Las funciones de creencia en la lingüística computacional: una reconsideración de los modos del creer
DOI:
https://doi.org/10.35494/topsem.2016.2.36.451Palabras clave:
teoría de la evidencia, sujeto artificial, reconocimiento de voz, agentes de diálogoResumen
Propuestas como elemento central de un modelo probabilístico, las funciones de creencia intentan capturar las creencias que un sujeto o agente artificial genera conforme observa el mundo. Aunque dicho constructo ha sido exitoso en diversos campos de la ciencia, en la mayoría de sus aplicaciones para el diseño de agentes artificiales la modalidad del creer ha explotado tan sólo algunos de sus posibles modos de manifestación. Esto ha cambiado con algunas aplicaciones recientes de la lingüística computacional, donde todos los modos del creer de esta modalidad cognitiva son finalmente abordados. Esta ampliación de los modos del creer en el diseño de sujetos artificiales ha resultado en una mejora en el desempeño de estas aplicaciones de la lingüísticacomputacional. Así, la advertencia de Greimas de no ignorar esta modalidad cognitiva gana una validez y actualidad evidentes.
Descargas
Citas
BARNETT, J. A. (1981). “Computational methods for a mathematical theory of evidence”. IJCAI’81 Proceedings of the Seventh International Joint Conference on Artificial Intelligence. Vol. 2. San Francisco, California: Morgan Kaufmann, pp. 868-875.
BLOCH, I. (2008). “Defining belief functions using mathematical morphology–application to image fusion under imprecision”. International Journal of Approximate Reasoning. Num. 48, pp. 437-465.
BONET, B, & GEFFNER, H. (2013). “Causal belief decomposition for planning with sensing: Completeness results and practical approximation”. In F. Rossi (Ed.). Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence (pp. 2275-2281). Menlo Park, California: AAAI Press / International Joint Conferences on Artificial Intelligence.
___________ (2014). “Belief tracking for planning with sensing: Width, complexity and approximations”. Journal of Artificial Intelligence Research. Núm. 5, pp. 923-970.
BRIER, S. (2009). “Cybersemiotic pragmaticism and constructivism”. Constructivist Foundations. Núm. 5. Vol. 1, pp. 19-38.
___________ (2010). “Cybersemiotics: An evolutionary world view going beyond entropy and information into the question of meaning”. Entropy. Núm. 12. Vol. 8, pp. 1902-1920.
CADORE, J., VALVERDE-ALBACETE, F. J., GALLARDO-ANTOLÍN, A. & PELÁEZ MORENO, C. (2013). “Auditory-inspired morphological processing of speech spectrograms: Applications in automatic speech recognition and speech enhancement”. Cognitive computations. Núm. 5. Vol. 4, pp. 426-441. Recuperado el 10 de diciembre de 2015, de: http://e archivo.uc3m.es/handle/10016/15932#preview
CIMATTI, A., ROVERI, M., & BERTOLI, P. (2004). “Conformant planning via symbolic model checking and heuristic search”. Artificial Intelligence. Núm. 159, pp. 127-206.
COHEN, M. H., GIANGOLA, J. P., & BALOGH, J. (2004). Voice User Interface Design. Boston, Massachusetts: Addison-Wesley.
CONTRERAS, M. J. (2012). “Introducción a la semiótica del cuerpo: presencia, enunciación encarnada y memoria”. Cátedra de Artes. Núm. 12, pp. 13-29.
DAHL, D. (Ed.) (2004). Practical Spoken Dialog Systems. Dordrecht, Holanda: Kluwer Academic.
DEMPSTER, A. P. (1967). “Upper and lower probabilities induced by a multivalued mapping”. The Annals of Mathematical Statistics. Núm. 38. Vol. 2, pp. 325-339.
GREIMAS, A. J. (1989). Del sentido II. Ensayos Semióticos. Madrid: Gredos.
HENDERSON, M., THOMSON, B., & YOUNG, S. (2014). “Word-based dialog state tracking with recurrent neural networks”. Proceedings of the SIGDIAL 2014 Conference. Stroudsburg, Pensilvania: Association for Computational Linguistics, pp. 292-299.
JURAFSKY, D., & MARTIN, J. H. (2008). Speech and Language Processing: An Introduction to Language Natural Processing, Computational Linguistics, and Speech Recognition, 2a. ed. Upper-Saddle River, Nueva Jersey: Pearson-Prentice Hall.
KLEIN, J., LECOMTE, C., & MICHÉ, P. (2010). “Hierarchical and conditional combination of belief functions induced by visual tracking”. International Journal of Approximate Reasoning. Núm. 51, pp. 410-428.
KOCSIS, L., & SZEPESVÁRI, C. (2006). “Bandit based Monte-Carlo planning”. Proceedings of the Seventeenth European Conference on Machine Learning. Berlín: Springer-Verlag, pp. 282-293.
LIN, W., BUFFET, O., LEE, C. & TEYTAUD, O. (2012). “Optimistic heuristics for Minesweeper”. In R. Chang, L. C. Jain, & S Peng (eds.). Proceedings of International Computer Symposium. Taiwan: Springer, pp. 199-207.
MA, Y., RAUX, A., RAMACHANDRAN, D., & GUPTA, R. (2012). “Landmark-based location belief tracking in a spoken dialog system”. Proceedings of the 13th Annual Meeting of the Special Interest Group on Discourse and Dialogue. Stroudsburg, Pensilvania: Association for Computational Linguistics, pp. 169-178.
MCTEAR, F. M. (2004). Spoken Dialogue Technology: Toward the Conversational User Interface. Nueva York: Springer.
MISU, T., RAUX, A., GUPTA, R. & LANE, I. (2014). “Situated language understanding at 25 miles per hour”. Proceedings of the SIGDIAL 2014 Conference. Stroudsburg, Pensilvania: Association for Computational Linguistics, pp. 22-31.
OBERTI, L. (2003). “Semiótica de las pasiones y sujeto de conocimiento”. XI Jornadas de Reflexión Académica. Buenos Aires, Argentina: Universidad de Palermo, pp. 81-83.
OSBORNE, M. J., & RUBINSTEIN, A. (1994). A Course in Game Theory. Cambridge, Massachusetts: MIT.
PROVAN, Q. M. (1989). “A logic interpretation of Dempster Shafer theory, with application to visual recognition”. Proceedings of the Fifth Annual AAAl Workshop on Uncertainty and AI, pp. 287-294.
SHAFER, G. (1976). A Mathematical Theory of Evidence. Princeton, Nueva Jersey: Princeton University.
SILVA, H. (2014). “Significante, sentido, sujeto: diálogos entre psicoanálisis y semiótica”. Revista Sujeto, Subjetividad y Cultura. Núm. 7, pp. 41-49.
SZELISKI, R. (2010). Computer Vision: Algorithms and Applications. Londres: Springer-Verlag.
TUROCY, T. L., & VON STENGEL, B. (2003). “Game Theory”. In H. Bigdoli (eds.), Encyclopedia of Information Systems. Vol. 2. EE.UU: Elsevier Science, pp. 403-420.
WERBOS, P. J. (1991). “Links between artificial neural networks (ANN) and statistical pattern recognition”. In I. K. Sethi, & A. K. Jain (eds.), Artificial Neural Networks and Statistical Pattern Recognition: Old and New Connections. Amsterdam: Elsevier Science, pp. 11-32.
WILLIAMS, J. D. (2012). “A belief tracking challenge task for spoken dialog systems”. Proceeding SDCTD ‘12 NAACL-HLT Workshop on Future Directions and Needs in the Spoken Dialog Community: Tools and Data. Stroudsburg, Pensilvania: Association for Computational Linguistics, pp. 23-24.
YAGER, R. R. & LIU, L. (2008). Classic Works of the Dempster-Shafer Theory of Belief Functions. Berlín: Springer-Verlag.
ZADEH, L. A. (1984). Reseña del libro A Mathematical Theory of Evidence. AI Magazine. Núm. 5. Vol. 3, pp. 81-83.
ZELIS, O. P. (2015). “Yo (self) y otro; sujeto y Otro: Términos relativos para una lógica del conocimiento-de-sí-mismo y del crecimiento subjetivo”. Ponencia presentada en VI Jornadas Peirce en Argentina, pp. 1-12. Buenos Aires: Academia Nacional de Ciencias de Buenos Aires.
Publicado
Cómo citar
Número
Sección
Licencia
Tópicos del Seminario is licensed under a Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional License.
