Assosiatiivisen oppimisen laskennallinen mallinnus puheen matkimisen, sanamallien ja sana-merkitysparien oppimisessa

Heikki Rasilo

Tutkimustuotos: Doctoral ThesisCollection of Articles

Abstrakti

Ihmislapset oppivat puhumaan ja ymmärtämään äidinkieltään ympäristön ja kuullun puheen vaihtelevuudesta ja monitulkintaisuudesta huolimatta. Kielenoppimismekanismien yksityiskohdat ovat kuitenkin vielä suurilta osin tuntemattomia. Viime vuosikymmenien tutkimus on osoittanut, että ihmiset hyödyntävät niin kutsuttuja tilastollisia oppimismekanismeja hahmottaessaan kieleen liittyviä rakenteita joko puhesignaalista sellaisenaan, tai yhdistäessään puheessa esiintyviä rakenteita ympäristön esineisiin ja tapahtumiin. Jopa monitulkintaisissa tilanteissa, missä yksiselitteisiä vastaavuuksia signaalien sisältämien hahmojen välillä ei ole saatavilla, tilastollinen oppiminen mahdollistaa oikeiden vastaavuuksien löytämisen, jos rakenteelliset samankaltaisuudet esiintyvät riittävän usein yhdessä eri oppimistilanteissa. Tässä väitöskirjassa tutkitaan tilastollisen oppimisen tehokkuutta kolmessa kielenomaksumiseen liittyvässä osaongelmassa: kuinka lapsi oppii matkimaan vanhempiensa puhetta, kuinka akustiset sanamallit ja niiden segmentointi voidaan oppia jatkuvasta puheesta, ja kuinka sanat ja niiden merkitykset opitaan yhdistämään. Näitä kolmea oppimistehtävää lähestytään laskennallisen mallinnuksen kautta, pyrkimyksenä ymmärtää ja kuvata ihmismäistä oppimista samoissa tehtävissä simulaation keinoin. Ensimmäinen oppimistehtävä perustuu tunnettuun hypoteesiin, jonka mukaan lapset eivät osaa synnynnäisesti matkia vanhempiensa puhetta vaan matkimistaito täytyy oppia. Tässä työssä oletetaan, että lapset voivat käyttää oman jokelluksensa ja vanhempien vastauksen välisiä tilastollisia riippuvuuksia oppimaan näiden kahden välisiä yhteyksiä. Tässä väitöskirjassa kuvataan menetelmä, jonka avulla tällaisia monitulkintaisia jokellus-vastaus pareja voidaan käyttää apuna puheen matkimisen opettelussa. Menetelmää testataan käyttämällä ihmiskoehenkilöitä jotka toimivat vanhempana virtuaaliselle lapselle. Väitöskirjassa kuvataan myös menetelmä, jonka avulla jatkuvaan puheeseen liittyviä moniselitteisiä sanamerkityksiä voidaan käyttää apuna akustisten sanamallien oppimiseen sekä sanojen segmentoimiseen jatkuvasta puheesta. Työssä tutkitaan myös, minkälaiset kognitiiviset rajoitteet ja reunaehdot johtavat ihmismäiseen sana-merkitys parien oppimiseen koetilanteissa, joissa koehenkilöt (tai malli) altistetaan monitulkintaisille audiovisuaalisille ärsykkeille. Työn tulokset osoittavat, että tilastolliset oppimisperiaatteet voivat selittää suurelta osin useita erilaisia puheenoppimisen osa-alueita, ja että ihminen ei välttämättä tarvitse vahvasti erikoistuneita kielellisiä mekanismeja puheen oppimiseksi. Väitöskirjassa kehitettyjä algoritmeja voi myös käyttää teknologisissa sovelluksissa kuten esimerkiksi roboteissa jotka oppivat autonomisesti tulkitsemaan eri signaalien välisiä yhteyksiä ympäristössään. Tulokset antavat myös vihjeitä siitä, millaisia oppimisalgoritmeja ihmisaivot mahdollisesti sisältävät ja minkälaiset virikkeet ovat tärkeitä ihmisoppijoille kielenoppimisen yhteydessä.
Julkaisun otsikon käännösAssosiatiivisen oppimisen laskennallinen mallinnus puheen matkimisen, sanamallien ja sana-merkitysparien oppimisessa
AlkuperäiskieliEnglanti
PätevyysTohtorintutkinto
Myöntävä instituutio
  • Aalto-yliopisto
Valvoja/neuvonantaja
  • Laine, Unto K. , Vastuuprofessori
  • Alku, Paavo, Vastuuprofessori
  • de Boer, Bart, Vastuuprofessori, Ulkoinen henkilö
  • Räsänen, Okko, Ohjaaja
Kustantaja
Painoksen ISBN978-952-60-7659-1
Sähköinen ISBN978-952-60-7658-4
TilaJulkaistu - 2017
OKM-julkaisutyyppiG5 Tohtorinväitöskirja (artikkeli)

Tutkimusalat

  • kielenoppiminen
  • puheen matkiminen
  • artikulaatio
  • heikosti ohjattu oppiminen
  • assosiatiivinen oppiminen
  • sanantunnistus
  • segmentointi

Sormenjälki

Sukella tutkimusaiheisiin 'Assosiatiivisen oppimisen laskennallinen mallinnus puheen matkimisen, sanamallien ja sana-merkitysparien oppimisessa'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä