/LING
|
Update: February 24, 2023 The new version of Termout.org is now online, so this web site is now obsolete and will soon be dismantled. |
Lista de candidatos sometidos a examen:
1) detection (*)
(*) Términos presentes en el nuestro glosario de lingüística
1) Candidate: detection
Is in goldstandard
1
paper corpusSignosTxtLongLines354 - : Resumen: Se presenta un estudio con estudiantes universitarios españoles con dominios básico, intermedio y avanzado de inglés como lengua extranjera. El objetivo fue estudiar la efectividad en el Control de la Comprensión (CC) en inglés, comparado con el que se tiene en español, y explicar los resultados a partir del modelo de comprensión de textos desarrollado por Kintsch y otros colegas. Nuestro foco de atención fue la representación semántica, diferenciando el CC a nivel micro y macroestructural. Se midió el CC al leer textos asumiendo el Error Detection Paradigm: se insertaron inconsistencias micro y macroestructurales en los textos y se pidió a los estudiantes juzgar su comprensibilidad usando un código para distinguir entre ‘palabras desconocidas’, ‘ideas de significado absurdo’ e ‘ideas incoherentes o incompatibles con otras del texto’ . Se utilizaron textos de ciencias, tres en inglés y otros tres en español para aumentar la fiabilidad. Las predicciones fueron: a) en
2
paper corpusSignosTxtLongLines354 - : Abstract: We present a study with Spanish university students with elementary, intermediate and advanced English proficiency levels. We aimed at analyzing the comprehension monitoring (CM) effectiveness in English, compared to the one in Spanish, and explaining the results using the model for text comprehension developed by Kintsch and colleagues. Our focus was the Semantic mental representation, differentiating CM at micro and macro-structural levels. Micro and macro-structural CM was measured assuming the ‘Error Detection Paradigm’: inconsistencies were embedded in the texts and students were asked to assess the comprehensibility of them using a key-code to distinguish ‘unknown words’, ‘absurd ideas’ and ‘inconsistent or contradictory ideas’ . We used science texts, three in English and three in Spanish to improve reliability. Predictions were: a) in English, participants would exhibit lower efficacy in their CM than in Spanish; b) subjects with elementary English proficiency would show
3
paper corpusSignosTxtLongLines354 - : la categorización y análisis cualitativos posteriores de las alocuciones de los sujetos. La otra metodología usada con mucha frecuencia es el Error Detection Paradigm (Winograd & Johnston, 1982), basada en la inserción de inconsistencias en los textos para analizar si los estudiantes las detectan o no . Estos estudios permiten análisis cuantitativos de las acciones de los sujetos, es decir, de la habilidad de los sujetos de detectar el error y corregirlo.
4
paper corpusSignosTxtLongLines354 - : Cuando se utiliza el Error Detection Paradigm para valorar el CC, significa detectar las inconsistencias de un texto, es decir, detectar que dos proposiciones textuales son mutuamente excluyentes y que no pueden ser ciertas a la vez . Para eso, ambas proposiciones deben procesarse a la vez en la memoria de trabajo. Vosniadou, Pearson y Rogers (1988), en un estudio realizado con niños, descubrieron que las dificultades en la detección de inconsistencias en L1 no se debían a la incapacidad de los participantes para comparar proposiciones contradictorias, sino a una pobre representación mental de una o de ambas proposiciones en la memoria. Cuando se daban las condiciones para que ambas proposiciones estuvieran a la vez en la memoria de trabajo, los niños detectaban la contradicción sin problemas.
5
paper corpusSignosTxtLongLines416 - : This example shows how an error in relation detection leads to an error in argument detection: overspecification of the relation led to underspecification of the argument .
6
paper corpusSignosTxtLongLines507 - : Koza, W., Filippo, D., Cotik, V., Stricker, V., Muñoz, M., Rivas, N., Godoy, N. & Martínez, R. (2018). Automatic detection of negated findings in radiological reports for Spanish language: Methodology based on Lexicon-Grammatical information processing . Journal of Digital Imaging. First Online. [ [172]Links ]
Evaluando al candidato detection:
1) error: 6 (*)
2) proposiciones: 5 (*)
5) textos: 5 (*)
6) paradigm: 4
7) micro: 4 (*)
8) inconsistencias: 4
9) ambas: 3
11) detectar: 3
detection
Lengua: spa
Frec: 70
Docs: 28
Nombre propio: 4 / 70 = 5%
Coocurrencias con glosario: 4
Puntaje: 4.857 = (4 + (1+5.12928301694497) / (1+6.14974711950468)));
Candidato aceptado
Referencias bibliográficas encontradas sobre cada término
(Que existan referencias dedicadas a un término es también indicio de terminologicidad.)| detection |
: Ahonen-Myka, H. (2002). Discovery of frequent word sequences in text source. En Proceedings of the ESF Exploratory Workshop on Pattern Detection and Discovery. London: U. K. : Cabré, M. T., Estopà, R. & Vivaldi., J. (2001). Automatic term detection: A review of current systems. En D. Bourigault, C. Jacquemin & M. C. L´Homme (Eds.), Recent Advances in Computational Terminology (pp. 1-28). Amsterdam: John Benjamins. : Cousineau, D. & Chartier, S. (2010). Outliers detection and treatment: A review. International Journal of Psychological Research, 3(1), 58-67. : Dessalles, J. L. (2011). Reasoning as a lie detection device. Behavioral and Brain Sciences, 34(2), 76-77. : Fernando, S. & Stevenson, M. (2008). A semantic similarity approach to paraphrase detection. Ponencia presentada en el 11th Annual Research Colloquium of the UK Special Interest Group for Computational Linguistics, Oxford, United Kingdom. : Gregersen, T. (2005). Nonverbal cues: Clues to the detection of foreign language anxiety. Foreign Language Annals, 38, 388-400. : Gómez, D. M., Bion, R. A. H. & Mehler, J. (2011). The word segmentation process as revealed by click detection. Language and Cognitive Processes, 26(2), 212-223. : However, compared to human judgment, automatic erroneous sound detection is not at all satisfactory (^[53]Strik et al., 2009). We believe that error detection rate can be improved by using error patterns as guidelines for predicting errors in learner’s speech. : Ito, A., Lim, Y., Suzuki, M. & Makino, S. (2005). Pronunciation error detection method based on error rule clustering using a decision tree. In Proceedings of Interspeech, 173-176. : Loewenstein, D. A., Curiel, R. E., Duara, R. & Buschke, H. (2018). Novel cognitive paradigms for the detection of memory impairment in preclinical Alzheimer’s disease. Assessment, 25(3), 348-359. : Lucero, C., Pinto, D. & Jiménez, H. (2004). A tool for automatic detection of antonymy relations. Ponencia presentada en el IX Ibero-American Conference on Artificial Intelligence, Puebla, México. : Menzel, W., Herron, D., Bonaventura, P. & Morton, R. (2000). Automatic detection and correction of non-native English pronunciations. Proceedings of INSTILL, 49-56. : Nagata, N. (2009). Robo-Sensei NLP-based error detection and feedback generation. CALICO Journal, 26(3), 262-279. : Rutherford, M. D. (2009). Cheater detection is preserved in autism spectrum disorders. Journal of Social, Evolutionary, and Cultural Psychology, 3(2), 105-117. : Strik, H., Truong, K., de Wet, F. & Cucchiarini, C. (2009). Comparing different approaches for automatic pronunciation error detection. Speech Communication, 51(10), 845-852. : The basic elements of an intelligent tutor model include tutor, leaner, domain, speech processing, and error detection (^[41]Swartz & Yazdani, 2012). These components perform activities which together comprise the L2 teaching-learning process. : Thomson, J. & Hogan, T. (2009). Future advances in the early detection of reading risk: Subgroups, dynamic relations, and advanced methodologies. Journal of Learning Disabilities, 43(4), 383-386. : Toth, L., Hoffmann, I., Gosztolya, G., Vincze, V., Szatloczki, G., Banreti, Z. & Kálmán, J. (2018). A speech recognition-based solution for the automatic detection of mild cognitive impairment from spontaneous speech. Current Alzheimer Research, 15(2), 130-138. : Truong, K., Neri, A., Cucchiarini, C. & Strik, H. (2004). Automatic pronunciation error detection: An acoustic-phonetic approach. In Proceedings of InSTIL/ICALL Symposium, 135-138. : Tschichold, C. (2003). Lexically driven error detection and correction. CALICO Journal, 20(3), 549-559. : Winograd P. y Johnson, P. (1980) Comprehension Monitoring and the Error Detection Paradigm. Urbana: University of Illinois. : Winograd, P. & Johnston, P. (1982). Comprehension monitoring and the Error Detection Paradigm. Journal of Reading Behavior, 14(1), 61-76. : Yoon, S., Hasegawa-Johnson, M. & Sproat, R. (2010). Landmark-based automated pronunciation error detection.Interspeech, 614-617. : Zhao, T., Hoshino, A., Suzuki, M., Minematsu, N. & Hirose, K. (2012). Automatic Chinese pronunciation error detection using SVM trained with structural features. InProceedings of Spoken Language Technology Workshop (SLT), IEEE, 473-478. |