Proto-truth, бул изилдөөдө сүйлөмдө колдонулган эки түшүнүктүн ортосундагы семантикалык мамилени, түшүнүктөрдүн онтология дарагындагы ордуна карап, табигый тилге айландыруудан мурда “туура”, “шарттуу” же “туура эмес” деп классификациялоо. Daniel P. Spiegel жана Romain Bachy иштеп чыккан MATLAB куралдар топтому ушул логиканы колдонуп, окуу ылдамдыгын өлчөө үчүн миңдеген уникалдуу жана автоматтык түрдө текшериле турган сүйлөмдөрдү түзөт.

Изилдөөнүн баштапкы негизи — MNREAD сыяктуу стандарттык окуу таблицаларында сүйлөмдөрдүн саны чектелүү болгондуктан кайталанма тесттерде жаттап алуу таасири пайда болушу мүмкүн жана үн чыгарып окуу ыкмалары көрүү маалыматтарын иштетүү ылдамдыгына сүйлөө-мотор процесстерин кошуп жибериши мүмкүн. Куралдар топтому бул көйгөйлөрдү азайтуу үчүн үнсүз окууга жана True/False чечимине негизделген өлчөө парадигмасын колдойт.

Система Perrin, Paillé жана Baccinoнун 2014-жылдагы семантикалык онтология ыкмасын англис тилине ылайыкташтырат. Мындан тышкары Glasgow Norms колдонулуп, сөздөрдүн топтому familiarity, concreteness жана valence өзгөрмөлөрүнө жараша чыпкаланат; англис тилине мүнөздүү саналбаган зат атоочтор, туура эмес көптүк формалар, омонимдер жана чыныгы дүйнө билиминен келип чыккан категориялар аралык бүдөмүктүктөр үчүн кошумча коопсуздук механизмдери колдонулат.

Куралдар топтомунун дагы бир маанилүү жаңылыгы — минималдуу босогону гана колдонгон чыпкалоонун ордуна жогорку жана төмөнкү чектерди аныктаган band-pass психолингвистикалык чыпкалоо. Мунун аркасында жеңил, орточо жана татаал сүйлөм топторун түзүүгө болот жана система максималдуу окуу ылдамдыгын өлчөөдө гана эмес, башкарылуучу когнитивдик жүк эксперименттеринде да колдонулушу мүмкүн.

Эмне үчүн жаңы окуу ылдамдыгын өлчөө куралы керек?

Окуу ылдамдыгы көрүү илиминде, клиникалык офтальмологияда жана эксперименттик психологияда маанилүү натыйжалуулук көрсөткүчү.

Бирок классикалык басма окуу таблицаларында эки негизги көйгөй бар.

• Сүйлөмдөрдүн чектелүү саны кайталанма тесттерде жаттап алуу таасирине алып келиши мүмкүн.
• Үн чыгарып окуу көрүү аркылуу окуу ылдамдыгынан тышкары сүйлөө жана мотордук пландоо процесстерин да өлчөйт.

Ошондуктан өлчөнгөн көрсөткүч көрүү же когнитивдик окуу жөндөмүн гана чагылдырбашы мүмкүн.

Бул MATLAB Куралдар Топтому Салттуу Окуу Таблицаларынан Эмнеси Менен Айырмаланат?

Куралдар топтому туруктуу сүйлөм тизмесин колдонбостон, семантикалык онтология жана логикалык эрежелер аркылуу дайыма жаңы сүйлөмдөрдү түзөт; ошондой эле туура/туура эмес чечимине негизделген үнсүз окуу парадигмасы аркылуу сүйлөө-мотор көрсөткүчтөрүнүн өлчөөгө аралашуусун азайтууну көздөйт.

Crossland ыкмасынан Perrin ыкмасына

Crossland, Legge жана Dakin 2008-жылы сандык аныктоочуну, объектти жана касиеттерди туш келди бириктирип, автоматтык сүйлөм түзүү ыкмасын иштеп чыккан.

Бул система көп сандагы сүйлөмдөрдү түзүү жагынан артыкчылыктуу болгону менен, айрым комбинациялар семантикалык жактан бүдөмүк болушу мүмкүн эле.

Perrin, Paillé жана Baccino 2014-жылы бул көйгөйдү семантикалык онтология менен чечүүгө аракет кылган. Түшүнүктөр дарак түзүмүнө жайгаштырылып, алардын ортосундагы байланыш система тарабынан түздөн-түз онтологиялык ордунан чыгарылган.

Онтология билим картасы катары кантип иштейт?

Система түшүнүктөрдү төмөнкүдөй тамырлуу даракта көрсөтөт:

\[ O=(N,E,r) \]

Бул жерде:

• \(N\), түйүндөрдү,
• \(E\), түйүндөрдүн ортосундагы байланыштарды,
• \(r\), тамыр түйүндү

билдирет.

Түйүндөр эки негизги топко бөлүнөт:

• Classes: animal, fruit, tool сыяктуу кеңири категориялар,
• Entities: dog, apple, hammer сыяктуу конкреттүү объекттер.

Мисалы, “dog” түйүнү “mammal” түйүнүнүн, ал эми “mammal” “animal” түйүнүнүн астында болсо, система dog менен animal ортосундагы таксономиялык мамилени автоматтык билет.

Proto-Truth Кантип Эсептелет?

Proto-truth эки түшүнүктүн онтология дарагындагы иерархиялык мамилесине жараша аныкталат: биринчи түшүнүк экинчи түшүнүктүн төмөнкү түйүнү болсо True, мамиле тескери багытта болсо Contingent, түздөн-түз тукумдук байланыш жок болсо False деп классификацияланат.

Үч proto-truth абалы

Quantifier колдонуу

Система сүйлөм түзүүдө үч сандык аныктоочуну колдонот:

• All
• Some
• No

Андан кийин proto-truth мааниси quantifier менен бирге бааланып, акыркы True/False сүйлөм мааниси түзүлөт.

Мисалы, proto-false dog–fruit жуптугу “No” менен бириктирилгенде “No dogs are fruits” түрүндө туура билдирүү түзө алат.

Эмне үчүн айрым логикалык жактан туура сүйлөмдөргө тыюу салынат?

Изилдөө өзгөчө “Some + Proto-True” комбинациясына тыюу салат.

Мисалы:

Some dogs are animals.

Логикалык жактан туура; бирок прагматикалык жактан айрым иттер жаныбар эмес деген таасир жаратышы мүмкүн.

Мындай Gricean implicature таасирлери окурманда керексиз башаламандык жаратпашы үчүн комбинация толугу менен алынып салынат.

Жарактуу комбинациялар True жана False сүйлөмдөрүнүн ыктымалдыгын так 0,5 деңгээлинде кармай тургандай да салмакталат.

Система Эмне үчүн True жана False Сүйлөмдөрүн %50–%50 Түзөт?

Тең салмактуу True/False бөлүштүрүү катышуучунун жооп стратегиясын бир категорияга ооп кетүүдөн сактоо жана окуу тапшырмасынын чечим түзүмүн тең салмакта кармоо үчүн колдонулат; булакта жарактуу сүйлөм комбинациялары бул бөлүштүрүүнү так 0,5 ыктымалдыкта кармай тургандай салмакталган.

Glasgow Norms менен психолингвистикалык чыпкалоо

Англис сөздөрүнүн топтому 5.554 сөздү камтыган Glasgow Norms маалымат топтому аркылуу чыпкаланат.

Үч негизги өлчөм колдонулат:

Familiarity эмне үчүн көзөмөлдөнөт?

Тааныштык окуу ылдамдыгына сейрек сөздөрдү эстеп табуу процессинин таасирин азайтуу үчүн колдонулат.

Familiarity мааниси жогору сөздөр адатта көп кездешип, тезирээк иштетилет.

Concreteness эмне үчүн маанилүү?

Paivioнун Dual Coding Theory ыкмасына ылайык конкреттүү түшүнүктөр сөздүк да, элестүү да системаларды активдештире алат.

Ошондуктан конкреттүү сөздөр абстракттуу сөздөргө караганда көбүнчө тезирээк иштетилиши мүмкүн.

Valence эмне үчүн чыпкаланат?

Терс мазмун көңүлдү күчтүүрөөк тартып, иштетүү убактысын өзгөртүшү мүмкүн.

Стандарттык өлчөөдө бул эмоциялык таасирди азайтуу үчүн нейтралдуу же оң сөздөр тандалат.

Band-Pass Психолингвистикалык Чыпкалоо Деген Эмне?

Band-pass чыпкалоо — минималдуу familiarity, concreteness же valence босогосун гана коюунун ордуна төмөнкү жана жогорку чектерди аныктап, белгилүү психолингвистикалык кыйындык диапазондорун бөлүп алуу; муну менен жеңил сөздөрдүн бүт бөлүштүрүүгө үстөмдүк кылуусуна жол берилбей, башкарылуучу кыйындык деңгээлдери түзүлөт.

Үч стандарттык кыйындык деңгээли

Medium жөндөөсү Perrin жана анын кесиптештеринин баштапкы критерийлерине туура келет.

Hard режими азыраак тааныш, көбүрөөк абстракттуу жана valence көрсөткүчү төмөн сөздөрдү атайын тандап, когнитивдик жүк түзүүнү көздөйт.

Омонимдерди алып салуу

“Bank” же “arm” сыяктуу бир нече ачык мааниси бар сөздөр семантикалык бүдөмүктүк жаратышы мүмкүн болгондуктан активдүү сөз топтомунан чыгарылат.

Glasgow Norms ичиндеги кашаа менен маани айырмасы көрсөтүлгөн жазуулар автоматтык түрдө алынып салынат.

Англис тили үчүн жасалган түзүмдүк өзгөртүүлөр

Учурдагы онтология 97 entity жана 23 class колдонот.

Англис тилине ылайыкташтырууда айрым маанилүү морфологиялык көйгөйлөрдү чечүү талап кылынган.

Саналбаган зат атоочторду алып салуу

Сүйлөм шаблондору көптүк сандагы зат атоочторду колдонгондуктан mass noun мүнөзүндөгү сөздөр көйгөй жараткан.

Булак төмөнкү мисалдарды активдүү топтомдон чыгарат:

• beef,
• pork,
• bacon,
• ham,
• rice,
• wheat,
• oats,
• milk,
• butter,
• honey,
• corn.

Мындан тышкары “scissors” жекелик формасы жок plurale tantum зат атооч болгондуктан чыгарылган.

Класс аттарын өзгөртүү

“Clothing” классы garment, ал эми “furniture” классы furnishing болуп өзгөртүлгөн.

Максат — көптүк сүйлөм шаблондорунда грамматикалык жактан табигый туюнтмаларды түзүү.

Туура эмес көптүк формалар

Куралдар топтому 38 жазуудан турган irregular plural lookup table колдонот.

Бул түзүм:

• aircraft,
• watercraft,
• bus → buses

сыяктуу стандарттык regex эрежелери көйгөй жаратышы мүмкүн болгон формаларды коопсуз иштетет.

Animal–Food Бутактар Аралык Бүдөмүктүк Эмне Үчүн Өзүнчө Чыпкаланат?

Онтология дарагында animal жана food ар башка бутактарда болгондуктан система, мисалы, chicken–food жуптугун False деп классификациялашы мүмкүн; бирок чыныгы дүйнөдө тоок ошол эле учурда азык. Ошондуктан куралдар топтому онтологиялык жактан туура эмес, бирок чыныгы дүйнөдө туура болушу мүмкүн болгон жаныбар–азык жуптарын атайын бутактар аралык чыпка менен чыгарат.

Cross-branch ambiguity көйгөйү

Онтологиялык түзүм категорияларды бөлүп турганда, чыныгы дүйнөдөгү түшүнүктөр кээде бир нече функцияны аткарышы мүмкүн.

Мисалы, “animal” жана “food” ар башка бутактар; бирок айрым жаныбарлар азык катары керектелиши мүмкүн.

Мындай учурда:

Some frogs are foods.

же

A chicken is not a food.

сыяктуу сүйлөмдөр онтологиялык логика боюнча белгилүү бир мааниге ээ болгону менен, чыныгы дүйнө көз карашынан талаштуу болуп калат.

isAmbiguousCrossBranch чыпкасы бул жуптарды автоматтык алып салып, False сүйлөмдөрүнүн чыныгы семантикалык айырмачылыкка негизделишин камсыздайт.

Семантикалык аралыкты манипуляциялоо

Куралдар топтому сүйлөмдөрдү гана түзбөстөн, онтология дарагындагы түйүндөрдүн ортосундагы кырлардын санын колдонуп семантикалык аралыкты да башкара алат.

Бул функция когнитивдик кыйындык түзүү үчүн колдонулушу мүмкүн.

Семантикалык интерференция

Бири-бирине жакын, бирок ар башка тууган категориялардан False сүйлөмдөрү түзүлүшү мүмкүн:

A dog is a cat.

Dog жана cat бир эле жогорку категорияда болгондуктан, текшерүү dog–fruit сыяктуу алысыраак жуптарга караганда көбүрөөк семантикалык интерференция жаратышы мүмкүн.

Таксономиялык тактык

True сүйлөмдөрүндө да аралык өзгөртүлүшү мүмкүн.

A dog is an animal.

кеңири категориялык маалыматты колдонсо:

A dog is a mammal.

такыраак таксономиялык маалыматты талап кылат.

Бул Куралдар Топтому Максималдуу Окуу Ылдамдыгын Гана Өлчөйбү?

Жок. Band-pass чыпкалоо жана семантикалык аралыкты көзөмөлдөө аркылуу система сейрек сөздөрдү иштетүү, абстракттуу тилди иштетүү, эмоциялык интерференция жана семантикалык конфликт сыяктуу белгилүү когнитивдик процесстерди татаалдаштырган эксперименттик “stress test” сүйлөмдөрүн да түзө алат.

Кеңейтилген эксперименттик колдонуу

Булак үч мисал берет:

• Familiarity төмөндөтүлүп, сейрек сөздөр менен lexical retrieval жүгү көбөйтүлүшү мүмкүн.
• Concreteness төмөндөтүлүп, абстракттуу сөздөр менен вербалдык иштетүү сыналышы мүмкүн.
• Valence тескери чыпкаланып, терс сөздөр менен affective interference изилдениши мүмкүн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Методологиялык түзүм

Изилдөө жаңы клиникалык эксперименттен көбүрөөк программалык камсыздоо жана ыкма иштеп чыгуу макаласы болуп саналат.

Негизги компоненттер төмөнкүлөр:

1. Семантикалык онтологияны түзүү,
2. proto-truth эсептөө,
3. quantifier негизиндеги True/False mapping,
4. Glasgow Norms чыпкалоосу,
5. Англис морфологиясы жана көптүк эрежелери,
6. cross-branch ambiguity filtering,
7. band-pass difficulty control,
8. semantic distance manipulation.

Баштапкы ыкманы валидациялоо

Булак Perrin жана анын кесиптештери 2014-жылы француз корпусунда жүргүзгөн валидацияны баяндайт.

Баштапкы изилдөө:

• \(N=41\) катышуучуну колдонгон,
• True/False үнсүз окуу тапшырмасы менен салттуу oral MNREAD ортосунда
• \(r=0.836\), \(p<0.001\)

деңгээлинде күчтүү корреляция билдирген.

Ошондой эле True/False текшерүү ыкмасы oral окуу менен статистикалык жактан эквиваленттүү натыйжаларды бергендиги билдирилет.

Англис MATLAB Версиясы Психометриялык Жактан Валидацияланганбы?

Азырынча жок. Perrinдин француз тилиндеги баштапкы ыкмасы мурда валидацияланган болсо да, бул макалада сунушталган англис MATLAB имплементациясы English MNREAD же IReST сыяктуу калыптанган англис тесттери менен формалдуу психометриялык валидацияны али аяктай элек.

Бул айырма эмне үчүн маанилүү?

Француз ыкмасынын ийгиликтүү болушу англис тилине өткөрүү автоматтык түрдө ошол эле психометриялык касиеттерге ээ экенин далилдебейт.

Тилдердин ортосунда:

• сөз жыштыгы,
• морфология,
• психолингвистикалык нормалар,
• окуу жүрүм-туруму

айырмаланышы мүмкүн.

Ошондуктан авторлор куралдар топтомун аяктаган ачык булактуу программалык камсыздоо катары сунуштап, англис тилиндеги формалдуу валидацияны илимий коомчулук жүргүзөт деп күтүшөт.

Изилдөө колдогон жыйынтыктар

• Семантикалык онтологияны колдонуп автоматтык True/False сүйлөмдөрүн түзүүгө болот.
• Англис морфологиясы жана сөз класстары үчүн атайын ылайыкташтыруулар талап кылынат.
• Band-pass чыпкалоо башкарылуучу психолингвистикалык кыйындык тилкелерин түзө алат.
• Cross-branch ambiguity filtering чыныгы дүйнө билими менен онтологиянын кагылышууларын азайта алат.
• Семантикалык аралык когнитивдик кыйындыкты манипуляциялоо үчүн колдонулушу мүмкүн.
• Куралдар топтому кайталанма эксперименттерде иш жүзүндө чексиз ар түрдүүлүк берүүнү көздөйт.

Изилдөө колдобогон жыйынтыктар

• Англис куралдар топтому клиникалык алтын стандарт экени азырынча көрсөтүлгөн эмес.
• English MNREAD же IReST менен формалдуу валидация аяктаган эмес.
• Француз тилиндеги N=41 валидация натыйжасы түздөн-түз англис имплементациясынын натыйжасы эмес.
• Hard режими белгилүү бир клиникалык бузулууну диагностикалык жактан айырмалай турганы көрсөтүлгөн эмес.
• Band-pass чыпкалары клиникалык босого маанилери деп айтылбайт.

Бул Куралдар Топтомунун Эң Чоң Илимий Артыкчылыгы Эмне?

Эң чоң артыкчылыгы — семантикалык жактан көзөмөлдөнгөн жана туура/туура эмес мааниси автоматтык белгилүү болгон көптөгөн уникалдуу сүйлөмдөрдү түзүү менен бирге сөздүн кыйынчылыгын, семантикалык аралыкты жана эмоциялык касиеттерди параметрдик башкаруу мүмкүнчүлүгү; муну менен кайталанма тесттердеги жаттап алуу таасирин азайтып, ар башка когнитивдик жүк шарттарын түзө алат.

Методологиялык чектөөлөр

Биринчи чектөө — англис имплементациясынын азырынча формалдуу психометриялык валидациясы жок.

Экинчиден, учурдагы онтология 97 entity жана 23 class менен чектелет; демек “чексиз” вариация комбинатордук мааниде кең болгону менен, концептуалдык мейкиндик толук чексиз эмес.

Үчүнчүдөн, semantic distance когнитивдик кыйындык менен канчалык деңгээлде сызыктуу байланышта экени бул изилдөөдө эмпирикалык өлчөнгөн эмес.

Төртүнчүдөн, Hard preset ичиндеги төмөн valence жана төмөн concreteness комбинациялары ар башка катышуучу топторунда бирдей когнитивдик жүк жаратаары ырасталган эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш:A MATLAB Toolbox for Standardized Reading Speed Assessment: Implementing and Extending the Perrin Sentence Generator for English Corpora

Авторлор: Daniel P. Spiegel, Romain Bachy.

Мекеме: Meta Reality Labs, 9805 Willows Rd, Redmond, WA 98052, USA.

arXiv: 2606.06297v1 [cs.HC].

Дата: 4 июнь 2026.

Булак түрү: Ачык булактуу MATLAB программасы жана ыкма иштеп чыгуу макаласы.

Негизги маалымат булагы: Glasgow Norms, 5.554 сөз; CC BY 4.0.

Негизги ыкма: Тамырлуу семантикалык онтология, proto-truth классификациясы, quantifier негизиндеги truth mapping, psycholinguistic band-pass filtering, англис морфологиялык коопсуздук текшерүүлөрү жана semantic-distance manipulation.

Валидация абалы: Perrin жана кесиптештеринин француз тилиндеги баштапкы ыкмасы N=41 менен валидацияланып, үнсүз True/False тапшырмасы менен oral MNREAD ортосунда \(r=0.836,\ p<0.001\) корреляция билдирилген. Бул макаладагы англис MATLAB имплементациясы болсо English MNREAD же IReST менен формалдуу психометриялык валидацияны азырынча күтүп жатат.

Лицензия эскертүүсү: Куралдар топтомунда колдонулган Glasgow Norms үчүнчү тараптын маалымат топтому болуп, CC BY 4.0 лицензиясы менен берилет; кайра таратууда түпнуска лицензия жана автордук укук маалыматы сакталууга тийиш.