Методы сетевого моделирования структуры семантической памяти: теоретический обзор

Методы сетевого моделирования структуры семантической памяти: теоретический обзор

Автор: Пиастро Р.А., Бармин А.В.

Журнал: Общество: социология, психология, педагогика @society-spp

Рубрика: Психология

Статья в выпуске: 3, 2024 года.

Бесплатный доступ

Статья посвящена рассмотрению методов моделирования структуры семантической памяти человека. В работе проводится аналитический обзор существующих подходов к моделированию данной структуры, в результате чего устанавливается наиболее методологически оптимальный способ моделирования семантической памяти - основанный на построении и анализе семантических сетей. Авторами изучаются различные методы сетевого моделирования структуры семантической памяти: задача вербальной беглости, задача снежного кома, задача определения семантической связанности. Кроме того, приводятся примеры использования обозначенных методов в рамках психологических исследований, освещаются их методологические преимущества и недостатки. Результаты настоящей работы могут быть полезны при формировании новых методов сетевого моделирования структуры семантической памяти человека, а также при создании интеллектуальных систем, обрабатывающих графовые данные.

Еще

Семантическая память, сетевое моделирование, семантическая сеть, теория графов, дистрибутивная семантика, признаковая модель, задача вербальной беглости, парадигма снежного кома, задача семантической связанности

Короткий адрес: https://sciup.org/149145310

IDR: 149145310   |   DOI: 10.24158/spp.2024.3.3

Список литературы Методы сетевого моделирования структуры семантической памяти: теоретический обзор

  • Морозова О.А. Структурное сетевое моделирование в когнитивной науке // Психологические исследования. 2017. Т. 10, № 55. https://doi.org/10.54359/ps.v10i55.351.
  • Пиастро Р.А. Особенности репрезентации рекламы в структуре семантической памяти // Психология XXI в. – 2023: наука как свобода и творчество: сб. тез. участников XXVII Междунар. науч. конф. молодых ученых / отв. ред. А.В. Шаболтас. СПб., 2023. С. 282–284.
  • Agustin-Llach M.P. How age and L2 proficiency affectthe L2 lexicon // System. 2022. Vol. 104. Article 102697. https://doi.org/10.1016/j.system.2021.102697.
  • Chai A., Le J.P., Lee A.S., Lo S.M. Applying graph theory to examine the dynamics of student discussions in small-group learning // CBE – Life Sciences Education. 2019. Vol. 18, no. 2. https://doi.org/10.1187/cbe.18-11-0222.
  • Collins A.M., Loftus E.F. A spreading-activation theory of semantic processing // Psychological Review. 1975. Vol. 82, no. 6. P. 407–428. https://doi.org/10.1037/0033-295X.82.6.407.
  • Collins A.M., Quillian M.R. Retrieval time from semantic memory // Journal of verbal learning and verbal behavior. 1969. Vol. 8, no. 2. P. 240–247. https://doi.org/10.1016/S0022-5371(69)80069-1.
  • Coltheart M. The MRC psycholinguistic database // The Quarterly Journal of Experimental Psychology. Section A. 1981. Vol. 33, no. 4. P. 497–505. https://doi.org/10.1080/14640748108400805.
  • De Brigard F., Umanath S., Irish M. Rethinking the distinction between episodic and semantic memory: Insights from the past, present, and future // Memory & Cognition. 2022. Vol. 50, no. 3. P. 459–463. https://doi.org/10.3758/s13421-022-01299-x.
  • Feng X., Liu J. The developmental trajectories of L2 lexical-semantic networks // Humanities and Social Sciences Commu-nications. 2023. Vol. 10, no. 1. https://doi.org/10.1057/s41599-023-01621-1.
  • Firth J. A synopsis of linguistic theory, 1930–1955 // Studies in linguistic analysis. Oxford, 1957. P. 1–31.
  • Gabrieli J.D., Cohen N.J., Corkin S. The impaired learning of semantic knowledge following bilateral medial temporal-lobe resection // Brain and Cognition. 1988. Vol. 7, no. 2. P. 157–177. https://doi.org/10.1016/0278-2626(88)90027-9.
  • Grundspenkis J., Strautmane M. Usage of graph patterns for knowledge assessment based on concept maps // Computer Science. 2009. Vol. 38. P. 61–70. https://doi.org/10.2478/v10143-009-0005-y.
  • Hasnine M.N., Flanagan B., Ishikawa M., Ogata H., Mouri K., Kaneko K. A platform for image recommendation in foreign word learning // Companion Proceedings of the 9th International Conference on Learning Analytics and Knowledge (LAK’19). Society for Learning Analytics Research (SoLAR). 2019. P. 187–188.
  • How semantic memory structure and intelligence contribute to creative thought: A network science approach / M. Benedek, Y.N. Kenett, K. Umdasch, D Anaki., M. Faust, A.C. Neubauer // Thinking & Reasoning. 2017. Vol. 23, no. 2. P. 158–183. https://doi.org/10.1080/13546783.2016.1278034.
  • Kenett Y.N., Levi E., Anaki D., Faust M. The semantic distance task: Quantifying semantic distance with semantic network path length // Journal of Experimental Psychology: Learning, Memory, and Cognition. 2017. Vol. 43, no. 9. P. 1470–1489. https://doi.org/10.1037/xlm0000391.
  • Liu P. Design of a knowledge graph-based interactive English teaching platform for college students // Applied Mathematics and Nonlinear Sciences. 2023. https://doi.org/10.2478/amns.2023.2.01213.
  • Morais A.S., Olsson H., Schooler L.J. Mapping the structure of semantic memory // Cognitive Science. 2013. Vol. 37, no. 1. P. 125–145. https://doi.org/10.1111/cogs.12013.
  • O'Kane G., Kensinger E.A., Corkin S. Evidence for semantic learning in profound amnesia: An investigation with patient H.M. // Hippocampus. 2004. Vol. 14, no. 4. P. 417–425. https://doi.org/10.1002/hipo.20005.
  • PREFER: using a graph-based approach to generate paraphrases for language learning / M.H. Chen, S.T. Huang, C.C. Huang, H.C. Liou, J.S. Chang // Proceedings of the Seventh Workshop on Building Educational Applications Using NLP. 2012. P. 80–85.
  • Runge A., Hovy E. Exploring neural entity representations for semantic information // Proceedings of the Third BlackboxNLP Workshop on Analyzing and Interpreting Neural Networks for NLP. 2020. P. 204–216. https://doi.org/10.48550/arXiv.2011.08951.
  • Smith E.E., Shoben E.J., Rips L.J. Structure and process in semantic memory: A featural model for semantic decisions // Psychological Review. 1974. Vol. 81, no. 3. P. 214–241. https://doi.org/10.1037/h0036351.
  • Speer R., Chin J., Havasi C. Conceptnet 5.5: An open multilingual graph of general knowledge // Proceedings of the AAAI conference on artificial intelligence. 2017. Vol. 31, no. 1. P. 4444–4451. https://doi.org/10.1609/aaai.v31i1.11164.
  • Stella M., Beckage N.M., Brede M. Multiplex lexical networks reveal patterns in early word acquisition in children // Scientific Reports. 2017. Vol. 7, no. 1. https://doi.org/10.1038/srep46730.
  • Steyvers M., Tenenbaum J.B. The large‐scale structure of semantic networks: Statistical analyses and a model of semantic growth // Cognitive Science. 2005. Vol. 29, no. 1. P. 41–78. https://doi.org/10.1207/s15516709cog2901_3.
  • Sun F., Yu M., Zhang X., Chang T.W. A vocabulary recommendation system based on knowledge graph for Chinese language learning // 2020 IEEE 20th International Conference on Advanced Learning Technologies (ICALT). 2020. P. 210–212. https://doi.org/10.1109/ICALT49669.2020.00068.
  • Tulving E. Ecphoric processes in episodic memory // Philosophical Transactions of the Royal Society of London. Biological Sciences. 1983. Vol. 302, no. 1110. P. 361–371. https://doi.org/10.1098/rstb.1983.0060.
  • Willrich R., Mittmann A., Fileto R., dos Santos A.L. Capture and visualisation of text understanding through semantic anno-tations and semantic networks for teaching and learning // Journal of information Science. 2020. Vol. 46, no 4. P. 528–543. https://doi.org/10.1177/01655515198495.
  • Wulff D.U., Mata R. On the semantic representation of risk // Science Advances. 2022. Vol. 8, no. 27. https://doi.org/10.1126/sci-adv.abm1883.
  • Zhang G., Ma J., Chan P., Ye Z. Graph theoretical analysis of semantic fluency in patients with Parkinson’s disease // Be-havioural Neurology. 2022. Article 6935263. https://doi.org/10.1155/2022/6935263.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp