Website von R. Harald Baayen
Professor für Quantitative Linguistik
Software
WpmWithLdl_1.0.tar.gz: R Paket, das “Word and Paradigm Morphology” mit linearem diskriminitivem lernen durchführt. Lineare Abbildung von orthographischen/phonologischen Raum zum semantischen Raum und vom semantischen Raum zum orthographischen/phonologischen Raum werden durchgeführt und beispielhaft für lateinische Verbmuster aufgezeigt. Das Paket wird in Baayen, R. H., Y-Y Chuang, and Blevins, J. P. Inflectional morphology with linear mappings vorgestellt. Zur Publikation in The Mental Lexicon, 2018 akzeptiert. pdf
acousticNDLCodeR: Akustische Daten für die Benutzung mit NDL kodieren. Stellt akustische “Cues” zur Benutzung mit den Rpaketen 'ndl' oder 'ndl2' her. Das Paket implementiert Funktionen, die in dem PLOS ONE paper: Denis Arnold, Fabian Tomaschek, Konstantin Sering, Florence Lopez, and R. Harald Baayen (2017) benutzt werden. Worte aus spontaner Sprache können erkannt werden mittels eines durch Fehler geleiteten Algorithmus, der zwischen Bedeutungen nur durch akustische Merkmale diskriminiert, ohne dabei das Phonem als Erkennungseinheit zu benutzen. PLOS ONE 12(4):e0174623. Weitere Details können im Paper und in den Supplements gefunden werden. 'ndl' ist verfügbar in CRAN. 'ndl2' ist auf Nachfrage bei konstantin.sering@uni-tuebingen.de verfügbar.
Das R Paket itsadug (Jacolien van Rij, Martijn Wieling, R. Harald Baayen, & Hedderik van Rijn (2015). itsadug: Interpreting Time Series and Autocorrelated Data Using GAMMs. R package version 0.8.) liefert eine Reihe von Funktionen zur Visualisierung und Evaluation von GAMMs Modellen, die mit dem R Paket mgcv von Wood (2006, 2011) erstellt wurden. [Hinweise zur Installation].
ndl (Naive Discriminative Learning): Naives discriminatives Lernen (2015) führt Lern- und Klassifikations-Modelle ein, die auf den Rescorla-Wagner Gleichungen und deren Gleichgewichtsgleichungen basieren.
Das languageR-Paket, siehe Baayen, R. H. (2008). Analyzing Linguistic Data. A Practical Introduction to Statistics Using R, Cambridge University Press, beinhaltet Datensätze und einige R-funktionen, welche die statistische Analyse erleichtern. Das languageR-Paket beinhaltet einige hinzugefügte Funktionalitäten, die nicht in diesem Buch dokumentiert sind. Der folgende Code illustriert die grundlegende Funktion von plotLMER.fnc, einer Funktion zur graphischen Darstellung von partiellen Effekten von Fixed-Effect Faktoren und Kovariaten von Mixed-Effect Modellen, die mit lmer() aus dem lme4 Paket erzeugt werden. Es ist möglich die einzelnen Panels anzupassen und Splines auszugeben und beidseitige gerichtete Interaktionen zu visualisieren. Für Details zur Funktionen bitte in der Dokumentation nachschlagen (?plotLMER.fnc).
Die Funktion acf.fnc ist für die Untersuch der Autokorrelationsstruktur in erfolgreichen Enden in der Anwendung nützlich, wie die lexikalische Entscheidung und Ernennung.
> library(languageR)
> acf.fnc(beginningReadres, x="LogRT")
Jedes Feld repräsentiert ein Fach (Grundschüler) und zeigt die autokorrelationsfunktion für dieses Fach. Für manche Leser sind die Antwortslatenzen im Rückstand von 20 immer noch zugeordnet.
R-Code für komplexitätsbasierte Ordnungen ist hier zugänglich (diskutiert in Plag and Baayen, Language, 2009). Die Daten für diesen Code sind hier erhältlich. Wenn der Code und die Datei der Daten in dem aktuellen Arbeitsverzeichnis erhältlich sind, zeigt der folgende R-Code eine Graphik wie unten gezeigt.
Abbildung 1: die ungeordnete Adjazenzmatrix
Abbildung 2: die selbe Adjazenzmatrix für Komplexitätsbasierte Ordnung
Abbildung 3: der dazugehörige gerichtete Graph für Komplexitätsbasierte Ordnung