Modelos de semántica en humanos y computadoras
Enviado por acabana el Mié, 10/18/2023 - 11:49Día (sugerido) | Hora (sugerida) | Cant. estudiantes | Docentes | Salón | ||
---|---|---|---|---|---|---|
Miércoles | 12:50 a 15:05 | 40 |
|
Se espera que el estudiante logre:
* Comprender los elementos básicos de los modelos inciales de organización de la semántica léxica
* Entender los fundamentos de las representaciones espaciales del significado.
* Conocer los métodos empleados en el área del PLN para representar el significado de las palabras y de expresiones supraléxicas.
* Conocer algunas técnicas experimentales y normativas empleadas en el estudio del léxico.
* Conocer cómo dialogan el estudio de la organización mental del significado de las palabras y los avances en modelos computacionales del lenguaje.
Módulo 1. Representación del significado de la palabras. Diferencial semántico de Osgood. Modelos de Collins, Loftus y Quillian. Normas de asociación libre, de producción de rasgos semánticos. Facilitación semántica, cloze probability. (4 clases + 1 sesión de presentación de artículos)
Módulo 2. Espacios semánticos. Representación vectorial en espacios de alta dimensión. Análisis Semántico Latente y modelos similares. Word embeddings (word2Vec, fastText, GloVE). Modelos de lenguaje basados en redes neuronales: Red recurrente simple de Elman. Transformers: BERT, GPT. (4 clases + 1 sesión de presentación de artículos)
Módulo 3. El problema de platón y la riqueza del estímulo. Facilitación semántica y espacios semánticos. Word embeddings y asociación libre. (4 clases + 1 sesión de presentación de artículos). Correlaciones entre modelos de lenguaje y neuroimagen funcional. (4 clases + 1 sesión de presentación de artículos)
Bibliografía (Se trabajará con versiones traducidas al español de los artículos en inglés)
Cabana, Á., Zugarramurdi, C., Valle-Lisboa, C., & De Deyne, S. (2020). The “Small World of Words” Free Association Norms for Rioplatense Spanish. PsyrXiv.
Caucheteux, C., Gramfort, A., & King, J. R. (2022). Deep language algorithms predict semantic comprehension from brain activity. Scientific reports, 12(1), 1-10.
Landauer, T. K., & Dumais, S. T. (1997). A solution to Plato's problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge. Psychological review, 104(2), 211.
Jurafsky, D., & Martin, J. H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition.
Sahlgren, M. (2006). The Word-Space Model: Using distributional analysis to represent syntagmatic and paradigmatic relations between words in high-dimensional vector spaces (Doctoral dissertation, Institutionen för lingvistik).
De Deyne, S., Navarro, D. J., Perfors, A., Brysbaert, M., & Storms, G. (2019). The “Small World of Words” English word association norms for over 12,000 cue words. Behavior research methods, 51(3), 987-1006.