[论文解读] Constraints, Exceptions and Representations

T. Mark Ellison|ArXiv.org|Apr 26, 1995

Phonetics and Phonology Research参考文献 3被引用 6

一句话总结

本文表明，基于默认的音系理论——特别是缺项理论和最优性理论——能够建模非默认理论无法捕捉的词形音系规律。通过形式化这些框架中的默认层级，本研究指出依赖非默认分析的机器学习方法可能不足以捕捉关键的音系模式。

ABSTRACT

This paper shows that default-based phonologies have the potential to capture morphophonological generalisations which cannot be captured by non-defaul theories. In achieving this result, I offer a characterisation of Underspecification Theory and Optimality Theory in terms of their methods for ordering defaults. The result means that machine learning techniques for building non-defualt analyses may not provide a suitable basis for morphophonological analysis.

研究动机与目标

• 探究基于默认的音系理论是否能够建模非默认理论无法捕捉的词形音系规律。
• 通过其默认排序机制，对缺项理论和最优性理论进行特征刻画。
• 质疑非默认机器学习技术在词形音系分析中的适用性。
• 在默认排序与音系理论表征能力之间建立正式联系。
• 主张音系中的例外和约束更应通过默认层级而非非默认学习算法来建模。

提出的方法

• 分析基于默认与非默认音系理论在结构和表征上的差异。
• 采用形式化框架，将约束和例外表示为音系系统中的有序默认。
• 通过其默认排序策略，比较缺项理论与最优性理论的表达能力。
• 将默认层级概念应用于建模那些难以通过非默认分析捕捉的词形音系交替现象。
• 证明例外并非异常，而是默认有序系统中系统性编码的组成部分。
• 主张基于非默认原则训练的机器学习模型，由于缺乏默认排序，无法捕捉相同的规律。

实验结果

研究问题

• RQ1 基于默认的音系理论能否捕捉非默认理论无法捕捉的词形音系规律？
• RQ2 缺项理论与最优性理论在默认排序处理上存在哪些差异？
• RQ3 例外在默认有序音系系统中扮演何种角色？
• RQ4 为何非默认机器学习技术可能不足以胜任词形音系分析？
• RQ5 默认的排序如何影响音系理论的表征能力？

主要发现

• 基于默认的音系理论能够建模非默认理论无法捕捉的词形音系模式。
• 本研究将缺项理论与最优性理论形式化为基于层级默认排序的系统。
• 音系中的例外并非偏离，而是系统性地编码于默认有序的约束层级之中。
• 显示避免使用默认结构的机器学习方法在建模某些词形音系规律方面存在不足。
• 默认的排序决定了理论的表征能力，其中高阶默认能以系统性方式解决冲突。
• 结果表明，非默认学习方法可能遗漏默认有序系统中存在的关键规律。