机构名称：
¥ 1.0
2018; Saffran等。，1996）。以前的研究044表明，语言模型可以有效地模拟语言获取方面的方面，例如音素分类（Lavechin 047等人。，2023），单词获取预测（Chang 048和Bergen，2022）和语法发展049（Evanson等人。，2023; Lavechin等。，2023; Pan-050 Nitto和Herbelot，2020）。然而，这些研究051主要集中于定性分析-052 SES，通常缺乏与Real-053 World人类数据的详细比较。054对于对语言获取的模拟的更定量方法，我们建议在两个方面符合056的学习环境和057的结果度量。首先，尽管058的社会经济因素和文化环境有所不同（Hart 059等人，1997; Cristia等。，2019年），目前的估计060表明，美国英语学习的儿童061每年收到300至1,000小时的演讲时间062输入，到三岁时总计3000万个单词063。与现代Lan-064的Guage模型相反，经过数万亿个单词的训练（Hart 065等人，1997; Cristia等。，2019年），我们在发育合理的输入上训练mod-066 EL，与067的数量匹配，与儿童暴露于068的输入相匹配。第二，语言mod-069 EL的评估方法应与可用表格070人类数据集一致。，2007年）。，2017年）或Grammat- 078 ICal可接受性判断（Warstadt等人目前，人类行为数据071主要源自儿童的言语生产-072（例如，Childes）或父母报告（Com-073 Muninicative Developting Contingries，此后Hu-074 Man CDI）（MacWhinney and Snow，1985年； Fenson 075等； Fenson 075等。相比之下，语言模型评估 - 076通常涉及零射击探测任务，例如077 Sote-the-the-the-the-word（Le Godais等人。，2019年），079，尽管受到心理语言甲基元素的启发，但与生产-081的人类数据本质上不同，并且通常依赖于仔细的082设计的探测集。083要解决这些问题，我们介绍了机器-084
表达词汇的分析
主要关键词
相关文件推荐
