1. Giriş

Bu makale, disiplinler arası yeni bir uygulama önermektedir:Answer Set Programming (ASP) kullanarak biçimselleştirmek ve analiz etmek içinSecond Language Acquisition (SLA) alanındaki önemli bir teoriyi: VanPatten'ınGirdi İşleme (IP) TeorisiÇözülen temel zorluk, dil öğrenenlerin kullandığı varsayılan bilişsel stratejileri tanımlayan, doğal dile dayalı niteliksel bir teoriyi, kesin ve hesaplanabilir bir modele dönüştürmektir. Bu biçimselleştirme, teorik tahminlerin otomatik olarak test edilmesine, ilkelerinin iyileştirilmesine ve dil öğretmenlerine yardımcı olacakPIas sistemigibi pratik araçların geliştirilmesine olanak tanır.

2. Arka Plan ve Teorik Çerçeve

2.1. Answer Set Programming (ASP)

ASP, mantık programlamaya dayalı kararlı model (cevap kümesi) semantiğine sahip bildirimsel bir programlama paradigmasıdır. Şu konularda temsil gücü yüksektir:varsayılan çıkarım, eksik bilgi ve dinamik alanlar— bunlar insan bilişsel süreçlerini modellemenin temel özellikleridir. ASP'de kurallar şu biçimdedir:head :- body., burada eğer gövde sağlanırsa, başlık doğru olur. Varsayılan durumlar, olumsuzluk başarısızlığı (not) kullanılarak zarif bir şekilde ifade edilebilir.

2.2. Input Processing Theory

VanPatten tarafından öne sürülen GİT, ikinci dil öğrencilerinin, özellikle yeni başlayanların, sınırlı işleme kaynakları (çalışma belleği) ve eksik dilbilgisi bilgisi nedeniyle bir dizivarsayılan buluşsal yöntem kullandığını öne sürer.Girdiden anlam çıkarılır. Temel bir ilke şudur:İlk İsim İlkesi: Öğrenenler, bir cümlede karşılaştıkları ilk isim veya zamire fail/özne rolünü atama eğilimindedir. Bu, "Kedi köpek tarafından ısırıldı" gibi edilgen cümlelerin "Kedi köpeği ısırdı" şeklinde yanlış anlaşılması gibi sistematik yanlış anlamalara yol açar.

3. Input Processing Theory'nin ASP ile Biçimselleştirilmesi

3.1. Varsayılan Stratejinin Modellenmesi

IP ilkeleri ASP kuralları olarak kodlanır. Örneğin, İlk İsim İlkesi, kaynak kısıtlamaları nedeniyle (edilgen çatı işaretleyicisi gibi) dilbilgisel ipuçları işlenemediğinde uygulanan varsayılan bir kural olarak ifade edilebilir:

% 默认：将施事角色分配给第一个名词
assign_agent(FirstNoun, Event) :-
    sentence_word(FirstNoun, Position1, Noun),
    sentence_word(Verb, Position2, VerbLex),
    Position1 < Position2,
    event(Event, VerbLex),
    not processed(grammatical_cue(passive, Verb)),
    not overridden_by_grammar(Event).

not processed(...) Koşul, kaynak kısıtlamalarını yakalayarak bu kuralı monotonic olmayan hale getirir.

3.2. Öğrenen Bilgisi ve Kaynakların Temsili

Model, öğrenen durumunun dinamik bir temsilini bütünleştirir:

  • Kelime bilgisi: Örneğin knows_word(learner, 'dog', noun, animal). Gerçek.
  • Dilbilgisi bilgisi: İçselleştirilmiş kurallar (örneğin, edilgen çatı ile ilgili kurallar).
  • İşleme kaynakları: Belirli bir cümlede aynı anda işlenebilen dilbilgisi özelliklerinin sayısını sınırlayan bir kısıt olarak modellenir.

Varsayılan strateji ile edinilmiş dilbilgisi bilgisi arasındaki etkileşim, kural önceliği veya kural iptali yoluyla modellenir.

4. PIas Sistemi: Uygulama ve Sonuçlar

4.1. Sistem Mimarisi

PIas (Processing Input as a System), İngilizce cümleleri ve öğrenci profillerini (yaklaşık yeterlilik seviyesi, bilinen kelime bilgisi/dil bilgisi) girdi olarak alan bir prototip sistemdir. Bir veya daha fazla tahmini yorum (cevap kümesi) oluşturmak için biçimsel bir ASP modeli kullanır.

Sistem Akış Şeması Açıklaması: İş akışı şu adımla başlar:Girdi Cümlesi和Öğrenci ProfiliVeri. Bu verilerASP bilgi tabanınagirilir. Bu bilgi tabanı, biçimsel IP kurallarını, sözcüksel olguları ve dilbilgisi kurallarını içerir. BirASP çözücüsü (örneğin Clingo)kararlı modelleri hesaplar. Elde edilenyanıt kümesiayrıştırılaraktahmin edilen yorumlamave ardındanÖğretmen Kullanıcı ArayüzüOlası yanlış anlamaları vurgulayarak, okunabilir bir formatta sunar.

4.2. Deneysel Tahmin ve Doğrulama

Bu makale, sistemin klasik bir örnek için çıktısını göstermektedir. Edilgen cümle "The cat was bitten by the dog" ve bir acemi profili için:

  • Tahmini Yorum 1 (Varsayılan): Fail=kedi, eylem=ısırmak, etkilenen=köpek. (Hatalı aktif çatı yorumu).
  • Doğru yorum için koşullar: Yalnızca öğrenen profili, işlenmiş edilgen çatı biçimbilgisi bilgisini içerdiğinde (processed(grammatical_cue(passive, 'bitten'))), model doğru edilgen çatı yorumunu tahmin ederek varsayılan kuralı geçersiz kılar.

Bu hesaplamalı tahminler, İkinci Dil Edinimi araştırmalarındaki deneysel gözlemlerle uyumludur ve modelin yüzeysel geçerliliğini doğrular. Bu biçimselleştirme ayrıca doğal dil teorisindeki potansiyel belirsizlikleri ortaya çıkarır ve iyileştirme önerileri sunar.

5. Teknik Analiz ve Çerçeve

5.1. Temel Mantık Formalizmi

Modelin çekirdeği mantıksal kısıtlamalarla soyutlanabilir. $L$, öğrenenin bilgi durumu; $S$, girdi cümlesi; $R$, mevcut işleme kaynakları olsun. Bir yorum $I$, bir dizi anlamsal rol ve ilişkidir. IP teorisi $T$, varsayılan kurallar $D$ ile kısıtlanmış bir eşleme fonksiyonu $F_T$ tanımlar:

$I = F_T(S, L, R) \quad \text{subject to} \quad \sum_{g \in G(S)} \text{cost}(g) \leq R$

Burada $G(S)$, $S$'deki dilbilgisel özellikler kümesidir, $\text{cost}(g)$ ise $g$'yi işlemenin bilişsel yüküdür. Eğer $g \notin \text{processed}(L, R, S)$ ise, $D$ varsayılan kuralı uygulanır.

5.2. Analiz Çerçevesi Örneği

Vaka Analizi: Farklı Sözdizimsel Yapılarda İlk İsim İlkesi.

Girdi: "Kitap, John tarafından Mary'ye verildi." (Çift geçişli fiil içeren karmaşık edilgen cümle).
Öğrenen Profili: Başlangıç seviyesi; 'book', 'give', 'Mary', 'John' kelimelerini tanır; edilgen çatı biçimbilimini veya datif yapılarını işleyemez.
ASP Modeli Yürütmesi:
1. Sözcük Erişimi: BOOK, GIVE, MARY, JOHN.
2. Edilgen çatı ('was given') ve dolaylı tümleç ('to Mary') için dilbilgisel işleme başarısız.
3. Varsayılan İlk İsim İlkesi tetiklenir: BOOK'a fail rolü atanır.
4. Varsayılan Doğrusal Sıra Stratejisi: Dizi fail-eylem-alıcı-? (JOHN'un rolü belirsiz) olarak yorumlanır.
Tahmini Çıktı: Birden fazla cevap kümesi ortaya çıkabilir, örneğin {agent(BOOK), action(GIVE), recipient(MARY), other_participant(JOHN)} gibi, bu da "kitap Mary'ye bir şey verdi (John da dahil oldu)" gibi kafa karıştırıcı yorumlara yol açabilir. Bu, öğrencilerin kafasının karışabileceği spesifik alanları kesin olarak belirler ve öğretmenler buna yönelik öğretim yapabilir.

6. Eleştirel Analiz ve Gelecek Yönelimler

Analiz Perspektifi: Temel Kavrayışlar, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir Öneriler

Temel Kavrayışlar: Bu çalışma, sadece havalı bir AI aracını dilbilime uygulamak değildir; temel bir İkinci Dil Edinimi teorisinin katı bir stres testidir. Input Processing teorisindeki belirsiz, betimleyici kuralları ASP'nin acımasız gramerine zorlayarak, araştırmacılar teorinin örtük varsayımlarını ve tahmin sınırlarını ortaya çıkarmıştır. Gerçek değer, hesaplamayı sadece otomasyon için değil, aynı zamandaeleştirmek ve geliştirmekiçin kullanmaktır – bu yaklaşım, Balduccini ve Girotto'nun nitel teorileri diğer alanlarda ele alma çalışmalarını yankılamaktadır.

Mantıksal Akış: Makalenin mantığı dikkat çekicidir: (1) IP teorisi niteldir ve varsayılan kurallara dayanır → (2) ASP, varsayılan ve monotonic olmayan akıl yürütme için tasarlanmış bir biçimsel sistemdir → (3) Bu nedenle, ASP uygun bir biçimselleştirme aracıdır → (4) Biçimselleştirme tahmin yapmayı mümkün kılar, bu da (a) teorik iyileştirme ve (b) pratik uygulamalara (PIas) yol açar. Bu akış, hesaplamalı sosyal bilimler için bir şablon oluşturur.

Güçlü ve Zayıf Yönler: Temel güçlü yön,sorun ile araç arasındaki zarif uyumdur.. "Kaynak sınırlaması nedeniyle işleme başarısızlığı"nı modellemek için ASP'nin "başarısızlık olarak olumsuzlama"sını kullanmak aydınlatıcıdır. PIas'ın geliştirilmesi salt teoriyi aşarak pratik uygulama alanına girer. Ancak,zayıf yönler de belirgindir.. Model oldukça basitleştirilmiştir, insan bilişinin dağınık, olasılıksal doğasını belirleyici kurallara indirger. ACT-R gibi daha kapsamlı bilişsel modelleme çerçevelerinin aksine, bellek veya dikkat için sağlam bir bilişsel mimariden yoksundur. Doğrulama çoğunlukla mantıksaldır ("yüzeysel geçerlilik"), deneysel değildir ve gerçek öğrenci verileri üzerinde geniş ölçekli testlerden yoksundur. Eğitimsel doğal dil işlemedeki modern, veriye dayalı yöntemlerle (örn. BERT kullanarak öğrenci hatalarını tahmin etme) karşılaştırıldığında, bu sembolik yaklaşım kesindir ancak ölçeklenebilirlik ve uyarlanabilirlikten yoksun olabilir.

Uygulanabilir Öneriler: Araştırmacılar için doğrudan bir sonraki adım,Ampirik Doğrulama ve Model Genişletme. ASP modelinin tahminleri, büyük ve etiketlenmiş öğrenci derlemleri (örneğin NLP4CALL topluluğundaki paylaşılan görevler gibi) üzerinde test edilmelidir. Model, diğer mantık ve makine öğrenimini birleştiren alanlardaki gelişmelere benzer şekilde, öğrenci bilgisindeki belirsizlik ve kademeliği ele almak için olasılıklı ASP veya hibrit nöro-sembolik tekniklere genişletilmelidir. Uygulayıcılar için, PIas prototipi,Gerçek Zamanlı Ders Planlama Asistanı, belirli bir sınıf seviyesi için yanlış anlaşılma potansiyeli taşıyan cümleleri otomatik olarak işaretlemek için Duolingo veya sınıf yönetim yazılımları gibi platformlara entegre edilerek geliştirilmelidir. Nihai vizyon,Çift Yönlü Kanal: Bu tür uygulamalardan gelen öğrenci etkileşim verilerini kullanarak, altta yatan edinim hesaplamalı modelini sürekli olarak iyileştirmek ve parametrelendirmek.

Gelecekteki Uygulamalar ve Araştırma Yönleri

  • Kişiselleştirilmiş Öğrenme Materyalleri: Belirli bir öğrencinin yanlış anlama modellerini tahmin etmeye yönelik alıştırmaları dinamik olarak oluşturma.
  • Otomatik Kompozisyon ve Yanıt Analizi: Yanlışların kök nedenlerini teşhis etmek için, yalnızca anlamak yerine, öğrenci çıktısı dili yorumlayacak şekilde modelleri genişletmek.
  • Bilişsel Modellerle Entegrasyon: Daha psikolojik olarak gerçekçi bellek ve işleme modelleri elde etmek için ASP kural tabanlı sistemleri, ACT-R gibi hesaplamalı bilişsel mimarilerle birleştirmek.
  • Çok Dilli Modelleme: Bu çerçeve, farklı kelime sıralamasına sahip (örneğin Japonca gibi SOV dilleri) öğrenenler için IP stratejilerini modellemek üzere uygulanarak ilkelerin evrenselliği test edilmiştir.
  • Olasılıksal Genişletme: Sınıflandırılmış cevap kümesi programlamadan, olasılıklı cevap kümesi programlamaya (örneğin P-log) geçiş yaparak farklı yorum olasılıklarını modellemek.

7. Kaynakça

  1. Gelfond, M., & Lifschitz, V. (1991). Classical negation in logic programs and disjunctive databases. New Generation Computing, 9(3/4), 365-386.
  2. Niemelä, I. (1999). Logic programs with stable model semantics as a constraint programming paradigm. Annals of Mathematics and Artificial Intelligence, 25(3-4), 241-273.
  3. Balduccini, M., & Girotto, S. (2010). Formalization of psychological knowledge in Answer Set Programming and its application. Theory and Practice of Logic Programming, 10(4-6), 725-740.
  4. VanPatten, B. (2004). Input Processing in Second Language Acquisition. In B. VanPatten (Ed.), Processing Instruction: Theory, Research, and Commentary (pp. 5-31). Lawrence Erlbaum Associates.
  5. Anderson, J. R., Bothell, D., Byrne, M. D., Douglass, S., Lebiere, C., & Qin, Y. (2004). An integrated theory of the mind. Psychological Review, 111(4), 1036–1060. (ACT-R architecture)
  6. Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019. (Reference for data-driven NLP contrast)