یادگیری خودنظارتی

تکیه کلمه را می توان از دید الگوریتم های پردازش و فراگیری زبان بررسی کرد، الگوریتم هایی که زبان را به عنوان توالی پیوسته ای از سیگنال صوتی تحلیل می کنند، نه براساس مجموعه ای از کلمات و تکواژهای ازپیش برچسب خورده. این دیدگاه، با در نظر گرفتن ویژگی ها و محدودیت های شناختی نوزادان، ابعاد جدیدی را از پیچیدگی مواجهه با پدیده های زبانی آشکار می سازد. در این مقاله، تکیه کلمه را براساس الگوریتم های واقع گرایانه فراگیری نوزادان از گفتار پیوسته بررسی کرده و به چالش هایی می پردازیم که در رویکردهای سنتی، که تکیه را براساس صورت های واژگانی و برچسب های صرفی و نحوی توصیف می کنند، مطرح نمی شوند. ابتدا به معرفی مدل شناختی پپرکمپ و دوپو برای فراگیری و پردازش تکیه و تمایزات واجی پرداخته و مفروضات آن را در زمینه رده شناسی تکیه مرور می کنیم. سپس، تفاوت های مشاهده پذیری و دسترسی الگوریتم های یادگیری تکیه را در زبان های مختلف با تکیه های پیش بینی پذیر از لحاظ واجی بررسی می کنیم. در این راستا، تفاوت مهم میان پیش بینی پذیر بودن تکیه از لحاظ واجی و صرفی بحث خواهد شد. در ادامه، چالش های خاص زبان فارسی را مورد توجه قرار داده و سؤالات مهمی را برمی شماریم که تکیه این زبان برای الگوریتم های فراگیری تکیه مطرح می سازد. در نهایت، پیشنهادهایی برای پژوهش های آتی ارائه می دهیم، پیشنهادهایی که بر همکاری میان رشته ای، جمع آوری داده های واقع گرایانه مقیاس گسترده، و استفاده از مدل های یادگیری ماشین خودنظارتی تأکید دارند.