A Resource-rational Model Of Human Processing Of Recursive Linguistic Structure Μέρος 2

Αυτές οι προσδοκίες μπορούν να μετρηθούν μέσω του χρόνου ανάγνωσης των φυσικών ομιλητών όταν συναντούν το τελικό ρήμα μετά το προηγούμενο πλαίσιο ή παρέχοντας στους φυσικούς ομιλητές το προηγούμενο πλαίσιο και ζητώντας τους να ολοκληρώσουν την πρόταση.

Η μητρική γλώσσα είναι η πρώτη γλώσσα με την οποία όλοι έρχονται σε επαφή και αποκτούν. Δεν είναι μόνο ένα εργαλείο επικοινωνίας, αλλά επηρεάζει και την ικανότητα μνήμης μας. Η μητρική γλώσσα είναι ένα από τα πιο σημαντικά στοιχεία στη γνωστική και αντιληπτική ανάπτυξη του ανθρώπου. Σχετίζεται άμεσα με την ικανότητα εκμάθησης της γλώσσας των ανθρώπων, την ικανότητα έκφρασης και την ικανότητα σκέψης.

Για πολλούς ανθρώπους, η μητρική γλώσσα είναι ένα ισχυρό εργαλείο μνήμης, επειδή η επάρκεια στη μητρική γλώσσα σχετίζεται στενά με την ικανότητα μνήμης. Η μητρική μας γλώσσα διεγείρει τη μνήμη των ανθρώπων επειδή τη χρησιμοποιούμε φυσικά για να επικοινωνούμε με τους ανθρώπους γύρω μας και σε αυτή τη διαδικασία, πρέπει να κατανοήσουμε και να ανταποκριθούμε στις πληροφορίες που περιέχονται στη γλώσσα. Αυτές οι εμπειρίες συσσωρεύονται στον εγκέφαλό μας και βελτιώνουν τα επίπεδα μνήμης μας.

Αυτό μπορεί να φανεί όταν τα παιδιά αρχίζουν να μαθαίνουν τη μητρική τους γλώσσα, επειδή η ικανότητά τους να απορροφούν νέες γλωσσικές γνώσεις είναι απεριόριστη. Η επίδραση της εκμάθησης της γλώσσας στους ενήλικες δεν είναι τόσο εμφανής όσο στα παιδιά, επειδή ο εγκέφαλος έχει ήδη περάσει από πάρα πολλά στάδια ανάπτυξης.

Επιπλέον, η μητρική μας γλώσσα συμβάλλει και στη συναισθηματική μας μνήμη. Όπως τα εσωτερικά μας όργανα, έτσι και ο εγκέφαλός μας μπορεί να αποτυπώσει αναμνήσεις βαθιά μέσα μας. Η μητρική μας γλώσσα μπορεί να διεγείρει τα συναισθήματά μας, να σχηματίσει ένα αρχικό συναισθηματικό πλαίσιο και στη συνέχεια να δημιουργήσει εμβληματικά συναισθήματα και αναμνήσεις στη μνήμη μας.

Με λίγα λόγια, η σχέση μεταξύ μητρικής γλώσσας και μνήμης είναι πολύ σημαντική. Εάν θέλετε να βελτιώσετε τη μνήμη σας, μπορεί να θέλετε να μάθετε περισσότερες μητρικές γλώσσες και να τις χρησιμοποιείτε με επιδεξιότητα, κάτι που θα βελτιώσει σημαντικά την ικανότητα μνήμης σας. Ταυτόχρονα, η μητρική γλώσσα είναι επίσης σημαντική πολιτιστική κληρονομιά. Μας επιτρέπει να κατανοήσουμε και να εκφράσουμε καλύτερα τα πολιτισμικά μας χαρακτηριστικά και τον εθνικό μας χαρακτήρα. Είναι ο σημαντικός μας πλούτος και ένας σημαντικός τρόπος για να κληρονομήσουμε την πολιτιστική μας ιστορία. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola μπορεί επίσης να ρυθμίσει την ισορροπία των νευροδιαβιβαστών, όπως η αύξηση των επιπέδων ακετυλοχολίνης και αυξητικών παραγόντων. Αυτές οι ουσίες είναι πολύ σημαντικές για τη μνήμη και τη μάθηση. Επιπλέον, το κρέας μπορεί επίσης να βελτιώσει τη ροή του αίματος και να προωθήσει την παροχή οξυγόνου, η οποία μπορεί να εξασφαλίσει ότι ο εγκέφαλος λαμβάνει επαρκή θρεπτικά συστατικά και ενέργεια, βελτιώνοντας έτσι τη ζωτικότητα και την αντοχή του εγκεφάλου.

Κάντε κλικ στο Μάθετε τρόπους για να βελτιώσετε τη λειτουργία του εγκεφάλου

Χρησιμοποιούμε και τα δύο για να δοκιμάσουμε τη θεωρία μας. Πρώτον, δείχνουμε ότι μια κλιμακούμενη εφαρμογή του μοντέλου μας αντλεί πράγματι τις προβλέψεις που περιγράφονται διαισθητικά παραπάνω. Στη συνέχεια, σε δύο πειράματα χρόνου ανάγνωσης, μεταβάλλουμε συστηματικά την a priori πιθανότητα του truecontext σε σχέση με δομικά διαφορετικές παραλλαγές. Διαπιστώνουμε ότι όταν το προηγούμενο ευνοεί τις μη επαληθευμένες παραλλαγές, οι άνθρωποι αντιμετωπίζουν αυξημένη δυσκολία στην επεξεργασία του τελικού ρήματος.

Αυτή η αντίθεση είναι μια πρόβλεψη υπογραφής του προτεινόμενου ενοποιητικού μοντέλου μας και δεν προκύπτει από υπάρχοντα μοντέλα είτε από τα πρότυπα που βασίζονται στην προσδοκία είτε από τα παραδείγματα που βασίζονται στη μνήμη.

Τέλος, σε μια μελέτη παραγωγής σε τρεις γλώσσες (Αγγλικά, Γερμανικά και Ισπανικά), στη συνέχεια δείχνουμε ανάλογο μοτίβο στην παραγωγή, όπου οι άνθρωποι είναι πιο πιθανό να παράγουν τον σωστό αριθμό ρημάτων όταν δομικά διαφορετικές παραλλαγές έχουν μικρότερη a priori πιθανότητα.

Επισημοποίηση και Υλοποίηση
Περιγράφουμε το προτεινόμενο μοντέλο, resource-rational lossy-contextsurprisal, στο Σχ. 2. Το μοντέλο υπολογίζει μια πιθανότητα διατήρησης (28, 29) για κάθε λέξη στο παρελθόν, που καθορίζεται από 1) την ταυτότητα της λέξης και 2) πόσες λέξεις έχουν παρατηρήθηκε μετά την παρατήρησή του.

Στη συνέχεια, η συνολική αναπαράσταση μνήμης c αποτελείται από τις διαθέσιμες λέξεις και ένα σύμβολο κράτησης θέσης για εκείνες τις λέξεις που δεν έχουν διατηρηθεί.

Μέσω του κανόνα του Bayes και της γνώσης των a priori στατιστικών της γλώσσας, το c δημιουργεί ένα posteriorP(c|c) σε πιθανά πλαίσια και επομένως μια προγνωστική κατανομήP(w|c) στην επόμενη λέξη. Η δυσκολία επεξεργασίας μιας λέξης καθορίζεται από τον βαθμό απρόβλεπτης από το c, όπως μετράται από τη θεωρητική πληροφορία της έκπληξης,

−log P(w|c)=−logcP(w|c)P(c|c). [1]

Αντιπροσωπεύουμε τα a priori στατιστικά της αγγλικής γλώσσας χρησιμοποιώντας το GPT-2(30), ένα μοντέλο νευρωνικών δικτύων μεγάλης κλίμακας που παρέχει ένα από τα ισχυρότερα υπάρχοντα στατιστικά μοντέλα αγγλικού κειμένου.

Οι πιθανότητες διατήρησης παραμετροποιούνται χρησιμοποιώντας ένα νευρωνικό δίκτυο που ενεργεί σε ανεξάρτητη από το πλαίσιο διανυσματική αναπαράσταση της λέξης και της απόστασής της. Βελτιστοποιούμε τις πιθανότητες διατήρησης για να ελαχιστοποιήσουμε τη μέση έκπληξη του μοντέλου [1] σε δεδομένα κειμένου μεγάλης κλίμακας, με την επιφύλαξη του άνω φράγματος στον μέσο αριθμό διατηρούμενων λέξεων περιβάλλοντος.

Προσαρμόσαμε το μοντέλο για ακέραιες τιμές αυτού του ορίου από 0 στο 20.

Η βελτιστοποίηση χρησιμοποιεί δεδομένα κειμένου από την Αγγλική Βικιπαίδεια, που δεν σχετίζονται με ερεθίσματα ενδιαφέροντος ενσωματώσεων στο κέντρο (βλ. Υλικά και Μέθοδοι).

Οι βελτιστοποιημένες πιθανότητες διατήρησης εμφανίζουν ευδιάκριτα δύο βασικές ιδιότητες: Οι λέξεις είναι πιο πιθανό να διατηρηθούν όταν είναι πρόσφατες και όταν έχουν χαμηλότερη συχνότητα λέξεων (Παράρτημα SI, Εικ. S2). Και οι δύο προκαταλήψεις είναι καλά τεκμηριωμένες σε πειραματική έρευνα για την ανθρώπινη γλωσσική μνήμη (31-33).

Προβλέψεις

Χρησιμοποιήσαμε έκπληξη με λογικό απώλειες-πλαίσιο πόρων για να εξαγάγουμε τρεις προβλέψεις σχετικά με την επεξεργασία ένθετων αναδρομικών δομών (Εικ. 1 B και C). Πρώτον, η ανάκτηση από περισσότερα επίπεδα ενσωμάτωσης θα πρέπει να είναι πιο δύσκολη (μπλε έναντι πράσινων γραμμών στην Εικ. 1C).

Αυτή η απλή πρόβλεψη είναι κοινή στα περισσότερα μοντέλα μνήμης στην κατανόηση προτάσεων, που χρονολογείται από τη δεκαετία του 1960 (2, 4, 7, 24). Το μοντέλο μας το προβλέπει γενικά επειδή περισσότερα επίπεδα ενσωμάτωσης είναι λιγότερο πιθανά a priori, επομένως οι μη επαληθευμένες παραλλαγές με λιγότερα επίπεδα τείνουν να έχουν υψηλότερη a priori πιθανότητα.

Δεύτερον, η ανάκτηση θα πρέπει να είναι ευκολότερη όταν τα σημασιολογικά στοιχεία ενισχύουν τη σωστή δομή εξάρτησης για το προηγούμενο πλαίσιο ενσωμάτωσης. Δοκιμάσαμε αυτήν την πρόβλεψη χειραγωγώντας εάν το ρήμα από το δεύτερο έως το τελευταίο ήταν συμβατό τόσο με το πρώτο όσο και με το δεύτερο ουσιαστικό ως θέμα, όπως στο Σχ. 1Β, στοιχείο 1 (αναφορά ... ενοχλημένος και γιατρός ... ενοχλημένος είναι και τα δύο εύλογα), ή μόνο με το δεύτερο ουσιαστικό, όπως στο Σχ. 1Β, στοιχείο 2 (αναφορά .

Όταν αυτό το ρήμα είναι ασυμβίβαστο με το πρώτο ουσιαστικό ως υποκείμενό του, δεν ευνοεί τις μη επαληθευμένες αναπαραστάσεις του πλαισίου όπως "η αναφορά από τον γιατρό θεράπευσε τον ασθενή..." και έτσι ενισχύει το αληθές πλαίσιο.

Επομένως, η αλλαγή του ρήματος "ενοχλημένος" σε "θεραπεύτηκε" θα πρέπει να μειώσει την προσπάθεια επεξεργασίας στο τελικό ρήμα.

Η πρώιμη εργασία για την ενσωμάτωση στο κέντρο έχει ήδη επισημάνει ότι η σημασιολογική αντιστοίχιση μεταξύ ουσιαστικών και ρημάτων έκανε την κατανόηση ευκολότερη (25, 26, 34), αλλά, από όσο γνωρίζουμε, αυτό το αποτέλεσμα δεν έχει αποδειχθεί σε χρόνους ανάγνωσης λέξη προς λέξη. Ενώ ένα τέτοιο αποτέλεσμα μπορεί να είναι συμβατό με ορισμένες θεωρίες που βασίζονται στη μνήμη (7, 35), δεν προκύπτει σε υπάρχοντα υπολογιστικά ρητά μοντέλα (7).

Τρίτον, η ανάκτηση θα πρέπει να είναι ευκολότερη όταν τα ουσιαστικά παρέχουν υποστηρικτικά στατιστικά στοιχεία (Εικ. 1Β, στοιχείο 3). Τα ουσιαστικά ποικίλλουν έντονα κατά την a priori πιθανότητα να ακολουθούνται από μια ρήτρα "αυτό"· αυτή η πιθανότητα κυμαίνεται από ≈70% ("γεγονός") έως ≈0,7% ("αναφορά").

Χρησιμοποιούμε τον όρο "ενσωμάτωση μεροληψίας" για να δηλώσουμε την πιθανότητα καταγραφής ότι ένα ουσιαστικό ακολουθείται από "αυτό". Στο Σχ. 1Β, στοιχείο 3, η αλλαγή του ουσιαστικού "αναφορά" σε "γεγονός" μειώνει την πιθανότητα των μη επαληθευμένων παραλλαγών, η οποία και πάλι προβλέπεται να μειώσει την προσπάθεια επεξεργασίας στο τελικό ρήμα.

Στις ΔΥΟ και ΤΡΕΙΣ συνθήκες, το τρίτο ρήμα θα πρέπει να προβλεφθεί με μεγαλύτερη ακρίβεια κατά την ενσωμάτωση της μεροληψίας ishigier, καθώς αυξάνει την a priori πιθανότητα του αληθινού περιβάλλοντος (φθίνουσες μπλε και πράσινες γραμμές στην Εικ. 1C).

Αυτή η πρόβλεψη δεν προκύπτει από υπάρχοντα μοντέλα, αλλά είναι μια απλή συνέπεια του μοντέλου μας. Στη συνθήκη ONE, αναμένουμε το αντίθετο μοτίβο (αύξουσα κόκκινη γραμμή στο Σχ. 1C), καθώς τα ουσιαστικά που ενσωματώνουν μια πρόταση με πολύ υψηλή πιθανότητα είναι λιγότερο πιθανό να ακολουθούνται αμέσως από ένα ρήμα.

Το προκύπτον μοτίβο δυσκολίας είναι πολύ διαφορετικό από αυτό που προβλέπεται από τα υπάρχοντα μοντέλα που βασίζονται στη μνήμη και τις προσδοκίες (Εικ. 1D και Παράρτημα SI, ενότητα S7.1).

Δίνουμε παράδειγμα χρησιμοποιώντας τη θεωρία τοπικότητας εξάρτησης (DLT) (36), η οποία υποστηρίζει ότι η δυσκολία προέρχεται από την ενσωμάτωση μεγάλων συντακτικών εξαρτήσεων και τη θεωρία έκπληξης (9, 10), η οποία υποστηρίζει ότι η προσπάθεια επεξεργασίας είναι ανάλογη με την έκπληξη που προέρχεται από πλήρως επαληθευμένες αναπαραστάσεις πλαισίου.

Η επίδραση του αριθμού των επιπέδων ενσωμάτωσης και η συμπεριφορά της συνθήκης ONE προβλέπονται από τις υπάρχουσες θεωρίες που βασίζονται στη μνήμη και τις προσδοκίες, αντίστοιχα.

Ωστόσο, καμία ομάδα προηγούμενων μοντέλων δεν προβλέπει τα αποτελέσματα της σημασιολογικής συμβατότητας ή της ενσωμάτωσης μεροληψίας στις TWO και ΤΡΕΙΣ συνθήκες. Δείτε το Παράρτημα SI, ενότητα S7 για περισσότερα σχετικά με τα προηγούμενα μοντέλα.

Πείραμα 1: Επίδραση στατιστικών συνθηκών

Δοκιμάσαμε την έκπληξη με λογικό απώλειες πόρων συγκρίνοντας το μοντέλο έκπληξης (Εξ. 1) με τη δυσκολία ανθρώπινης επεξεργασίας στο τελικό ρήμα, όπως αντικατοπτρίζεται στους χρόνους ανάγνωσης.

Κατασκευάσαμε 32 ερεθίσματα της μορφής στο Σχ. 1Α, κάθε μία από τρεις συνθήκες (ΜΙΑ, ΔΥΟ και ΤΡΕΙΣ), και διασταυρώσαμε αυτά με 58 διαφορετικά ουσιαστικά που ποικίλλουν ως προς την ενσωμάτωση μεροληψίας (π.χ., αναφορά, γεγονός, ... ).

Αρχικά αντλήσαμε προβλέψεις για τη θεωρία της έκπληξης και DLT για δυσκολία στο τελικό ρήμα (Εικ. 3Α). εφαρμόσαμε τη θεωρία της έκπληξης χρησιμοποιώντας το ίδιο στατιστικό μοντέλο που χρησιμοποιήθηκε για το προηγούμενο στο μοντέλο μας (GPT-2). Στη συνέχεια, υπολογίσαμε εκπληκτικά το ορθολογικό πλαίσιο πόρων, μεταβάλλοντας τον μέσο αριθμό λέξεων περιβάλλοντος που διατηρήθηκαν κατά τη βελτιστοποίηση των πιθανοτήτων διατήρησης από 0 σε 20.

Σε όλο το εύρος αυτής της παραμέτρου, το μοντέλο διασχίζει τρεις διακριτές φάσεις (Παράρτημα SI, Εικ. S4): Όταν διατηρούνται πολλές (17) λέξεις, η συμπεριφορά είναι πολύ παρόμοια με τη θεωρία έκπληξης.

Κάθε φορά που διατηρούνται λίγες (4) λέξεις, η έκπληξη του μοντέλου είναι ασαφής στα ΔΥΟ και ΤΡΙΑ.

Ενδιάμεσα, το μοντέλο παρουσιάζει τις ποιοτικές προβλέψεις που περιγράφονται παραπάνω. δείχνουμε αποτελέσματα για ένα μέσο ποσοστό διατήρησης 10 λέξεων στο Σχ. 3Α (βλ. Παράρτημα SI, Εικ. S4 για αποτελέσματα σε άλλους ρυθμούς διατήρησης): Η έκπληξη του μοντέλου είναι υψηλότερη στις ΤΡΕΙΣ συνθήκες από ό,τι σε ΔΥΟ, αυξάνεται με την ενσωμάτωση της συνθήκης ΜΙΑ και μειώνεται με ενσωμάτωση μεροληψίας στις ΔΥΟ και ΤΡΕΙΣ συνθήκες.

Συγκρίναμε αυτές τις προβλέψεις με τους χρόνους ανθρώπινης ανάγνωσης, τους οποίους μετρήσαμε χρησιμοποιώντας το παράδειγμα του λαβύρινθου (37-39). Σε αυτό το παράδειγμα, οι συμμετέχοντες διαβάζουν προτάσεις λέξη προς λέξη και επιλέγουν μεταξύ της σωστής επόμενης λέξης και μιας λέξης που αποσπά την προσοχή που αντιστοιχεί σε μήκος και συχνότητα, αλλά είναι πολύ κακή στο δεδομένο πλαίσιο.

Η εξαρτημένη μεταβλητή ενδιαφέροντος είναι ο χρόνος που χρειάζεται για να γίνει μια επιλογή (χρόνος αντίδρασης). Το παράδειγμα του λαβύρινθου επιτρέπει υψηλότερη χρονική ανάλυση και ευαισθησία από το παραδοσιακό παράδειγμα ανάγνωσης με αυτόματο ρυθμό, το οποίο πάσχει από κακή εντόπιση λόγω επιδράσεων διάχυσης και από θόρυβο λόγω απρόσεκτων συμμετεχόντων, ιδίως σε πειράματα που βασίζονται στο διαδίκτυο (38, 39).

Υπάρχουν διαφορετικές μέθοδοι για τη δημιουργία λέξεων που αποσπούν την προσοχή. χρησιμοποιούμε την παραλλαγή A-λαβύρινθος στην οποία οι διασπαστές δημιουργούνται αυτόματα χρησιμοποιώντας στατιστικά γλωσσικά μοντέλα μεγάλης κλίμακας (39) (βλ. Υλικά και Μέθοδοι για λεπτομέρειες).

Επιστρατεύσαμε 100 φυσικούς ομιλητές της αγγλικής γλώσσας, συλλέγοντας δεδομένα από 10 κρίσιμες δοκιμές για κάθε συμμετέχοντα, διασκορπισμένα με 30 υλικά πλήρωσης (βλ. Υλικά και Μέθοδοι για λεπτομέρειες).

Ο διάμεσος συμμετέχων έκανε λάθος στο 1,9% των λέξεων τόσο σε πληρωτικά όσο και σε κρίσιμες δοκιμές. Το προκαθορισμένο κριτήριο αποκλεισμού για τους συμμετέχοντες (λανθασμένη απάντηση σε μεγαλύτερο ή ίσο με 20% των λέξεων) επηρέασε το 1,0% των συμμετεχόντων.

Εξαιρέσαμε δοκιμές από αναλύσεις χρόνου ανάγνωσης όταν η απάντηση στην κριτική λέξη ήταν λανθασμένη· αυτό επηρέασε το 5,2% των δεδομένων (κυρίως στις δύσκολες ΤΡΕΙΣ συνθήκες). Δείτε το Παράρτημα SI, ενότητα S3.6 για αναλύσεις σφαλμάτων και χρόνους ανάγνωσης που εξαρτώνται από σφάλματα.

Δείχνουμε χρόνους ανάγνωσης στο τελευταίο ρήμα στο Σχ. 3Α. Τα αναλύσαμε, μετά από μετασχηματισμό λογαριθμικού, σε μια γραμμική παλινδρόμηση μικτών επιδράσεων Bayes, εισάγοντας συμμετέχοντες, στοιχεία και ουσιαστικά ως τυχαία εφέ (βλ. Υλικά και Μέθοδοι για λεπτομέρειες).

Τα αποτελέσματα παρουσιάζουν τα αποτελέσματα που προβλέπονται από το λογικό μοντέλο πόρων. Πρώτον, οι χρόνοι ανάγνωσης ήταν υψηλότεροι σε ΤΡΙΑ παρά σε ΔΥΟ (=0.18,95% αξιόπιστο διάστημα [CrI] [0.13, 0.25], P( < {{ 8}}) < 0.0{{20}}01,επίδραση σε μη επεξεργασμένους χρόνους ανάγνωσης: 217 ms, 95% CrI [144, 297] ms) }.0015).

Σε συμφωνία τόσο με το μοντέλο μας όσο και με τη θεωρία έκπληξης, το αποτέλεσμα της ενσωμάτωσης μεροληψίας ήταν θετικό στη συνθήκη theONE (διαφορά μεταξύ "γεγονότος" και "αναφοράς": 297 ms, 95% CrI [34, 566] ms).

Ωστόσο, όπως προβλέφθηκε από το μοντέλο μας, αυτό το φαινόμενο έγινε αρνητικό παρουσία μιας ρήτρας "αυτό" (διαφορά μεταξύ "γεγονότος" και "αναφοράς": −166 ms, 95% CrI [−297, −41]ms). Αυτό το φαινόμενο συμφωνεί με τις προβλέψεις του μοντέλου και δεν συνάδει με το DLT ή τη θεωρία έκπληξης.

Μια αλληλεπίδραση μεταξύ του βάθους ενσωμάτωσης και της μεροληψίας ενσωμάτωσης μπορεί να αποδειχθεί κατά τη συγκέντρωση δεδομένων σε πειράματα (Παράρτημα SI, ενότητες S2.1 και S6.6). Δείτε το Παράρτημα SI, ενότητα S3 για περαιτέρω αναλύσεις.

Βρήκαμε ότι το αιφνίδιο περιβάλλον με απώλειες πόρων βελτιώνεται σε σχέση με τη θεωρία έκπληξης και το DLT στην πρόβλεψη των χρόνων ανάγνωσης όχι μόνο στις κεντρικές ενσωματώσεις αλλά και στις δοκιμές πλήρωσης (Παράρτημα SI, ενότητα S9).

Εξετάσαμε επίσης προβλέψεις για ένα ομοιόμορφο μοντέλο μνήμης όπου κάθε λέξη περιβάλλοντος διατηρείται με ίση πιθανότητα, όπως υποτέθηκε σε προηγούμενη εργασία για την έκπληξη με απώλειες περιβάλλοντος (22). Αυτό το μοντέλο προβλέπει τα αποτελέσματα της ενσωμάτωσης μεροληψίας αλλά όχι την επίδραση του βάθους.

Το συγκρίναμε περαιτέρω με ένα μοντέλο που βασίζεται σε παράθυρο όπου ακριβώς οι τελευταίες K λέξεις είναι διαθέσιμες. Αυτό το μοντέλο προβλέπει την επίδραση του βάθους αλλά όχι την αρνητική επίδραση της ενσωμάτωσης μεροληψίας. Δείτε το Παράρτημα SI, ενότητα S2.2 για λεπτομέρειες.

For more information:1950477648nn@gmail.com