Age-of-Acquisition Ratings for Czech Words

Bc. Dan Makalouš

Diplomová práce

Anotace:

Práce prezentuje odhady věků osvojení pro 32~954 českých slov. Tvoří ji shromáždění zdrojů, odhadnutí jejich kvality a jejich skombinování za účelem vytvoření výsledného data setu. Mezi použité zdroje patřily vlastnosti slov (délka, frekvence), zahraniční data sety pro věky osvojení, word embeddings pro určení podobnosti slov a vlastní experiment, v rámci kterého jsme sesbírali 5~778 odpovědí (subjektivních odhadů věků osvojení). Jelikož výsledné odhady jsou různě přesné (kvůli rozličnosti zdrojů), v data setu uvádíme spolu s odhadem pro každé slovo i úroveň jistoty tohoto odhadu. Předpokládané využití výsledků tkví v určování obtížnosti slov v textu a pro kontrolu, zda odpovídají úrovni (věku) očekávaného čtenáře.

Abstract:

This thesis presents age-of-acquisition ratings for 32~954 Czech words. It consists of gathering sources, assessing their quality, and combining them to create the resulting data set. These sources included word properties (length, frequency), foreign age-of-acquisition studies, word embedding vectors (to find and utilize similarity of words), and a self-conducted experiment where we collected 5~778 subjective age-of-acquisition estimations for Czech words. Because of the variety of used sources, the final estimates are of diverse quality, which we address by including certainty of the rating in the resulting data set. The expected use of the results is to estimate the difficulty level of words in texts and check if it fits the age of the expected reader.

Keywords

age-of-acquisition, estimation certainty, word embeddings, AoA collection

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 17. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 6. 2022
• Vedoucí: doc. Mgr. Radek Pelánek, Ph.D.
• Oponent: RNDr. Pavel Šmerk, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence