De invloed van de frequentie van zware lettergrepen op de leerbaarheid in domeinalgemene leerders van bepaalde kwantiteitssensitieve klemtoonsystemen

Abstract

De Expectation Driven Parameter Learner (EDPL) is een leerder van klemtoonsystemen die in 96% van de gevallen succesvol convergeert. Deze klemtoonsystemen worden geformaliseerd in het Chomskiaanse P&P-model en worden daarmee gerepresenteerd als parameters. De systemen die niet geleerd werden, zgn. ‘problematische talen’, hebben bepaalde parametrieke eigenschappen die verband houden met zware lettergrepen. In dit onderzoek onderzoek ik de invloed van de frequentie van zware lettergrepen op de leerbaarheid van die problematische talen. Dat doe ik door EDPL voor deze talen te laten runnen op datasets die variëren in lettergreepdistributie. Daaruit blijkt dat de talen niet meer problematisch zijn voor datasets waarin zware lettergrepen frequenter voorkomen; sterker nog: ze convergeren sneller op deze datasets dan talen zonder de oorspronkelijk problematische, parametrieke eigenschappen. Laatstgenoemde groep convergeert sneller op de datasets die geen hogere frequentie aan zware lettergrepen hebben.