Abstract This study investigates how L1–L2 typological distance moderates the predictive validity of large language model (LLM)-based metrics in L2 reading, alongside the compensatory role of cognitive resources. Eye-tracking data from Chinese learners with L1 Lao, Burmese, Thai and Vietnamese revealed that surprisal predicted processing difficulty across all groups, whereas contextual entropy effects were group-specific and qualified by cognitive differences. Cognitive abilities explained unique variance only in Vietnamese learners, with verbal short‑term storage (VSTS) showing an independent effect. Additionally, VSTS and reading comprehension accuracy showed significant interactions with typological distance, such that higher learner-level memory and comprehension-performance indices were associated with reduced processing burden under greater L1–L2 divergence. These findings demonstrate that LLM metrics’ validity is constrained by typology and modulated by cognitive resources, supporting adaptive L2 processing models and the Cognitive Resource Coordination Model (Robinson [2001, Second Language Research 17(4), pp. 368–392]).
این مطالعه بررسی می‌کند که چگونه فاصلهٔ نوع‌شناختی میان زبان اول و دوم، روایی پیش‌بینی‌کنندگی سنجه‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) را در خواندن زبان دوم تعدیل می‌کند و همچنین نقش جبرانی منابع شناختی را مورد توجه قرار می‌دهد. داده‌های ردیابی چشم از زبان‌آموزان چینی با زبان اول لائو، برمه‌ای، تایلندی و ویتنامی نشان داد که سورپرایزال پیش‌بین دشواری پردازش در همه گروه‌ها بود، در حالی که اثرات آنتروپی متنی خاص هر گروه بوده و با تفاوت‌های شناختی تبیین می‌شود. توانایی‌های شناختی تنها در زبان‌آموزان ویتنامی واریانس منحصربه‌فردی را تبیین کردند و ذخیره‌سازی کوتاه‌مدت کلامی (VSTS) اثر مستقلی نشان داد. همچنین، VSTS و دقت درک مطلب در تعامل معنادار با فاصلهٔ نوع‌شناختی قرار داشتند، به‌گونه‌ای که شاخص‌های بالاتر حافظه و عملکرد درک مطلب در سطح زبان‌آموز با کاهش بار پردازشی در شرایط واگرایی بیشتر میان زبان اول و دوم همراه بود. این یافته‌ها نشان می‌دهد که روایی سنجه‌های LLM توسط نوع‌شناسی محدود شده و توسط منابع شناختی تعدیل می‌شود و از مدل‌های پردازش تطبیقی زبان دوم و مدل هماهنگی منابع شناختی (Robinson [2001, Second Language Research 17(4), pp. 368–392]) حمایت می‌کند.
Context. Automated analysis of sports movements is an important area of modern intelligent computer systems and sports science. In gymnastics, assessing the quality of a performance depends largely on subjective judgment, which limits the accuracy and reproducibility of results. The use of image analysis and artificial intelligence methods opens up the possibility of creating automated systems for recognizing gymnastic elements, but the high dimensionality of visual data complicates the practical implementation of such solutions. This necessitates the search for approaches that increase accuracy and reduce computational complexity.Objective. The purpose of the work is to determine the impact of using the method of main components in combination with deep neural networks on the accuracy, speed and generalization ability of models for classifying gymnastic elements by images.Method. The paper uses an approach that combines the preliminary reduction of the dimensionality of images by the method of main components and subsequent classification using neural networks of different architectures. The study was performed on a set of images of gymnastic elements with preliminary normalization and unification of data. A comparative experimental analysis of models with full and reduced dimensionality of the input space was carried out.Results. The results obtained show that the reduction of dimensionality allows to significantly reduce the computational complexity of models without a significant loss of classification quality. It has been established that the combination of the principal component method with a fully connected neural network provides accuracy comparable to resource-intensive convolutional architectures with significantly lower requirements for computing resources. An optimal balance between preserving the information content of data and noise filtering has been revealed.Conclusions. The scientific novelty of the work lies in the complex experimental substantiation of the effectiveness of the hybrid approach to the classification of gymnastic elements in the compressed feature space. The practical significance of the results lies in the possibility of creating compact and high-speed systems for automated analysis of sports movements, suitable for use in mobile and embedded applications. further work in this direction
زمینه: تحلیل خودکار حرکات ورزشی یکی از حوزه‌های مهم سامانه‌های هوشمند رایانه‌ای و علم ورزش مدرن است. در ژیمناستیک، ارزیابی کیفیت اجرا تا حد زیادی به قضاوت ذهنی وابسته است که این امر دقت و قابلیت تکرار نتایج را محدود می‌کند. استفاده از روش‌های تحلیل تصویر و هوش مصنوعی امکان ایجاد سامانه‌های خودکار برای شناسایی عناصر ژیمناستیکی را فراهم می‌سازد، اما ابعاد بالای داده‌های بصری، پیاده‌سازی عملی چنین راه‌حل‌هایی را پیچیده می‌کند. این امر ضرورت جستجوی رویکردهایی را ایجاب می‌کند که دقت را افزایش داده و پیچیدگی محاسباتی را کاهش دهند. هدف: هدف این پژوهش تعیین تأثیر استفاده از روش مؤلفه‌های اصلی در ترکیب با شبکه‌های عصبی عمیق بر دقت، سرعت و قابلیت تعمیم مدل‌ها برای طبقه‌بندی عناصر ژیمناستیک بر اساس تصاویر است. روش: در این مقاله رویکردی به کار رفته است که کاهش ابعاد اولیه تصاویر با روش مؤلفه‌های اصلی را با طبقه‌بندی پسین با استفاده از شبکه‌های عصبی با معماری‌های مختلف ترکیب می‌کند. مطالعه بر روی مجموعه‌ای از تصاویر عناصر ژیمناستیک با نرمال‌سازی و یکسان‌سازی اولیه داده‌ها انجام شده است. تحلیل تجربی مقایسه‌ای مدل‌ها با فضای ورودی کامل و کاهش‌یافته ابعاد صورت گرفته است. یافته‌ها: نتایج به‌دست‌آمده نشان می‌دهد که کاهش ابعاد به طور معناداری پیچیدگی محاسباتی مدل‌ها را بدون افت قابل توجه کیفیت طبقه‌بندی کاهش می‌دهد. مشخص شد که ترکیب روش مؤلفه‌های اصلی با شبکه عصبی کاملاً متصل، دقتی قابل مقایسه با معماری‌های پیچیده مبتنی بر شبکه عصبی کانولوشنی با نیاز به منابع محاسباتی بسیار کمتر فراهم می‌کند. تعادل بهینه‌ای میان حفظ محتوای اطلاعاتی داده‌ها و پالایش نویز شناسایی شد. نتیجه‌گیری: نوآوری علمی این پژوهش در اثبات تجربی جامع اثربخشی رویکرد ترکیبی برای طبقه‌بندی عناصر ژیمناستیک در فضای ویژگی فشرده نهفته است. اهمیت عملی نتایج در امکان ایجاد سامانه‌های فشرده و پرسرعت برای تحلیل خودکار حرکات ورزشی است که برای استفاده در کاربردهای موبایل و نهفته مناسب می‌باشند. ادامه پژوهش در این زمینه پیشنهاد می‌شود.
