Ein MaxEnt-Lerner für super-additive Zählkumulativität

Während die meisten vorherigen Studien zu (super-)gang Effekten Fälle untersucht haben, in denen zwei schwächere Einschränkungen zusammen eine andere stärkere Einschränkung übertreffen (Albright 2012; Shih 2017; Breiss Albright 2022), befasst sich dieses Papier mit Gang-Effekten, die aus mehrfachen Verstößen gegen eine einzelne Einschränkung entstehen, die Jäger Rosenbach (2006) als Zählkumulativität bezeichneten. Die super-additive Variante der Zählkumulativität steht im Mittelpunkt dieses Papiers; Fälle, in denen mehrere Verstöße gegen eine schwächere Einschränkung nicht nur einen einzigen Verstoß gegen eine stärkere Einschränkung überwältigen, sondern auch die bloße Multiplikation der Schwere ihres einzelnen Verstoßes übertreffen. Ich berichte über zwei Beispiele aus der natürlichen Sprache, bei denen eine morphophonologische Alternation in einem Kompositum durch das Vorhandensein markierter Segmente auf super-additive Weise unterdrückt wird: laryngeal markierte Konsonanten in der koreanischen Kompositumstensifizierung und Nasale im japanischen Rendaku. Anhand dieser beiden Testfälle argumentiert dieses Papier, dass diese Arten von Super-Additivität nicht vollständig von der traditionellen MaxEnt-Grammatik erfasst werden können; stattdessen wird ein modifiziertes MaxEnt-Modell vorgeschlagen, bei dem der Grad der Strafe durch die Anzahl der Verstöße über eine Potenzfunktion erhöht wird. Dieses Papier bietet auch eine rechnergestützte Implementierung des vorgeschlagenen MaxEnt-Modells, das die notwendigen Parameter unter Berücksichtigung quantitativer Sprachdaten erlernt. Eine Reihe von Lernsimulationen zu Koreanisch und Japanisch zeigt, dass der MaxEnt-Lerner in der Lage ist, super-additive Einschränkungen zu erkennen und die geeigneten Exponentenwerte für diese zu finden, wodurch die Wahrscheinlichkeitsverteilungen in den Eingabedaten korrekt erfasst werden.