本文提出了一个新的工具包,用于评估思维理论(TOM),通过一阶和二阶错误信念(FB)任务。该工具包包括一阶和二阶FB任务的口头和非语言版本;口头版本目前可提供希腊语和德语。工具包中的方案对于可能影响性能的因素是平衡的,例如FB的原因(欺骗,位置变更,意外内容)。为了验证我们的工具包,我们在两项研究中测试了神经型成年人在非语言和言语版本中的表现:研究1,有50名母语的德语和研究2,有50位母语的希腊语者。两项研究的数据产生相似的结果。参与者在所有条件下表现良好,在第二阶FB条件下,在第二阶情况下表现出的困难略多,而在非语言中比言语版本的任务版本要多。这表明该任务是神经型成年人敏感范围的高端,预计在汤姆(Tom)中有困难的儿童和人群的敏感范围内。诸如视频范围内的欺骗和结果类型之类的因素并没有影响神经型成年人的行为,这表明该任务与这些因素没有任何混淆。言语和非语言版本的表现顺序对性能有影响。从口头版本开始的参与者比从非语言版本开始的参与者略好。这表明神经型成年人在执行非语言TOM任务时使用语言介导TOM表现并从语言介导的任务中学习。得出结论,我们的结果表明,工具包中的场景具有可比的困难,可以自由地组合以将未来研究的需求与神经典型的儿童和自闭症患者以及其他人群以及已被证明在汤姆(Tom)中有很强的人群相匹配。
在小学提交申请之前,本来会告诉父母将ASL/FL作为MTL-IN-LIEU的含义。含义如下: - 由于MOE未提供指导,因此要求学生在小学,中学和大学级别上私下学习ASL/FL。- 学生必须提供文档(例如对学校的明显作业,结果单,付款收据),以表明他们正在定期学习ASL/FL。- 要求学生在GCE O级别上进行ASL/FL论文,并在GCE A级别(H1)考试中进行阿拉伯语或FL论文。- 学生必须通过获得入学的最低ASL/FL等级来满足MTL的要求,以进入初级学院或集中学院(GCE O水平的D7或更高),或当地的公开资助的本科课程(GCE A级H1级的S级或更高)。
近年来,电子游戏在全球媒体行业的快速发展促进了游戏研究的发展,这是一门跨学科领域,不仅关注电子游戏的心理教育价值和文化含义,还关注其交流形式与视觉语言之间的关系(Pecchinenda,2010)。这表明电子游戏不仅是一种社会现象,也是重新定义我们与视觉叙事关系的交汇点(Wolf & Perron,2003)。视觉文化学者认为,每种媒介都借鉴了其前身的某些特征,身份属性不同。与其他视觉叙事一样,即使在电子游戏中,故事也是通过图像讲述的,这使得包含所有对故事有用的元素的空间表现发挥了核心作用(Zoran,1984)。然而,视频游戏具有一个独特的特点:它是第一个将视觉活力与积极参与角色相结合的媒介(Greenfield,1984)。如果在其他媒介中,观众从外部观察角色的行为,那么视频游戏中的互动会打破这种机制。玩家是故事的中心,他通过自己的行动来完成故事(Ad ams,2002)。从“旁观者”的位置转变为互动者的位置,也意味着与空间的新关系。操纵屏幕上的图像意味着对空间采取行动;这使得视频游戏成为“最接近故事基本体验的媒介”(Grodal,2000,第 197 页)。因此,传统叙事被 Cubitt(2001)所说的“后叙事空间化”所取代,这表明空间不再是传统叙事结构的视觉延伸,而成为组织故事的一种方式。空间构成了游戏研究人员普遍接受的唯一类别,这并非偶然。事实上,根据 Aarseth (2007) 的说法,“游戏庆祝并探索空间表现作为其核心主题和存在理由”(第 44 页)。Jenkins (2003) 认为,游戏设计师不会告诉
(未经同行评审认证)是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2022 年 9 月 29 日发布。;https://doi.org/10.1101/2022.09.29.509744 doi:bioRxiv preprint
Symons和Samantha Smrekar Thompson此手稿是在18个月(2021-2022)中准备的,其中涉及对已发表的研究证据的广泛综述。审查的目的是为父母,老师和言语病理学家提供有关DLD文献的摘要。每个部分的参考已被删除,以便于阅读和消费。可以根据Carl Parsons博士(carl.parsons@shine.org.au)的要求获得参考。该文档的准备是由阳光基金会和Shine的Andrew Dean Fildes Foundation(Shine Programs)赠款资助的。在Shine网站上,该文档的缩短版本是DLD的Fact Sheet的“标题”。这些事实表仅提供每个区域的摘要。省略了解释性文本。原始文档也位于Shine网站上www.shine.org.au
人类交流越来越多地与人工智能生成的语言混合在一起。在聊天、电子邮件和社交媒体中,人工智能系统可以生成智能回复、自动完成和翻译。人工智能生成的语言通常不会被识别为人类语言,而是冒充人类语言,这引发了人们对新型欺骗和操纵形式的担忧。在这里,我们研究人类如何辨别最个人化和最重要的语言形式之一——自我呈现——是否由人工智能生成。在六项实验中,参与者(N = 4,600)试图检测由最先进的语言模型生成的自我呈现。在专业、酒店和约会环境中,我们发现人类无法检测人工智能生成的自我呈现。我们的研究结果表明,人类对人工智能生成语言的判断受到直觉但有缺陷的启发式方法的限制,例如将第一人称代词、自发措辞或家庭话题与人性联系起来。我们证明这些启发式方法使人类对生成语言的判断变得可预测和可操纵,从而使人工智能系统能够生成被认为比人类更人性化的语言。我们讨论了诸如 AI 口音之类的解决方案,以减少生成语言的欺骗潜力,限制对人类直觉的颠覆。
大脑是如何产生语言的?尽管人们普遍认为语言是通过大脑分子、神经元和突触的活动产生的,但过去几十年来,在寻找语言的神经基础方面进展极其缓慢,即导致语言产生和理解的精确生物学结构和过程,请参阅 Friederici (2017) 对语言器官理论的一个主要方向的出色概述。在这个方向的最新进展中,一个英语解析器被实现在被称为汇编演算 (AC) (Papadimitriou 等人,2020) 的计算系统中 (Mitropolsky 等人,2021),这是一个用于实现认知功能的生物学上合理的计算框架。 AC 的基本数据结构是神经元的集合,一大组神经元代表一个想法、物体、情节、单词等。第 2.1 节给出了 AC 及其类似大脑的执行环境的简要描述。
对灰度图像进行着色本质上是一个具有多模态不确定性的病态问题。基于语言的着色提供了一种自然的交互方式,即通过用户提供的标题来减少这种不确定性。然而,颜色-物体耦合和不匹配问题使得从单词到颜色的映射变得困难。在本文中,我们提出了一种使用颜色-物体解耦条件的基于语言的着色网络 L-CoDe。引入了物体-颜色对应矩阵预测器 (OCCM) 和新颖的注意力转移模块 (ATM) 来解决颜色-物体耦合问题。为了处理导致颜色-物体对应不正确的颜色-物体不匹配问题,我们采用了软门控注入模块 (SIM)。我们进一步提出了一个包含带注释的颜色-物体对的新数据集,以提供用于解决耦合问题的监督信号。实验结果表明,我们的方法优于基于标题的最先进的方法。
抽象家庭是维持土著语言的理想平台,父母是向孩子推广它的核心特征。许多先前的研究集中在Acehnes年轻一代对Acehnese的偏低使用上。他们对语言的看法最初与父母对语言的态度有关,因为父母的态度决定了孩子对这种语言的看法。因此,本研究的目的是通过评估居住在城市地区的阿塞恩(Acehnese)的阿塞恩(Acehnese)父母的语言态度来填补差距,并寻求他们将语言传递给后代的努力。通过考虑一些标准以满足这项研究的需要,从班达·亚齐(Banda Aceh)的三个不同地区的55名受访者故意选择。通过分发问卷收集数据并使用描述性定量模型进行分析;五点李克特量表,加权平均得分,平均综合分数以及根据其标准提出结果的得分间隔。结果表明,Acehnese父母的语言态度是良好的标准(4.2);他们尊重,尊重并为将语言作为其身份而感到自豪。此外,他们还通过与配偶,子女和其他Acehnese社区成员互动时说话来维持和继承语言。尽管住在城市地区,但以多种方式向孩子推广语言。