frames long, and here the frames ar

frames long, and here the frames are shown superimposed one on top of another. The final frame of the movie is indicated by a small circle located inside the trajector.
Figure 3 presents the model, configured to learn a set of English spatial terms in (a), and a set of Russian spatial terms in (b). The input to the model is a movie of the sort shown in Figure 2, and the model is trained so that when a movie portraying some event is shown, only those output nodes corresponding to closed-class forms which accurately describe the event are activated. For example, if the movie in Figure 2 were supplied to the model shown in Figure 3(b) after training, the izpod output node would become activated, indicating that the model has classified the movie as a positive example of izpod.
Clearly, if this system is to be taken as a model of the human capacity for linguistically categorizing spatial relations and events, it must be able to perform this learning task for spatial terms from any language. Furthermore, it should be able to learn without the benefit of explicit negative instances, as children appear to acquire language under those conditions. The model as currently constructed has learned systems of spatial terms from a range of languages with disparate categorizations of space, and has in some cases done so using positive evidence only. The primary interest of the model then is that it answers the three questions posed at the beginning of this section: (a) it provides an indication of what sort of system could adapt itself to the various structurings of space found in the world’s languages, (b) it is able to learn using only positive evidence, and (c) as we shall see, at the same time it gives rise to predictions concerning semantic universals in the domain of spatial events and relations.

Kết quả (Việt) 1:

khung lâu, và ở đây các khung hình được hiển thị một chồng trên đầu trang của nhau. Khung cuối cùng của bộ phim được chỉ định bởi một vòng tròn nhỏ nằm bên trong trajector.Hình 3 trình bày các mô hình, cấu hình để tìm hiểu một tập hợp các từ tiếng Anh không gian ở (a), và một bộ các điều khoản không gian Nga (b). Đầu vào cho các mô hình là một bộ phim của các loại Hiển thị trong hình 2, và các mô hình được huấn luyện để khi một bộ phim miêu tả một số sự kiện sẽ được hiển thị, chỉ có những người ra nút tương ứng với hình thức đóng cửa lớp học Mô tả chính xác các sự kiện được kích hoạt. Ví dụ, nếu bộ phim trong hình 2 được cung cấp cho các mô hình hiển thị ở hình 3(b) sau khi đào tạo, izpod đầu ra nút nào trở nên kích hoạt, chỉ ra rằng các mô hình đã phân loại bộ phim là một ví dụ tích cực của izpod.Rõ ràng, nếu hệ thống này là để được thực hiện như là một mô hình năng lực con người cho ngôn ngữ phân loại quan hệ không gian và các sự kiện, nó phải có khả năng để thực hiện nhiệm vụ học tập này cho các cụm từ không gian từ bất kỳ ngôn ngữ. Hơn nữa, nó có thể để tìm hiểu mà không có lợi ích rõ ràng trường hợp tiêu cực, như trẻ em xuất hiện để có được các ngôn ngữ theo những điều kiện. Các mô hình như hiện nay xây dựng đã học được các hệ thống của các điều khoản không gian từ một loạt các ngôn ngữ với các phân loại khác nhau của không gian, và có trong một số trường hợp thực hiện như vậy bằng cách sử dụng tích cực bằng chứng chỉ. Sự quan tâm chính của các mô hình sau đó là nó câu trả lời ba câu hỏi đặt ra ở đầu của phần này: (a) cung cấp một dấu hiệu của những gì sắp xếp của hệ thống có thể thích ứng riêng của mình với structurings khác nhau của không gian được tìm thấy trong ngôn ngữ của thế giới, (b) nó có thể để tìm hiểu cách sử dụng chỉ là bằng chứng tích cực, và (c) như chúng ta sẽ thấy , cùng một lúc, nó cho phép tăng để dự đoán về ngữ nghĩa phổ quát trong miền không gian sự kiện và quan hệ.

Kết quả (Việt) 2:

khung dài, và ở đây các khung hình được hiển thị chồng lên trên đầu trang của người khác. Khung cuối cùng của bộ phim được chỉ định bởi một vòng tròn nhỏ nằm bên trong trajector.
Hình 3 trình bày các mô hình, cấu hình để học một tập hợp các điều kiện không gian tiếng Anh ở (a), và một tập hợp các điều kiện không gian Nga (b). Các đầu vào cho mô hình là một bộ phim của các loại thể hiện trong hình 2, và mô hình đang được đào tạo để khi một bộ phim miêu tả một số sự kiện được hiển thị, chỉ có những nút đầu ra tương ứng với các hình thức đóng lớp mà mô tả chính xác sự kiện được kích hoạt. Ví dụ, nếu bộ phim trong hình 2 được cung cấp cho các mô hình thể hiện trong hình 3 (b) sau khi đào tạo, các nút đầu ra izpod sẽ trở nên kích hoạt, chỉ ra rằng các mô hình đã phân loại phim như là một ví dụ tích cực của izpod.
Rõ ràng, nếu hệ thống này sẽ được thực hiện như là một mô hình của năng lực con người cho ngôn ngữ phân loại các mối quan hệ và sự kiện không gian, nó phải có khả năng thực hiện nhiệm vụ học tập này với các điều kiện không gian từ ngôn ngữ nào. Hơn nữa, nó sẽ có thể học mà không vì lợi ích của các trường hợp tiêu cực rõ ràng, như những đứa trẻ xuất hiện để có được ngôn ngữ theo những điều kiện. Các mô hình như hiện nay được xây dựng đã học được hệ thống từ ngữ không gian từ một loạt các ngôn ngữ với các mục phân loại khác nhau của không gian, và có trong một số trường hợp làm như vậy sử dụng bằng chứng tích cực chỉ. Sự quan tâm chính của các mô hình sau đó là nó trả lời ba câu hỏi đặt ra ở đầu phần này: (a) nó cung cấp một dấu hiệu của những gì sắp xếp của hệ thống có thể thích ứng với các structurings khác nhau của không gian được tìm thấy trong các ngôn ngữ trên thế giới, ( b) nó có thể học cách sử dụng chỉ có bằng chứng xác thực, và (c) như chúng ta sẽ thấy, đồng thời nó làm phát sinh liên quan đến dự đoán phổ quát ngữ nghĩa trong lĩnh vực sự kiện không gian và mối quan hệ.