس يستجيب للتصميم التجريبي، ولمصدر زمن الاستجابة، ولمهمتَي القرار المعجمي والتسمية. وفي الوقت نفسه، توفر نتائج هذه الدراسة أساسًا تجريبيًا للتحقق من صحة المناهج التي استخدمها Gagné وآخرون (2019).

الكلمات الأساسية: المركبات الإنجليزية (الكلمات المركبة)، AIC المُقاس، القرار المعجمي، التسمية.

1. قاعدة البيانات الكبيرة للمركبات الإنجليزية (LADEC: Gagné وآخرون 2019)^¹

تُعدّ قاعدة البيانات الكبيرة للمركبات الإنجليزية (LADEC: Gagné وآخرون 2019) أكبر قاعدة بيانات موجودة للكلمات المركبة. وهي تحتوي على أكثر من 8000 مركب غير مفصول (“مغلق” أو “متصل”) (=أسماء) اختيرت من مصادر متنوعة، من بينها، على سبيل المثال لا الحصر، قاعدة بيانات CELEX (Baayen وآخرون 1995)، ومشروع المعجم الإنجليزي (ELP؛ Balota وآخرون 2007)، ومشروع المعجم البريطاني (BLP؛ Keuleers وآخرون 2012)، والمدونة الوطنية البريطانية (BNC)، وWordnet. ومن المجموعة الكاملة لمدخلات LADEC، يمكن تحليل 7,804 مركبات تحليلًا فريدًا إلى مكوّنين من مورفيمين حرّين.^² ويُنظر في تنوع واسع جدًا من المركبات، مثل مركبات الاسم-الاسم، من قبيل buttercup, shipyard، والمركبات التي اشتُق مكوّنها الثاني من جذر فعلي، من قبيل pacemaker, painkiller، وغير ذلك (للاطلاع على تعريفات فئات المركبات، انظر Lieber 2004: 46). ويشير المكوّن الأول غير الرئيس إلى نطاق واسع من الفئات النحوية. ويحتوي الشكل 1 على عينة موجزة من مدخلات LADEC.

تتضمن نماذج الانحدار المتعدد لدى Gagné وآخرين (2019) نطاقًا واسعًا من المتغيرات المتنبئة (=المستقلة)، مثل طول المركب، وتواتر الثنائيّات

^¹ اقتُبس هذا القسم من Chariton Charitonidis (2022) مع تعديلات طفيفة.

^² تتضمن LADEC صيغ الجمع للمركبات المدرجة سابقًا بوصفها مداخل منفصلة.

274

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

عند الحدّ المورفيمي، وحجم العائلة، وتواتر الكلمة، ومقاييس الاحتمال والارتباط (القائمة على المتجهات)، ومعايير الانفعال/المشاعر المحسوبة من تقييمات المشاركين، وغير ذلك. واستُخدمت أزمنة الاستجابة اللوغاريتمية للمركبات من ELP (القرار المعجمي، والتسمية) وBLP (القرار المعجمي) بوصفها متغيرات تابعة. وفي معظم الحالات، استُخدم طول المركب (عدد المحارف) وتواتر المركب (=الكلمة) اللوغاريتمي من مدونة SUBTLEX-US (Brysbaert، New 2009)^³ ومن BNC (BLP) بوصفهما متغيرين ضابطين. وفي نماذج Gagné وآخرين (2019)، كان للمتغيرات المتنبئة المذكورة أعلاه تأثيرات دالة في أزمنة القرار المعجمي والتسمية.

الشكل 1. مدخلات LADEC: عينة

انصبّ التركيز الأساسي في دراسة Gagné وآخرين (2019) على مقاييس متنوعة لـ الشفافية الدلالية. وقد طلب Gagné وآخرون (2019) من المشاركين تقييم المركبات بالنظر إلى مدى إمكانية التنبؤ بمعنى المركب انطلاقًا من أجزائه (تقييمات قابلية التنبؤ بالمعنى، القائمة على المركب)، وإلى مقدار احتفاظ كل مكوّن من المكوّنات بمعناه في المركب (تقييمات الاحتفاظ بالمعنى، القائمة على المكوّن). ووجد المؤلفون أن توزيع الشفافية للمكوّن الثاني كان أكثر حدّة وأعلى بكثير من توزيع الشفافية للمكوّن الأول (M_C1: 64.80 [SD: 19.59] مقابل M_C2: 71.00 [SD: 16.46]. N = 8115). غير أن تقييم الـ

^³ مدونة SUBTLEX–US هي مدونة تضم 51 مليون رمز، وتستند إلى ترجمات الأفلام والبرامج التلفزيونية الأمريكية. وقد قدمت عدة دراسات حديثة أدلة تشير إلى أن معايير التواتر المستخلصة من ترجمات الأفلام والبرامج التلفزيونية تميل إلى أن تكون أكثر فعالية من تلك المستخلصة من النصوص المطبوعة في تفسير الفروق في زمن المعالجة المعجمية، وفي بعض الحالات، في الدقة لدى الناطقين الأصليين بلغات مختلفة (انظر Chen وآخرين 2018: 2 والمراجع الواردة فيه).

Straipsniai / Articles

275

CHARITON CHARITONIDIS

المكوّن الأول كان أكثر ارتباطًا بتقييم المركب بأكمله من ارتباط تقييم المكوّن الثاني به (c1~cmp: r = 0.75, p <.001 مقابل c2~cmp: r = 0.66, p <.001. N = 429).^⁴ والأبرز أن تقييم الاحتفاظ بالمعنى للمكوّن الأول وتقييم قابلية التنبؤ بالمعنى للمركب تنبّآ بجميع أنواع أزمنة الاستجابة الثلاثة، أي أزمنة القرار المعجمي في ELP، وأزمنة القرار المعجمي في BLP، وأزمنة التسمية في ELP.

وخلاصة القول، يبدو أن التوزيع الأكثر حدّة وارتفاعًا لشفافية المكوّن الثاني، والارتباط الأفضل للمكوّن الأول بقابلية التنبؤ بمعنى المركب، ينعكسان مباشرة على عمليات الرأس في المركبات الإنجليزية. فالمكوّن الثاني، أي الرأس، وحدة تتعزز شفافيتها تصنيفيًا ودلاليًا (أما من الجانب الدلالي، فانظر إلى علاقات الاستلزام والتضمين الأدنى). والمكوّن الأول، أي المعدِّل، هو العامل الأكثر أهمية في تحديد مرجع المركب. ونتيجة لذلك، تتغاير شفافيتُه مع شفافية المركب بأقوى صورة.^⁵

2. معيار معلومات Akaike (AIC)

في عام 1973، طوّر Hirotugu Akaike طريقة لتقدير التوقّع النسبي لـ مسافة Kullback–Leibler (Kullback 1959) باستخدام لوغاريتم الاحتمال الأعظمي لدى Fisher (Fisher 1922؛ انظر أيضًا Aldrich 1997). وقد أدخل هذا المقياس، الذي يُشار إليه عادةً باسم معيار معلومات Akaike (AIC؛ Akaike 1973)، إطارًا جديدًا لاختيار النماذج في تحليل البيانات التجريبية، مُحدثًا تحولًا نموذجيًا مهمًا (Burnham، Anderson 2002).

يُحسب AIC عادةً على النحو الآتي: −2lnL + 2k، حيث يشير ‘lnL’ إلى لوغاريتم الاحتمال الأعظمي/الكامل للنموذج، ويشير ‘k’ إلى عدد المعلمات بما فيها الثابت. ويرتبط عادةً العدد الأصغر من المتنبئات بنماذج أكثر كفاءة (نماذج ذات فقد معلومات أقل). وكلما انخفضت (=أصبحت أكثر سلبية) قيمة AIC، كانت مطابقة النموذج أفضل. وفي هذا السياق، يفرض AIC، بوصفه مقياسًا لجودة المطابقة، عقوبة على استخدام عدد كبير من المتنبئات التي قد تؤدي إلى قيم AIC أعلى (انظر الجزء ‘+2k’ من معادلة AIC).

^⁴ أظهر اختبار z الذي أجراه Steiger (1980) أن هذا الفرق دال، z = 27.71, p <.0001 (Gagné وآخرون 2019).

^⁵ وبالرجوع إلى الأبحاث السابقة، يذكر Gagné وآخرون (2019) أن «المعدِّل (المكوّن الأول في الإنجليزية) يميل إلى أداء دور أكبر في سهولة اختيار العلاقة أثناء معالجة المركبات والعبارات الاسمية».

276

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

إن AIC حساس لحجم العينة. ويُدخل AICc، وهو نسخة مصححة من AIC، حجم العينة عبر الصيغة 2k (k + 1)/ (n − k − 1). غير أنه يعالج تحديدًا أحجام العينات الصغيرة، ولا يُوصى به للنماذج القائمة على أحجام عينات كبيرة، مثل النموذج لدى Gagné وآخرين (2019).^⁶ وينبغي ملاحظة أن باحثين مثل Kenneth P. Burnham & David R. Anderson (2002) لا يقدمون حلًا نهائيًا لمقارنة قيم AIC للنماذج الملائمة لكلٍّ من أحجام العينات المختلفة والكبيرة.^⁷

وعلى وجه الخصوص، يقدم Burnham & Anderson (2002: 80–85, 334–335) مناقشة شاملة لآثار عدم تساوي أحجام العينات في مقارنة النماذج. ويرى الباحثان أن استخدام معايير المعلومات لمقارنة النماذج ذات أحجام العينات المختلفة قد يؤدي إلى نتائج مضللة. وبالمثل، وكما أشار Svetunkov في مناقشة عبر الإنترنت عام 2016 (انظر المرجع بعد قائمة المراجع)، تستند جميع معايير المعلومات إلى دالة الاحتمال التي تعتمد بدورها على حجم العينة. وتحديدًا، كلما ازداد حجم العينة، انخفض الاحتمال. وبالتالي، ستزداد معايير المعلومات أيضًا في مثل هذه الحالات.^⁸

3. الأبحاث السابقة

في Charitonidis (2022)، قُسمت قيم AIC لـ44 نموذجًا للانحدار المتعدد، ذات تراكيب مختلفة من متغيرات الانفعال (التكافؤ، والاستثارة، والمحسوسية للكلمات (أ) ولسياقات الكلمات (ب))، على حجم العينة (N) للحصول على قيم AIC المُقاس (AIC/N). وبعد ذلك، استُخدمت هذه القيم لتقييم

^⁶ لمزيد من المعلومات عن AICc، يُحال القارئ إلى Burnham & Anderson (2002: 374–380).

^⁷ يشير أحد الحلول التي يقترحها Burnham & Anderson (2002) إلى تحويل قيم AIC إلى «أوزان Akaike» التي تُعرّف بأنها «الاحتمال النسبي للنموذج، بالنظر إلى البيانات» (Burnham، Anderson 2002: xiii؛ انظر أيضًا Wagenmakers، Farrell 2004).

^⁸ متاح على: https://stats.stackexchange.com/questions/94718/model-comparison-with-aic-based-on-different-sample-size [تم الاطلاع عليه في 16.06.2023]. ويمكن للقارئ فهم عبارة Svetunkov باستبدال قيم مختلفة بمكوّن ‘lnL’ في معادلة AIC، مع إبقاء مكوّن ‘2k’ ثابتًا. وسيؤدي انخفاض قيمة lnL إلى قيمة AIC أعلى، أي أدنى جودة.

^⁹ يُشار إلى AIC المُقاس في الأدبيات أيضًا باسم «AIC المتوسط». ووفقًا لـ Svetunkov (اتصال شخصي)، فإن ممارسة قسمة معيار معلومات Akaike على حجم العينة ليست جديدة. فعلى سبيل المثال، يعرّف Hastie وآخرون (2009: 230–231) AIC بطريقة غير معيارية، مستخدمين N مقامًا في الصيغة. ومع أن هذا الانحراف عن صيغة AIC التقليدية ليس بمنأى عن الانتقادات، فإنه يظل نهجًا شائعًا، كما يتضح من إدراجه في حزمة البرامج الإحصائية Stata. فعلى سبيل المثال، يعرض Stata «AIC مقسومًا على N» في مخرجات نموذجه، كما يتبين من أمثلة مختلفة متاحة عبر الإنترنت (تُوجَّه الشكر إلى I. Svetunkov لتزويده بهذه المعلومات).

Straipsniai / Articles

277

CHARITON CHARITONIDIS

ومقارنة جودة مطابقة النماذج. وقد أظهر إدراج المتنبئات الأساسية في النماذج العالمية، أي العامة، أن أزمنة القرار المعجمي في BLP تتطلب جودة مطابقة أفضل من أزمنة القرار المعجمي في ELP. وكانت مطابقة نماذج التسمية في ELP تقع ضمن نطاق تلك الملاحظة لنماذج القرار المعجمي في ELP وBLP. والأبرز أن محسوسية السياق للمكوّن الثاني برزت بوصفها متنبئًا دالًا في جميع النماذج ذات تواتر SUBTLEX-US، عبر القرار المعجمي والتسمية.

في Charitonidis (2024)، قورنت جميع المعاملات الدالة من النماذج العالمية ذات تواتر SUBTLEX-US بمتغير علاقة التضمين (Gagné وآخرون 2020). وتبيّن أن النماذج التي تضمنت كلًا من علاقة التضمين ومحسوسية السياق للمكوّن الثاني ارتبطت دائمًا بأدنى (=أفضل) قيمة لـ AIC المُقاس مقارنةً بالنماذج المتداخلة، أي المختزلة، التي حذفت أحد هذين المتغيرين. وأظهرت اختبارات Wald المطبقة لاحقًا أن النماذج المتداخلة كانت تشير دائمًا إلى انخفاض دال (=تدهور) في معامل التحديد (R²). ويعرض الجدولان 1 و2 قيم AIC المُقاس ونتائج اختبارات Wald المقابلة، على التوالي.

الجدول 1.

قيم AIC المُقاس للنماذج المتداخلة التي تحذف علاقة التضمين (‘النموذج 2’) أو محسوسية السياق للمكوّن الثاني (‘النموذج 3’) من النماذج الكاملة (‘النموذج 1’) للتنبؤ بأزمنة القرار المعجمي في مشروع المعجم الإنجليزي (ELP)، وأزمنة القرار المعجمي في مشروع المعجم البريطاني (BLP)، وأزمنة التسمية في ELP

النموذج | AIC المُقاس | AIC | N ELP LD 1 | −3.36281^ᵃ | −3557.85 | 1058 2 | −3.30375 | −4169.334 | 1262 3 | −3.34845 | −3700.038 | 1105 BLP LD 1 | −3.79552^ᵃ | −2903.574 | 765 2 | −3.76618 | −3920.592 | 1041 3 | −3.76718 | −2987.37 | 793 ELP naming 1 | −3.58686^ᵇ | −7396.108 | 2062 2 | −3.54304 | −8418.27 | 2376 3 | −3.58379 | −7389.784 | 2062

278

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

أ. المتنبئات: (الثابت)، حكم علاقة التضمين، طول المركب، تواتر SUBTLEX–US، تكافؤ التمثيل (cmp)، محسوسية السياق (c2)

ب. المتنبئات: (الثابت)، حكم علاقة التضمين، طول المركب، تواتر SUBTLEX–US، تكافؤ السياق (cmp)، استثارة السياق (c1)، استثارة السياق (c2)، محسوسية السياق (c2)

الجدول 2.

اختبارات Wald للنماذج المتداخلة التي تحذف علاقة التضمين (‘النموذج 2’) أو محسوسية السياق للمكوّن الثاني (‘النموذج 3’) من النماذج الكاملة (‘النموذج 1’) للتنبؤ بأزمنة القرار المعجمي في مشروع المعجم الإنجليزي (ELP)، وأزمنة القرار المعجمي في مشروع المعجم البريطاني (BLP)، وأزمنة التسمية في ELP

النموذج | مربع R2 | تغير F | df1 | df2 | p ELP LD 1 |.184^a | 47.506 | 5 | 1052 |.000 2 | −.004 | 4.562 | 1 | 1052 |.033 3 | −.010 | 13.175 | 1 | 1052 |.000 BLP LD 1 |.211^a | 40.479 | 5 | 759 |.000 2 | −.013 | 12.091 | 1 | 759 |.001 3 | −.015 | 14.007 | 1 | 759 |.000 ELP naming 1 |.288^b | 118.711 | 7 | 2054 |.000 2 | −.003 | 8.286 | 1 | 2054 |.004 3 | −.003 | 8.309 | 1 | 2054 |.004

أ. المتنبئات: (الثابت)، حكم علاقة التضمين، طول المركب، تواتر SUBTLEX–US، تكافؤ التمثيل (cmp)، محسوسية السياق (c2)

ب. المتنبئات: (الثابت)، حكم علاقة التضمين، طول المركب، تواتر SUBTLEX–US، تكافؤ السياق (cmp)، استثارة السياق (c1)، استثارة السياق (c2)، محسوسية السياق (c2)

وخلاصة القول، رتّب مقياسان مختلفان لحجم الأثر، هما AIC المُقاس وR²، نماذج الانحدار نفسها ترتيبًا متماثلًا، مع إبداء التفضيل نفسه للنموذج الأفضل. ومن ثم، توجد أدلة قوية على أن مقياس AIC المُقاس أداة نوعية لتقييم مطابقة النموذج.

Straipsniai / Articles

279

CHARITON CHARITONIDIS

4. الدراسة الحالية

تبني الدراسة الحالية على أبحاث المؤلف السابقة المعروضة في القسم 3. وموضوعات البحث هي 66 نموذجًا للقرار المعجمي والتسمية للمركبات الإنجليزية المغلقة (المتصلة) التي بناها Gagné وآخرون (2019). وتتضمن جميع النماذج تواتر SUBTLEX-US بوصفه متغيرًا ضابطًا. وأهدافنا ثنائية وتسير بالتوازي. أولًا، نقيّم خصائص نماذج Gagné وآخرين (المرجع نفسه). وثانيًا، نستكشف الخصائص الأساسية لمقياس AIC المُقاس.

أسئلة البحث هي: 1. هل AIC المُقاس حساس لتصميم النموذج لدى Gagné وآخرين (2019)؟ ما مجموعات النماذج المفضّلة؟ 2. ما أثر المتغيرين الضابطين «تواتر المركب» و«طول المركب» في AIC المُقاس؟ 3. كيف ترتبط الشفافية الصرفية بـ AIC المُقاس؟

تُنظّم دراستنا على النحو الآتي: يقدم القسم 5 عرضًا عامًا لمناهجنا. ويقدم القسم 6.1 إحصاءات وصفية لـ AIC المُقاس المتعلقة بالنماذج قيد النظر. ويُولى اهتمام لخصائص فئات النماذج البارامترية مقابل اللامعلمية. ويستكشف القسم 6.2 العلاقة بين مصدر أزمنة الاستجابة ومهام المعالجة المعجمية. ويقارن القسم 6.3 AIC المُقاس بالمتغيرين الضابطين «تواتر المركب» و«طول المركب». وفي القسم 6.4 تُسقط مستويات دلالة معاملات الشفافية من نماذج Gagné وآخرين (2019) على قيم AIC المُقاس. وتُلخّص النتائج الأساسية في القسم 7، تليها مناقشة النتائج في القسم 8.

5. المناهج

تمثلت منهجيتنا العامة في التحليل المقارن للمعلمات والخصائص الرئيسية لنماذج Gagné وآخرين (2019)، باستخدام AIC المُقاس بوصفه المتغير التابع. وشملت المتغيرات المستقلة خصائص العينة (مثل مصدر زمن الاستجابة ومهام المعالجة المعجمية)، وتصميم الدراسة (مثل المتغيرات الضابطة)، ومستوى دلالة معاملات الشفافية، من بين عوامل أخرى.

كانت المناهج الإحصائية المحددة المستخدمة كما يلي: (أ) إحصاءات وصفية تتعلق بالمتوسطات والوسيطات، إلى جانب تطبيق اختبار Shapiro–Wilk لتقييم النزعة المركزية والتباين والتوزيع لـ AIC المُقاس عبر فئات ومجموعات النماذج المختلفة (القسمان 6.1 و6.2)، (ب) تحليلات التأثيرات الرئيسية المنفذة لمصدر أزمنة الاستجابة (ELP/BLP) ولمهام المعالجة المعجمية (القرار المعجمي/التسمية) (القسم

280

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

6.2)، (ج) تحليلات ANOVA منفصلة تُجرى على مصدر زمن الاستجابة ومهام المعالجة المعجمية، مع إدراج طول المركب متغيرًا مصاحبًا (القسم 6.3)، و(د) استخدام اختباري Kruskal–Wallis وJonckheere–Terpstra لاستكشاف الفروق بين رتب المعاملات المعاد ترميزها ترتيبيًا للشفافية الدلالية (القسم 6.4). ولمزيد من المعلومات عن المناهج، يُحال القارئ إلى التحليلات الواردة في الأقسام 6.1–6.4.

6. التحليلات

6.1. AIC المُقاس مقابل فئات النماذج

قُسمت قيم AIC الست والستون من نماذج الانحدار المتعدد لدى Gagné وآخرين (2019)، مع تواتر SUBTLEX–US بوصفه متغيرًا ضابطًا، على حجم عينة كل نموذج للحصول على مجموعة من 66 قيمة لـ AIC المُقاس.

يقدم الجدول 3 أدناه الإحصاءات الوصفية لـ AIC المُقاس، ويعرض الشكل 2 مخطط الصندوق المقابل الذي يشير إلى مجموعة القيم المرتبة.¹⁰ لم تكن هناك قيم شاذة في العينة. وكانت قيم الالتواء (Sk) والتفرطح (Ku) مقبولة.¹¹

بلغت قيمة المتوسط لـ AIC المُقاس −3.50030. وكان الانحراف المعياري 0.19052، أي إن المشاهدات كانت متجمعة نسبيًا بإحكام حول المتوسط. وكانت القيمتان الدنيا والعظمى −3.85502 و−3.15754، على التوالي. وكانت قيمة الوسيط −3.55732، أي أقل قليلًا من قيمة المتوسط.¹² وتراوحت نسبة الـ50% الوسطى من البيانات بين −3.66575 (الربيع الأول، Q1) و−3.30959 (الربيع الثالث، Q3). وبناءً عليه، كان المدى الربيعي (IQR) 0.35616.

¹⁰ يحدد الخط السفلي، أو خط الربيع الأول، للصندوق (Q1) الحد الذي تمتد تحته نسبة الـ25% الأدنى من البيانات. وبالمثل، يحدد الخط العلوي، أو خط الربيع الثالث، للصندوق (Q3) الحد الذي تمتد فوقه نسبة الـ25% العليا من البيانات. وتوضح المنطقة المظللة حدود نسبة الـ50% الوسطى من البيانات، أو المدى الربيعي (IQR)، الذي يمكن حسابه بطرح الربيع الأول من الربيع الثالث (Q3−Q1). ويبين الخط الأفقي داخل الصندوق الوسيط، أو الربيع الأوسط (Q2)، أي القيمة الواقعة في وسط مجموعة البيانات.

¹¹ بالرجوع إلى بيئة SPSS، تُعد القيم الواقعة بين −1 و+1 للالتواء، وبين −2 و+2 للتفرطح، مقبولة عمومًا لتقييم التوزيع الطبيعي. غير أنه تجدر الإشارة إلى أن الالتواء والتفرطح وحدهما لا يقدمان برهانًا حاسمًا على الطبيعية (انظر أيضًا المناقشة حول https://www.researchgate.net/post/What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data).

¹² واتساقًا مع هذا النمط، ظهر في البيانات قدر ضئيل من الالتواء الموجب (0.494).

Straipsniai / Articles

281

CHARITON CHARITONIDIS

الجدول 3. الإحصاءات الوصفية لـ AIC المُقاس (المجموعة الكاملة)

المتوسط SD الحد الأدنى الحد الأقصى −3.50030 0.19052 −3.85502 −3.15754 الوسيط IQR Q1 Q3 −3.55732 0.35616 −3.66575 −3.30959

N=66. Sk=0.494, Ku=−1.101

الشكل 2. توزيع AIC المُقاس (المجموعة الكاملة): مخطط صندوقي

كان متوقعًا ألا تُظهر المجموعة الكاملة لقيم AIC المُقاس توزيعًا طبيعيًا، لأنها شملت مهام مختلفة (القرار المعجمي، والتسمية) واستُمدت من مصادر مختلفة لأزمنة الاستجابة (ELP، وBLP). وأكد اختبار Shapiro–Wilk واختبار Kolmogorov–Smirnov افتراضاتنا.¹³ وعلى وجه الخصوص، كانت إحصاءات اختبار Shapiro–Wilk هي W (66) = 0.90, p <.001، وكانت إحصاءات اختبار Kolmogorov–Smirnov هي D (66) = 0.17, p <.001. وتجدر الإشارة إلى أن المجموعة الكاملة نفسها لم تُظهر توزيعًا طبيعيًا حتى بعد تطبيق اللوغاريتم الطبيعي وتحويلات الجذر التربيعي على القيم المطلقة.

يقدم الجدول 4 أدناه الإحصاءات الوصفية لـ AIC المُقاس بالرجوع إلى فئات النماذج الرئيسية لدى Gagné وآخرين (2019)، أي القرار المعجمي في ELP، والقرار المعجمي في BLP، والتسمية في ELP (تتضمن كل مجموعة 22 نموذجًا). ويعرض الشكل 3 المخططات الصندوقية المقابلة. وكما يتضح، فإن المتوسطات والوسيطات

¹³ طبّق اختبار Kolmogorov–Smirnov تصحيح دلالة Lilliefors.

282

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

بالنسبة إلى القرار المعجمي في BLP والتسمية في ELP، أشارت إلى قيم متشابهة لـ AIC المُقاس. أما القرار المعجمي في ELP فأشار إلى قيم أعلى (=أدنى جودة) كانت، بالإضافة إلى ذلك، منفصلة عن قيم القرار المعجمي في BLP.¹⁴ وخلاصة القول، كان القرار المعجمي في BLP والتسمية في ELP يستلزمان دائمًا نماذج أفضل من القرار المعجمي في ELP.

الجدول 4. الإحصاءات الوصفية لـ AIC المُقاس حسب فئات النماذج الرئيسية

كان متوقعًا أن يكون النمط اللامعلمي للمجموعة الكاملة من قيم AIC المُقاس أقل احتمالًا للظهور ضمن فئات النماذج الرئيسية، أي التركيبات الرئيسية لأزمنة الاستجابة والمهام. وكما سيتضح، تأكد هذا التوقع.

أظهر اختبار Shapiro-Wilk أن بيانات القرار المعجمي في ELP انحرفت انحرافًا دالًا عن الطبيعية. وعلى وجه الخصوص، حسبنا إحصاء اختبار مقداره W (22) = 0.90, p <.05.¹⁵

كانت بيانات القرار المعجمي في BLP موزعة توزيعًا طبيعيًا. وكانت الإحصاءات المقابلة W (22) = 0.92, p >.05 (Shapiro-Wilk).

¹⁴ أشار اختبار t على البيانات الملخصة للقرار المعجمي في ELP والقرار المعجمي في BLP (الجدول 4) إلى وجود فرق شديد الدلالة بين متوسطي العينتين، t = 18.296, p <.0001.

¹⁵ تجدر الإشارة إلى أن مجموعة من ستة نماذج لاتخاذ القرار المعجمي في ELP أشارت إلى قيم لـ Scaled AIC قريبة من القيمة القصوى −3.15754، مما يدل على أسوأ ملاءمة في مجموعة البيانات بأكملها. أسهمت هذه النماذج في بروز قمة واضحة نحو الطرف الأعلى من التوزيع (الممتد من −3.17304 إلى −3.15754)، مما أدى إلى نمط توزيع شبه ثنائي المنوال. وتدعم هذه الملاحظة قيمة التفلطح السالبة المرتفعة نسبيًا، وهي −1.444.

Straipsniai / Articles

283

CHARITON CHARITONIDIS

الشكل 3. تمثيلات مخطط الصندوق لـ Scaled AIC حسب فئات النماذج الرئيسية

وبالمثل، كانت بيانات التسمية في ELP موزعة توزيعًا طبيعيًا. وكانت الإحصاءات المعنية W (22) = 0.93، p >.05 (اختبار Shapiro–Wilk).

وخلاصةً، ارتبطت كلٌّ من المجموعة الكاملة للنماذج ونماذج اتخاذ القرار المعجمي في ELP بتوزيع لامعلمي لـ Scaled AIC. ومن ناحية أخرى، كانت بيانات اتخاذ القرار المعجمي في BLP وبيانات التسمية في ELP موزعة توزيعًا طبيعيًا. ولنحاول الآن الكشف عن تأثير العوامل الفردية في Scaled AIC.

6.2. Scaled AIC مقابل مصدر أزمنة الاستجابة والمهام

يحتوي الجدول 5 أدناه على الإحصاءات الوصفية لقيم Scaled AIC للمجموعات المصنفة وفق العاملين الرئيسيين «أزمنة الاستجابة» و«المهام»، أي: (أ) أزمنة الاستجابة في ELP، و(ب) أزمنة الاستجابة في BLP، و(ج) مهمة التسمية، و(د) مهمة اتخاذ القرار المعجمي. وتُعد أزمنة الاستجابة في ELP ومهمة اتخاذ القرار المعجمي

284

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

مجموعتين شاملتين تشير كل منهما إلى «اتخاذ القرار المعجمي والتسمية» و«ELP وBLP» على التوالي. وتتطابق مجموعتا «BLP» و«Naming» مع فئتي النموذج «اتخاذ القرار المعجمي في BLP» و«التسمية في ELP» على التوالي، وقد عُرضتا بالفعل في الجدول 4 (القسم 6.1). ويعرض الشكل 4 تمثيلات مخطط الصندوق المعنية.

كما يتضح من الجدول 5، أشارت كل من «BLP» و«Naming» إلى (أ) قيم رئيسية ووسيطة أقل (= أفضل) لـ Scaled AIC، و(ب) قيم أصغر للانحراف المعياري (SD) والمدى الربيعي (IQR)، مقارنةً بالمجموعتين الشاملتين «أزمنة الاستجابة في ELP» و«اتخاذ القرار المعجمي».¹⁶ ولدى المجموعتين الشاملتين نفسيهما قيم تفلطح مرتفعة نسبيًا، أي −1.403 و−1.616 على التوالي (وقد ظهرت في المدرجات التكرارية لهاتين المجموعتين — غير الواردة هنا — قمتان واضحتان، مماثلتان لتوزيع ثنائي المنوال للقيم). وتشير هذه الأنماط إلى أن مقياس Scaled AIC ارتبط ارتباطًا فريدًا بالفئتين التجريبيتين المحددتين جيدًا، وهما اتخاذ القرار المعجمي في BLP (انظر مجموعة «BLP») والتسمية في ELP (انظر مجموعة «Naming»).

الجدول 5.

الإحصاءات الوصفية لـ Scaled AIC بشأن المجموعات المصنفة تحت «أزمنة الاستجابة» و«المهام»

أزمنة الاستجابة المهام ELP BLP التسمية اتخاذ القرار المعجمي المتوسط −3.43917 −3.62255 −3.62495 −3.43797 SD 0.20286 0.06778 0.08710 0.19808 الحد الأدنى −3.85502 −3.75547 −3.85502 −3.75547 الحد الأقصى −3.15754 −3.52945 −3.50150 −3.15754 الوسيط −3.42626 −3.62174 −3.61886 −3.44024 IQR 0.35152 0.13704 0.13758 0.36196 Q1 −3.62127 −3.68840 −3.69419 −3.63171 Q3 −3.26975 −3.55136 −3.55662 −3.26975 Sk −0.126 −0.097 −0.559 −0.006 Ku −1.403 −1.244 0.725 −1.616 44 22 22 44

¹⁶ تشير المتوسطات والوسائط الأقل، إلى جانب قيم الانحراف المعياري والمدى الربيعي الأصغر، إلى موثوقية أكبر وقابلية أقل للتأثر بالقيم الشاذة أو المتطرفة.

Straipsniai / Articles

285

CHARITON CHARITONIDIS

الشكل 4. تمثيلات مخطط الصندوق لـ Scaled AIC بشأن المجموعات المصنفة تحت «أزمنة الاستجابة» و«المهام»

وكما هي الحال مع مجموعة قيم Scaled AIC بأكملها التي نوقشت في القسم 6.1، كان متوقعًا أن يظهر نمط لامعلمي للمجموعتين الشاملتين «ELP» و«اتخاذ القرار المعجمي»، غير المقيّد بتجارب محددة. وقد أكدت اختبارات التوزيع الطبيعي توقعاتنا.

وبالإشارة إلى اختبار Shapiro–Wilk، انحرفت بيانات Scaled AIC لمجموعة ELP انحرافًا دالًا عن التوزيع الطبيعي. وحسبنا إحصاء اختبار قدره W (44) = 0.91، p <.01. وبالمثل، انحرفت بيانات Scaled AIC لمجموعة اتخاذ القرار المعجمي انحرافًا دالًا عن التوزيع الطبيعي. وحسبنا إحصاء اختبار قدره W (44) = 0.89، p <.001.

لننتقل الآن إلى تحليل التأثيرات الرئيسية. كان الهدف الأساسي هو التحقق مما إذا كانت مجموعتا اتخاذ القرار المعجمي في BLP والتسمية في ELP تواصلان التنبؤ بنماذج أفضل عند ضبط تأثيرات أي من المجموعتين.

في الاختبارات الإحصائية التالية، أُسندت إلى المجموعات المصنفة تحت العاملين الرئيسيين «أزمنة الاستجابة» و«المهام» قيم اسمية. واستُخدم متوسط Scaled AIC لمجموعة BLP، أي −3.623، بوصفه الخلية المرجعية أو الثابت.

أظهرت النتائج أن لكلٍّ من أزمنة الاستجابة والمهام تأثيرًا رئيسيًا في Scaled AIC، لكن لم يوجد تفاعل بينهما. وعلى وجه الخصوص، كان لأزمنة الاستجابة تأثير رئيسي دال، F (1, 63) = 271.87، p <.001. وبمصطلحات الانحدار، تنبأ المعامل الخاص بـ ELP بقيمة أعلى، أي أدنى جودة، لـ Scaled AIC، b = 0.37، SE = 0.02، t = 16.49، p <.001. بالإضافة إلى ذلك، كان للمهام تأثير رئيسي دال، F (1, 63) = 275.42، p <.001. وبمصطلحات الانحدار، تنبأ المعامل الخاص بالتسمية بقيمة أقل، أي أفضل، لـ Scaled AIC، b = −0.37، SE = 0.02، t = −16.60، p <.001.

يقدم الشكل 5 نظرة عامة على التأثيرات الرئيسية بواسطة مخطط نقطي وخطي. وتشير الخلية المرجعية أو الثابت إلى كلٍّ من أدنى قيمة للتسمية في ELP وأعلى قيمة لاتخاذ القرار المعجمي في BLP، أي −3.623. والخطوط مكدسة

286

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

عموديًا لأن نطاقات قيم Scaled AIC لاتخاذ القرار المعجمي في ELP واتخاذ القرار المعجمي في BLP كانت منفصلة (انظر الجدول 4). علاوة على ذلك، فالخطوط متوازية لأن غياب مجموعة «تسمية BLP» ضمن المهام ألغى أي تأثيرات تفاعلية.

وخلاصةً، ظلّت أزمنة الاستجابة في BLP ومهمة التسمية تتنبآن باستمرار بقيم أفضل لـ Scaled AIC، حتى بعد الضبط المتبادل للعوامل ذات الصلة. وتعزز هذه النتائج دقة النماذج المعنية وفعاليتها.

الشكل 5. مخطط التأثيرات الرئيسية لـ Scaled AIC

تجدر الإشارة إلى أن تحليل التأثيرات الرئيسية المقدم في هذا القسم ينطبق بدرجة أكبر على مصدر أزمنة الاستجابة منه على أداء المهمة، لأن الجمع بين «تسمية BLP» لم يكن متاحًا، كما ذُكر سابقًا. وقد يحد هذا الواقع من قابلية تعميم النتائج خارج العينات المحددة.

6.3. Scaled AIC مقابل متغيرات الضبط

في هذا القسم، سينصب التركيز على متغيري الضبط: طول المركب (بالحروف) وتواتر SUBTLEX-US، أي لوغاريتم تواتر المركب المستمد من مدونة SUBTLEX-US (Brysbaert, New 2009). وقد استُخدم كلا المتغيرين على نطاق واسع في نماذج الانحدار لدى Gagné et al. (2019).

Straipsniai / Articles

287

CHARITON CHARITONIDIS

للكشف عن تأثير طول المركب وتواتر المركب في Scaled AIC، أُعيد ترميز معاملات الانحدار المعنية إلى قيم رُتبية وفقًا لإيجابيتها ومستوى دلالتها، انظر الجدول 6. وقد أُسقطت مستويات الدلالة على مقاييس رُتبية لأنها تمثل نقاط قطع تقليدية تستند إلى قيم الدلالة الدقيقة.

الجدول 6. مخطط إعادة الترميز الرتبي لمعاملات الانحدار

الدلالة الإيجابية القيم الرتبية الوصف p <.001 سالب −3 تأثير سلبي كبير p <.01 سالب −2 تأثير سلبي متوسط p <.05 سالب −1 تأثير سلبي صغير p >.05 سالب/موجب 0 تأثير غير دال p <.05 موجب 1 تأثير إيجابي صغير p <.01 موجب 2 تأثير إيجابي متوسط p <.001 موجب 3 تأثير إيجابي كبير

في نماذج Gagné et al. (2019)، كان تواتر SUBTLEX-US مرتبطًا دائمًا بمعاملات سالبة (= مخفِّضة لزمن الاستجابة) ذات تأثير كبير، p <.001. وبناءً على ذلك، أُعيد ترميز جميع المعاملات على أنها −3، وهي قيمة كانت متداخلة خطيًا على نحو تام مع متغير النتيجة، Scaled AIC. ولهذا السبب، استُبعد تواتر SUBTLEX-US من التحليل الحالي.

أما فيما يخص طول المركب، فقد كان لجميع معاملات الانحدار الدالة في نماذج Gagné et al. (2019) تأثير إيجابي كبير (= مسبب لزيادة زمن الاستجابة)، p <.001. وعلى خلاف متغير SUBTLEX-US، ظهرت عدة معاملات غير دالة. وبالنظر إلى هذه الأنماط، أُنشئ متغير فئوي بالقيمتين «1» للتأثير الإيجابي (= تداخل طول المركب) و«0» لعدم وجود تأثير (= عدم تداخل طول المركب). واشتملت العينة الناتجة على 39 قيمة لـ Scaled AIC. وأسفر اختبار ارتباط Pearson بين طول المركب وScaled AIC عن معامل ارتباط دال بدرجة كبيرة قدره 0.51، p =.001، مما يشير إلى ارتباط متوسط إلى قوي بين المتغيرين.

أُدرج طول المركب بوصفه متغيرًا مستقلًا واحدًا في نموذج انحدار خطي. وتبيّن أن متوسط Scaled AIC المتوقع لعدم وجود تداخل طول المركب كان 3.611 (= الثابت). وأدى تداخل طول المركب إلى قيمة أعلى (= أدنى جودة) قدرها −3.407 (b = 0.204، p =.001). ويوضح الشكل 6 أدناه هذه الأنماط. وخلاصة القول، يتدهور Scaled AIC عندما يصبح طول المركب ذا صلة داخل النماذج.

288

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

الشكل 6. طول المركب وScaled AIC

أجرينا تحليلات ANOVA منفصلة لمصدر زمن الاستجابة (ELP/BLP) وأداء المهمة (اتخاذ القرار المعجمي/التسمية)، مع أخذ طول المركب بوصفه متغيرًا مصاحبًا في الحسبان. وكان الهدف الأساسي تحديد الفروق في المتوسطات التي عُدّلت سابقًا لاستيعاب تأثيرات طول المركب المضبوطة.

(أ) ANOVA لمصدر زمن الاستجابة. أُسندت إلى BLP القيمة «0» وإلى ELP القيمة «1». وكشف اختبار ارتباط Pearson عن تعدد خطي قوي بين مصدر زمن الاستجابة وطول المركب، r = 1 (N = 39). وتدعم الأدلة التالية اكتشافنا: أولًا، أظهرت مجموعة ELP باستمرار ارتباطات إيجابية دالة مع طول المركب، مما يشير إلى تأثير كبير. ثانيًا، أظهرت مجموعة BLP باستمرار ارتباطات غير دالة مع طول المركب. وبناءً عليه، كان متوسط Scaled AIC المتوقع لمصدر زمن الاستجابة متماثلًا مع طول المركب أو بدونه في التحليل (M = 3.407 في كلتا الحالتين). وخلاصةً، لم يكن لطول المركب تأثير دال في Scaled AIC عند إدراج مصدر زمن الاستجابة.

(ب) ANOVA لأداء المهمة. أُسندت إلى التسمية القيمة «0» وإلى اتخاذ القرار المعجمي القيمة «1». وكشف اختبار ارتباط Pearson عن ارتباط سلبي بين المهمة وطول المركب، مما يشير إلى تأثير متوسط، r = −.5، p =.001 (N = 39). وتشير هذه النتيجة إلى أن طول المركب أكثر صلة بالتسمية منه باتخاذ القرار المعجمي.

¹⁷ تجدر الإشارة إلى أن 11 من أصل 13 معاملًا في BLP كانت سالبة.

Straipsniai / Articles

289

CHARITON CHARITONIDIS

عند اعتبار المهمة المتغير الرئيسي، كان طول المركب متنبئًا دالًا بـ Scaled AIC، F (1, 145.030)، p =.000. وبالمثل، عند اعتبار طول المركب المتغير الرئيسي، كانت المهمة متنبئًا دالًا بـ Scaled AIC، F (1, 125.30)، p =.000. وكان متوسط Scaled AIC المتوقع للمهمة وحدها مختلفًا اختلافًا دالًا عن متوسط Scaled AIC المتوقع عندما أُخذ طول المركب في الحسبان (3.584 مقابل 3.203، على التوالي). وبالمثل، كان متوسط Scaled AIC المتوقع لطول المركب وحده (3.584) مختلفًا اختلافًا دالًا عن متوسط Scaled AIC المتوقع عندما أُخذت المهمة في الحسبان (−3.23). وخلاصةً، تنبأت كلٌّ من مهمة اتخاذ القرار المعجمي وطول المركب، من حيث ضبط المتغير المصاحب، بنماذج أدنى جودة.

6.4. Scaled AIC مقابل معايير الشفافية

يدرس هذا القسم تأثير معاملات الانحدار الخاصة بالشفافية الدلالية في نماذج Gagné et al. (2019) على Scaled AIC. وقد رُمّزت معاملات الانحدار هذه على ثلاثة مقاييس رُتبية، يقابل كلٌّ منها مستوى مورفولوجيًا من المستويات الثلاثة، أي المركب، والمكوّن الأول، والمكوّن الثاني. ويمكن العثور على مخطط إعادة الترميز الرتبي في الجدول 6.

يعرض الجدول 7 أدناه الوسائط والنطاقات لمعاملات الشفافية المحوّلة رتبيًا في المستويات المورفولوجية الثلاثة جميعها. وتوفر الوسائط معلومات مفيدة عن النزعة المركزية وتشتت القيم الرتبية، ويمكن أن تساعد في توجيه التحليلات القائمة على المتغيرات الرتبية.

الجدول 7. معاملات الشفافية المحوّلة رتبيًا: الوسائط والنطاقات

الوسيط الحد الأدنى الحد الأقصى المركب −3 −3 −1 المكوّن الأول 2 −3 3 المكوّن الثاني 0 −2 3

N = 18

كما يتضح، كان وسيط المركب «−3»، ووسيط المكوّن الأول «2»، ووسيط المكوّن الثاني «0». وتشير هذه النتائج إلى أنه في نماذج Gagné et al. (2019) مع تواتر SUBTLEX–US، ارتبطت شفافية المركب بتأثير سلبي كبير (أزمنة استجابة أقصر)، وارتبطت شفافية المكوّن الأول بتأثير إيجابي متوسط (أزمنة استجابة أطول)، في حين لم يكن لشفافية المكوّن الثاني تأثير دال أو كان لها

290

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

دور غير مؤكد. وتشير درجات الشفافية الأعلى للمكوّن الثاني، التي أبلغ عنها Gagné et al. (ibid.)، إلى تحيز جوهري لصالحه، مما يؤدي إلى اعتماد الشفافية الكلية للمركب على شفافية المكوّن الأول. وفي هذا السياق، يشير الوسيط الإيجابي المسبّب لزيادة زمن الاستجابة للمكوّن الأول إلى دوره الوسيط، وربما المنشئ للمرجع، في هذه العلاقة (انظر أيضًا القسم 1). ولا يزال يتعين إثبات الوظائف الدلالية التي تمثل، من منظور المعالجة، التحيز الجوهري للمكوّن الثاني على نحو كافٍ.¹⁸

سؤال البحث الذي سنتناوله الآن هو ما إذا كانت إيجابية معاملات الشفافية ومستوى دلالتها يؤثران في Scaled AIC. وتهدف طريقتنا أساسًا إلى الكشف عن تأثيرات فرط الملاءمة. وكما يجادل Daniel J. Navarro & Jay I. Myung (2005)، «غالبًا ما يستطيع نموذج معقد ذو معلمات كثيرة وصيغة لاخطية للغاية أن يلائم البيانات بصورة أفضل من نموذج بسيط ذي معلمات قليلة، حتى لو كان الأخير هو الذي ولّد البيانات» (Navarro, Myung 2005: 1240). وبناءً على ذلك، قد تلتقط كثرة المعلمات الضوضاء أو الخصائص الفريدة للبيانات المتاحة، لكنها قد تعوق قدرة النموذج على التعميم على بيانات جديدة. ويخفف AIC من مشكلة فرط الملاءمة بإدخال عقوبة على تضمين عدد كبير من المعلمات في النموذج، انظر الجزء «+2k» من معادلة AIC في القسم 2.

فيما يتعلق بالتحليل التالي، يُفترض أن النماذج التي تُظهر قيمًا أعلى (= أدنى جودة) لـ Scaled AIC قد تمتلك معاملات دالة مشتقة منهجيًا، أي معاملات ذات صلة وفقًا لمجموعة بيانات LADEC وحدها. وفي هذا السياق، تشير فرضيتنا إلى احتمال ظهور اتجاه متناقض في العلاقة بين الشفافية وScaled AIC، مقارنةً بالمؤشر الذي تقدمه الوسائط في الجدول 7.

وعلى وجه الخصوص، قد ترتبط قيم Scaled AIC الأقل (= الأفضل) بـ(أ) معاملات إيجابية (أزمنة استجابة أطول) تخص المركب بأكمله، و(ب) معاملات سالبة (أزمنة استجابة أقصر) تخص المكوّن الأول، و(ج) معاملات إيجابية أو سالبة (أزمنة استجابة أطول أو أقصر، على التوالي) تخص المكوّن الثاني. وتجدر الإشارة إلى أن الوسيط في الجدول 7 يشير، فيما يتعلق بالمكوّن الثاني، إلى عدم وجود تأثير.

للإجابة عن سؤال البحث، سيُستخدم مقياسان لامعلميان، هما اختبار Kruskal–Wallis واختبار Jonckheere–Terpstra. ويُعرف اختبار Kruskal–Wallis أيضًا باسم «اختبار H»، وهو اختبار لامعلمي يستند إلى

¹⁸ يُجادل في Charitonidis (2024) بأن كلًّا من علاقة التصنيف والسياقية الملموسة للمكوّن الثاني متنبئان دلاليان دالان في اتخاذ القرار المعجمي والتسمية. ويُظهر التحليل الوارد فيه أن إدراج هذين المتنبئين معًا يؤدي إلى تحسن في Scaled AIC وR² مقارنةً بالنماذج التي تحذف أيًّا من هذين المتغيرين.

Straipsniai / Articles

291

CHARITON CHARITONIDIS

توزيع كاي-تربيع. ويشترط أن يكون المتغير التابع رتبيًا أو مستمرًا. ويهدف هذا الاختبار إلى تحديد ما إذا كانت هناك فروق دالة بين وسائط مجموعتين أو أكثر، ويُستخدم بديلًا عن ANOVA أحادي الاتجاه. وفيما يتعلق بالإجراء، رُتبت قيم المتغير التابع المستمر، أي Scaled AIC، من الأدنى إلى الأعلى، وأُسندت الرتب إلى الدرجات. ثم أُعيد إدخال الرتب الناتجة في مجموعات مستوى الدلالة (المتغير المستقل)، وجُمعت الرتب لكل مجموعة. وتضمنت صيغة حساب «H»، من بين أمور أخرى، تربيع مجموع الرتب لكل مجموعة ثم قسمة هذه القيمة على حجم العينة.

تتضمن الجداول 8–10 بيانات الإدخال المدروسة ومجموع الرتب لكل مجموعة.

¹⁹

²⁰

مجموع الرتب لكل مجموعة.

الجدول 8. المركب

مستويات الدلالة | N | مجموع رتب Scaled AIC | 1 – تأثير سلبي صغير | 1 | 2 | 2 – تأثير سلبي متوسط | 5 | 46 | 3 – تأثير سلبي كبير | 12 | 123 | المجموع | 18 |

الجدول 9. المكوّن الأول

مستويات الدلالة | N | مجموع رتب Scaled AIC | 1 – تأثير إيجابي كبير | 6 | 59 | 2 – تأثير إيجابي متوسط | 4 | 34 | 3 – تأثير إيجابي صغير | 1 | 3 | 4 – لا تأثير | 1 | 2 | 5 – تأثير سلبي صغير | 1 | 10 | 6 – تأثير سلبي متوسط | 1 | 11 | 7 – تأثير سلبي كبير | 4 | 52 | المجموع | 18 |

¹⁹ للاطلاع على بقية الحسابات، انظر Field (2009: 561–562).

²⁰ في الجداول الثلاثة جميعها، يبلغ مجموع الرتب نحو 171. وهو يساوي مجموع الأعداد الصحيحة من 1 إلى 18، انظر حجم العينة (N).

292

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

الجدول 10. المكوّن الثاني

Scaled AIC | مستويات الدلالة | N | مجموع رتب Scaled AIC | 1 – تأثير إيجابي كبير | 6 | 59 Scaled AIC | 2 – تأثير إيجابي صغير | 1 | 14 Scaled AIC | 3 – لا تأثير | 8 | 59 Scaled AIC | 4 – تأثير سلبي صغير | 1 | 18 Scaled AIC | 5 – تأثير سلبي متوسط | 2 | 21 | المجموع | 18 |

قبل الخوض في نتائج اختبار Kruskal-Wallis (H)، من المهم ملاحظة أن هذا الاختبار لا يقدم معلومات عن الفروق المحددة بين المجموعات الفردية. ولمعالجة هذه المسألة، استُخدم أيضًا اختبار Jonckheere-Terpstra (JT). وقد وفر هذا الاختبار معلومات عما إذا كانت وسائط المجموعات تزداد أو تنخفض بالترتيب الذي يحدده متغير الترميز (= التجميع)، وتحديدًا من التأثير الإيجابي الكبير إلى التأثير السلبي الكبير. ومن الناحية المنهجية، حُوّل إحصاء JT إلى درجة z. وتشير قيمة z الموجبة إلى اتجاه تصاعدي للوسائط، أي إن الوسائط ازدادت (= Scaled AIC أعلى/أدنى جودة) مع زيادة قيم متغير الترميز. وتشير قيمة z السالبة إلى اتجاه تنازلي للوسائط، أي إن الوسائط انخفضت (= Scaled AIC أقل/أفضل) مع زيادة قيم متغير الترميز. وفيما يلي، تُعرض نتائج اختباري Kruskal-Wallis (H) وJonckheere-Terpstra (JT) معًا.

(أ) لم يتأثر Scaled AIC للمركب تأثرًا دالًا بمستوى الدلالة، وفقًا لما حدده اختبار Kruskal-Wallis (H (2) = 2.226، p >.05). وقد وُجد اتجاه تصاعدي للوسائط يؤكد فرضيتنا الخاصة بفرط الملاءمة، انظر الوسيط السالب للمركب في الجدول 7. غير أن هذا الاتجاه لم يكن دالًا إحصائيًا وفقًا لاختبار Jonckheere-Terpstra (JT = 50، z = 1.064، p >.05).

(ب) لم يتأثر Scaled AIC للمكوّن الأول تأثرًا دالًا بمستوى الدلالة، وفقًا لما حدده اختبار Kruskal-Wallis (H (6) = 5.427، p >.05). وقد وُجد اتجاه تصاعدي للوسائط يرفض فرضيتنا الخاصة بفرط الملاءمة، انظر الوسيط الموجب للمكوّن الأول في الجدول 7. غير أن هذا الاتجاه لم يكن دالًا إحصائيًا وفقًا لاختبار Jonckheere-Terpstra (JT = 70، z = 0.549، p >.05).

(ج) لم يتأثر Scaled AIC للمكوّن الثاني تأثرًا دالًا بمستوى الدلالة، وفقًا لما حدده اختبار Kruskal-Wallis (H (4) = 4.607، p >.05). ولم يُلاحظ اتجاه تصاعدي أو تنازلي للوسائط، مما يرفض

Straipsniai / Articles

293

CHARITON CHARITONIDIS

فرضيتنا الخاصة بفرط الملاءمة. وعلى وجه الخصوص، كان إحصاء z لاختبار Jonckheere–Terpstra قريبًا من الصفر أساسًا، بما يتوافق مع الوسيط الصفري للمكوّن الثاني في الجدول 7 (JT = 54، z = 0.041، p >.05).

وخلاصةً، يمكن استنتاج أن مستوى دلالة معاملات الشفافية في نماذج Gagné et al. (2019) مع تواتر SUBTLEX-US لا يؤثر في مقدار Scaled AIC. وتدعم هذه النتيجة، بصورة غير مباشرة، جودة نماذج Gagné et al. (2019) ذات المتنبئات الشفافية، وتشير تحديدًا إلى أن فرضية فرط الملاءمة لهذه النماذج غير قابلة للدفاع. ومن قيود الدراسة الحالية صغر حجم العينة المستخدمة، إذ بلغ N = 18. ولتأكيد نتائجنا، يلزم إجراء مزيد من البحوث باستخدام نطاق أوسع من قيم Scaled AIC.

لضمان الوضوح والاكتمال في عرض نتائج بحثنا، أدرجنا قسمًا مخصصًا لتلخيص النتائج الرئيسية لدراستنا. وللاطلاع على هذا العرض الشامل، يرجى المتابعة إلى القسم 7.

7. النتائج الرئيسية

يعرض الجدول 11 أدناه تحليلًا شاملًا لأداء النماذج والمتغيرات ذات الصلة في سياق مهمتي اتخاذ القرار المعجمي والتسمية، استنادًا إلى نتائج Gagné et al. (2019). ويتناول كل قسم من الجدول موضوعات محددة، موضحًا أي النماذج أكثر فعالية. وقد طُبّق اختبارا ANOVA وKruskal–Wallis/Jonckheere–Terpstra (القسمان 6.3 و6.4) بعد إسناد قيم اسمية (رتبية أو فئوية) إلى معاملات الانحدار في نماذج Gagné et al. (2019). وللاطلاع على تفاصيل الاختبارات الخاصة المطبقة، يرجى الرجوع إلى الأقسام المعنية.

الجدول 11.

Scaled AIC ضمن المركبات الإنجليزية المغلقة: تحليل شامل لأداء النماذج في مهمتي اتخاذ القرار المعجمي والتسمية (Gagné et al. 2019)

294

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

الموضوعات | الإحصاءات | التقييم | القسم متغيرات الضبط | ANOVA | تواتر المركب ✓؛ طول المركب ~ | 6.3 الشفافية الدلالية | Kruskal–Wallis Jonckheere–Terpstra | المكوّن الأول NOF/ns؛ المكوّن الثاني NOF/ns؛ المركب NOF/ns | 6.4

PAR: بيانات معلمية | NPAR: بيانات لامعلمية | ✓: نماذج أفضل (AIC أقل) ~: نماذج أدنى جودة (AIC أعلى) | NOF/ns: لا فرط ملاءمة/اختبار غير دال

8. المناقشة

أظهرت الأبحاث السابقة التي أجراها Charitonidis (2022, 2024) أن Scaled AIC مقياس موثوق لملاءمة النموذج ويمكن استخدامه في اختيار النماذج، وربما بالتعاون مع مقاييس أخرى مثل اختبار Wald (انظر القسم 3). وبالإشارة إلى نماذج الانحدار المتعدد لدى Gagné et al. (2019) مع تواتر SUBTLEX-US، أدخل التحليل الحالي خصائص إضافية لمقياس Scaled AIC. ومع إثارة مخاوف وجيهة بشأن مقارنة النماذج الملائمة لأحجام عينات مختلفة باستخدام معايير المعلومات (انظر القسم 2)، تشير نتائج هذه الدراسة إلى أن Scaled AIC يمكن، في سياقات معينة، أن يكون بالفعل أداة قيّمة لتقييم ملاءمة النموذج وترتيب نماذج الانحدار هرميًا. وقد أظهر بحثنا أن Scaled AIC يستجيب للتصميم التجريبي، ومصادر أزمنة الاستجابة، والمهام المحددة. غير أنه من الضروري إدراك أن قابلية تطبيق Scaled AIC قد تعتمد على السياق، وأن فائدته ينبغي تقييمها على أساس كل حالة على حدة.

قبل الانتقال إلى النتائج الرئيسية لهذه الورقة، من المهم تناول أسئلة البحث المطروحة في القسم 4.

1. تشير توزيعات قيم Scaled AIC، إلى جانب تركيبات مختلفة من مصادر أزمنة الاستجابة ومهام المعالجة، إلى أن Scaled AIC يحدّد بفاعلية وجود العوامل الكامنة محددة المعالم أو غيابها في التصميم التجريبي والنمذجة الإحصائية. وفي هذا السياق، أظهر القرار المعجمي في BLP والتسمية في ELP قدرة تنبؤية أقوى لـ Scaled AIC حتى في ظل الظروف المضبوطة.

2. كان تكرار المركّب، على نحو اعتيادي، متنبئًا سلبيًا بـ Scaled AIC، مشيرًا دائمًا إلى تأثير كبير. وأظهر القرار المعجمي في ELP باستمرار

Straipsniai / Articles

295

CHARITON CHARITONIDIS

ارتباطات موجبة دالّة مع طول المركّب، متنبئًا بقيم أعلى (= أدنى) لـ Scaled AIC. وأظهر القرار المعجمي في BLP باستمرار ارتباطات غير دالّة مع طول المركّب. وقد تنبأ كلٌّ من القرار المعجمي وطول المركّب بنماذج أدنى عند ضبط المتغيرات المصاحبة.

لم يؤثر اتجاه معاملات الشفافية ومستوى دلالتها في نماذج Gagné et al.’s (2019) في مقدار Scaled AIC. وتشير هذه النتيجة إلى أن نماذج Gagné et al.’s (2019) التي تتضمن متنبئات الشفافية لا تُدخل تحيز فرط المطابقة.

وبالإشارة إلى أقسام محددة من التحليلات، يمكن تلخيص النتائج الأساسية لهذه الدراسة كما يلي:

في القسم 6.1، ركّز تحليلنا على مقارنة قيم Scaled AIC عبر فئات مختلفة من النماذج. وحتى بعد محاولة إجراء تحويلي «اللوغاريتم الطبيعي» و«الجذر التربيعي» على القيم المطلقة، لم تتوافق عينة Scaled AIC الكلية مع توزيع طبيعي. وبالمثل، أظهرت نماذج القرار المعجمي في ELP توزيعًا لابارامتريًا لقيم Scaled AIC الخاصة بها. وعلى العكس، اتبعت البيانات المتعلقة بالقرار المعجمي في BLP والتسمية في ELP نمط توزيع طبيعي.

في القسم 6.2، تحوّل تركيزنا إلى فحص العلاقة بين Scaled AIC و(أ) مصادر أزمنة الاستجابة و(ب) أداء المهمة. ومن المثير للاهتمام أن نطاقات قيم Scaled AIC لنماذج القرار المعجمي في ELP وBLP لم تتداخل، مما يدل على تمايزها. وكشفت نتائج الاختبار عن تأثيرات رئيسية دالّة لكلٍّ من مصدر زمن الاستجابة وأداء المهمة في Scaled AIC. والجدير بالملاحظة أن القدرة التنبؤية لـ Scaled AIC كانت أفضل بالنسبة إلى النماذج المرتبطة بأزمنة القرار المعجمي في BLP ومهمة التسمية. وتسهم هذه النتائج إسهامًا كبيرًا في دقة النماذج المعنية وفاعليتها.

في القسم 6.3، تعمّق استكشافنا في العلاقة بين Scaled AIC ومتغيري الضبط «تكرار المركّب» و«طول المركّب». واستُبعد تكرار المركّب من التحليل لأنه كان مرتبطًا ارتباطًا خطيًا تامًا بـ Scaled AIC. ومن ناحية أخرى، لوحظ انخفاض في قيم Scaled AIC عندما أصبح طول المركّب عاملًا ذا صلة داخل النماذج. وبالتزامن، كان طول المركّب أكثر صلة بمهمة التسمية.

فيما يتعلق بضبط المتغيرات المصاحبة، كان كلٌّ من مهمة القرار المعجمي وطول المركّب متنبئًا بنماذج أدنى.

في القسم 6.4، انصبّ تركيزنا على العلاقة بين Scaled AIC والشفافية الدلالية. وكان سؤال البحث هو ما إذا كان اتجاه معاملات الشفافية ومستوى دلالتها في نماذج Gagné et al.’s (2019) قد أثّرا في Scaled AIC. وتمثّل الهدف الأساسي لطريقتنا في كشف آثار فرط المطابقة المحتملة. وافترضنا أن النماذج ذات قيم Scaled AIC الأدنى قد تحتوي على معاملات دالّة ذات صلة

296

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

وفقًا لمجموعة بيانات LADEC وحدها. ومع أننا لاحظنا اتجاهًا نحو تزايد قيم Scaled AIC (= الأدنى) لمجموعة من المعاملات السلبية الدالّة على مستوى المركّب — بما يتوافق مع فرضية فرط المطابقة لدينا — فإن اختبار Jonckheere–Terpstra أظهر أن هذا الاتجاه لم يبلغ الدلالة الإحصائية.

ختامًا، أضاء استكشاف المعلمات المختلفة باستخدام Scaled AIC بوصفه متغيرًا تابعًا السبل المتنوعة التي تؤثر بها فئات النماذج، ومصدر زمن الاستجابة، ومهام المعالجة، ومتغيرات الضبط، والشفافية الدلالية في جودة مطابقة النماذج. ومن خلال إدراك العلاقات الدقيقة بين هذه العناصر، يصبح الباحثون أقدر على اتخاذ قرارات مستنيرة بشأن اختيار النماذج وتعديلاتها وتفسيرها.

REFERENCES

Akaike Hirotugu 1973: Information Theory and an Extension of the Maximum Likelihood Principle. – Second International Symposium on Information Theory, eds. B. F. Csaki, B. N. Petrov, Budapest: Academiai Kiado, 267–281.

Aldrich John R. 1997: R. A. Fisher and the Making of Maximum Likelihood 1912–1922. – Statistical Science 12(3), 162–176.

Baayen Harald R., Piepenbrock Richard, Gulikers Leon 1995: The CELEX Lexical Database (Data set, Release 2, CD-ROM), Linguistic Data Consortium, University of Pennsylvania. Available at: https://catalog.ldc.upenn.edu.

Balota David A., Yap Melvin J., Cortese Michael J., Hutchison Keith I., Kessler Brett, Loftis Bjorn, Neely James H., Nelson Douglas L., Simpson Greg B., Treiman Rebecca 2007: The English Lexicon Project. – Behavior Research Methods 39, 445–459.

Brysbaert Marc, New Boris 2009: Moving Beyond Kučera and Francis: A Critical Evaluation of Current Word Frequency Norms and the Introduction of a New and Improved Word Frequency Measure for American English. – Behavior Research Methods 41, 977–990. DOI: doi.org/10.3758/BRM.41.4.977.

Burnham Kenneth P., Anderson David R. 2002: Model Selection and Multimodal Inference: A Practical Information-Theoretic Approach, ^2ⁿᵈ edition, New York: Springer. DOI: dx.doi.org/10.1007/b97636.

Charitonidis Chariton 2022: Context Concreteness for the Second Constituent Slows Down Compound-Word Processing. – Lexis 20. DOI: doi.org/10.4000/lexis.6769.

Straipsniai / Articles

297

CHARITON CHARITONIDIS

Charitonidis Chariton 2024: The Role of Hyponymy and Context Concreteness in Compound Word Processing. – Studia Neophilologica. DOI: doi.org/10.1080/00393274.2024.2336851.

Chen Xiaocong, Dong Yanping, Yu Xiufen 2018: On the Predictive Validity of Various Corpus-Based Frequency Norms in L2 English Lexical Processing. – Behavior Research Methods 50, 1–25. DOI: doi.org/10.3758/s13428-017-1001-8.

Field Andy 2009: Discovering statistics using SPSS, 3^rd edition, London: Sage Publications.

Fisher Ronald A. 1922: On the Mathematical Foundations of Theoretical Statistics. – Philosophical Transactions of the Royal Society of London, Series A 222, 309–368.

Gagné Christina L., Spalding Thomas L., Schmidtke Daniel 2019: LADEC: The Large Database of English Compounds. – Behavior Research Methods 51, 2152–2179. DOI: doi.org/10.3758/s13428-019-01282-6.

Gagné Christina L., Spalding Thomas L., Spicer Patricia, Wong Dixie, Rubio Beatriz, Perez-Cruz Karen 2020: Is Buttercup a Kind of Cup? Hyponymy and Semantic Transparency in Compound Words. – Journal of Memory and Language 113. DOI: doi.org/10.1016/j.jml.2020.104110.

Hastie Trevor, Tibshirani Robert, Friedman Jerome 2009: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2^nd edition, New York: Springer.

Keuleers Emmanuel, Lacey Paula, Rastle Kathleen, Brysbaert Marc 2012: The British Lexicon Project: Lexical Decision Data for 28,730 Monosyllabic and Disyllabic English Words. – Behavior Research Methods 44, 287–304. DOI: doi.org/10.3758/s13428-011-0118-4.

Kullback Solomon 1959: Information Theory and Statistics. New York: Wiley.

Navarro Daniel J., Myung Jay I. 2005: Model Evaluation. – Encyclopedia of Statistics in Behavioral Science, vol. 3, eds. B. S. Everitt, D. C. Howell, Chichester: Wiley, 1239–1242.

Steiger James H. 1980: Tests for Comparing Elements of a Correlation Matrix. – Psychological Bulletin 87(2), 245–251. DOI: doi.org/10.1037/0033-2909.87.2.245.

Wagenmakers Eric-Jan, Farrell Simon 2004: AIC Model Selection Using Akaike Weights. – Psychonomic Bulletin & Review 11(1), 192–196.

298

Acta Linguistica Lithuanica XC

Exploring Scaled AIC within English Closed Compounds

I N T E R N E T D I S C U S S I O N S

Model comparison with AIC based on different sample size. Available at: https://stats.stackexchange.com/questions/94718/model-comparison-with-aic-based-on-different-sample-size [accessed 15.5.2024].

What is the acceptable range of skewness and kurtosis for normal distribution of data? Available at: https://www.researchgate.net/post/What_is_the_acceptable_range_of_skewness_and_kurtosis_for_normal_distribution_of_data [accessed 15.5.2024].

L A R G E L A N G U A G E M O D E L S

GPT-3.5 (available at: https://chat.openai.com/) and Google Gemini (available at: https://gemini.google.com [accessed 11.10.2023]) were selectively used as auxiliary proofreading and editing tools. The responses from both AI tools were further proofread and edited by the author.

Anglų kalbos uždarųjų junginių (sudurtinių žodžių) skalės AIC tyrimas

S A N T R A U K A

Šiame tyrime nagrinėjamos modifikuotos Akaikės informacijos kriterijaus, pavadinto skalės kriterijumi, t. y. AIC, kaip tinkamumo rodiklio, padalinto iš imties dydžio, varianto ypatybės. Tyrimo objektas – 66 daugialypės regresijos modeliai, susiję su uždarųjų (sudurtinių) anglų kalbos žodžių junginių, paimtų iš Gagné'es ir kitų (2019) Anglų kalbos sudurtinių žodžių (junginių) didžiosios duomenų bazės (angl. LADEC), apdorojimu. Toliau pateikiami išsamios analizės rezultatai:

1. Modelių kategorijų modeliai pasižymi nevienareikšmiais rezultatais. Britų kalbos žodyno projekto (angl. BLP) leksinių sprendimų modeliai ir Anglų kalbos žodyno projekto (angl. ELP) įvardijimo modeliai veikia geriau (tai rodo mažesnis AIC), palyginus su Anglų kalbos žodyno projekto (angl. ELP) leksinių sprendimų modeliais.

Straipsniai / Articles

299

CHARITON CHARITONIDIS

2. Laiko šaltinio ir leksikos apdorojimo užduočių atsakymais atskleidžia reikšmingus pagrindinius skalės AIC rezultatus. Britų kalbos žodyno projekto leksinių sprendimų modeliai ir Anglų kalbos žodyno projekto įvardijimo modeliai veikia gerai, o pastarojo projekto leksinių sprendimų modeliai yra mažiau veiksmingi.

3. Įvertinus kontrolinius kintamuosius, tokius kaip junginių dažnumas ir junginių ilgis, matyti, kad modelių rezultatyvumas skiriasi. Junginių dažnumas yra stiprus veiksnys (parodo didesnis produktyvumas), o sudėtinio ilgio modelių prognozės blogesnės.

4. Kalbant apie pirmosios ir antrosios žodžių junginių sudedamųjų dalių, taip pat ir apie junginių semantinį skaidrumą, modeliai nerodo per didelio suderinamumo. Tai parodo, kad semantinis skaidrumas nesumažina modelių galėjimo apibendrinti naujus duomenis.

Įteikta 2024 m. sausio 11 d.

CHARITON CHARITONIDIS

[email protected]

300

Acta Linguistica Lithuanica XC