The role of world knowledge in Quantifier Scope Disambiguation: a corpus-based approach

dc.abstract.en	Sentences containing multiple quantificational expressions often give rise to scope ambiguities. Scope resolution has been argued to depend on both syntactic structure and lexical–semantic knowledge. This thesis investigates the relative contribution of algorithmic mechanisms — operationalised here as grammatical role — and heuristic mechanisms — operationalised as lexical–semantic information — to the quantifier scope disambiguation task. Leveraging a machine learning approach, quantifier scope disam- biguation is formulated as a pairwise classification task. Several models are trained and evaluated that differ only in the linguistic features incorporated, including grammatical role, lexical realisation of quantifiers, distributional embeddings of quantifiers, and embeddings of semantic relations between them. The results show that models using lexical and semantic information substantially outperform those relying solely on grammatical role. Combining embeddings of quantifiers and relations between them yields the highest accuracy, while adding grammatical role on top of the embedding information does not result in a statistically significant improvement. These findings provide computational support for the “Heuristic first, algorithmic second” model of sentence comprehension from a computational perspective and emphasise the central role of lexical–semantic knowledge in quantifier scope resolution.
dc.abstract.pl	Zdania zawierające wiele kwantyfikatorów często prowadzą do niejednoznaczności zasięgowych i interpretacyjnych. Rozstrzyganie zasięgu kwantyfikatorów uznawane jest za proces zależny zarówno od struktury składniowej, jak i od wiedzy leksykalno-semantycznej. Niniejsza praca bada wkład mechanizmów algorytmicznych oraz heurystycznych w zadanie rozstrzygania niejednoznaczności zasięgu kwantyfikatorów. Mechanizmy algorytmiczne są operacjonalizowane jako rola gramatyczna, natomiast mechanizmy heurystyczne jako informacja leksykalno-semantyczna. Wykorzystując podejście oparte na uczeniu maszynowym, zadanie rozstrzygania zasięgu kwantyfikatorów sformułowano jako problem klasyfikacji. Wytrenowano i oceniono kilka modeli, które różniły się wyłącznie zastosowanymi cechami językowymi, takimi jak rola gramatyczna, leksykalizacja kwantyfikatorów, dystrybucyjne reprezentacje wektorowe kwantyfikatorów oraz reprezentacje relacji semantycznych między nimi. Wyniki pokazują, że modele wykorzystujące informację leksykalną i semantyczną osiągają istotnie lepsze rezultaty niż model opierający się wyłącznie na roli gramatycznej. Połączenie reprezentacji wektorowych kwantyfikatorów oraz relacji między nimi prowadzi do najwyższej efektywności klasyfikacji, natomiast dodanie informacji o roli gramatycznej do modelu opartego na reprezentacjach wektorowych nie skutkuje statystycznie istotną poprawą wyników. Uzyskane rezultaty stanowią obliczeniowe potwierdzenie modelu przetwarzania zdań „najpierw heurystyki, potem algorytmy” oraz podkreślają kluczową rolę wiedzy leksykalno-semantycznej w rozstrzyganiu zasięgu kwantyfikatorów.
dc.affiliation	Uniwersytet Warszawski
dc.affiliation.department	Wydział Psychologii
dc.contributor.author	Leczkowski, Aleksander
dc.contributor.promoter	Grudzińska-Zawadowska, Justyna
dc.contributor.reviewer	Grudzińska-Zawadowska, Justyna
dc.contributor.reviewer	Przepiórkowski, Adam
dc.date.defence	2026-03-06
dc.date.issued	2026
dc.date.submitted	2026-02-24
dc.identifier.apd	228354
dc.language	en
dc.language.other	pl
dc.publisher	Uniwersytet Warszawski
dc.rights	ClosedAccess
dc.subject.en	quantifier scope
dc.subject.en	scope disambiguation
dc.subject.en	word embeddings
dc.subject.en	world knowledge
dc.subject.en	dependencies
dc.subject.en	heuristic cues
dc.subject.en	algorithmic processing
dc.subject.en	machine learning
dc.subject.pl	zasięg kwantyfikatora
dc.subject.pl	rozstrzyganie zasięgu kwantyfikatorów
dc.subject.pl	wektorowe reprezentacje słów
dc.subject.pl	wiedza o świecie
dc.subject.pl	zależności składniowe
dc.subject.pl	wskazówki heurystyczne
dc.subject.pl	przetwarzanie algorytmiczne
dc.subject.pl	uczenie maszynowe
dc.title	The role of world knowledge in Quantifier Scope Disambiguation: a corpus-based approach
dc.title.alternative	Rola wiedzy o świecie w rozstrzyganiu zasięgu kwantyfikatorów - badanie korpusowe
dc.type	MasterThesis