1. INTRODUCCIÓN
1.1. La psicopatía: orígenes y definición del constructo
1.1.1. Psicopatía en población infanto-juvenil: ¿constructo unidimensional o
A partir da inserção de textos não-literários ou denotativos no CalcuLetra (n=3.330), comparando-os com os valores matemáticos e estatísticos obtidos no banco de palavras obtido, revela-se quão compreensivo é o texto inserido, considerando que o seu conteúdo possua os devidos elementos de coesão textual, conforme as regras gramaticais da língua, já que o aprendizado sintático se consolida por volta dos 12 anos de idade (BERNS, 2002). Verificamos o valor de Pc média inferior a ,3 para textos com maiores chances de causar incompreensão.
Figura 5. Registro randômico da inserção de textos não-literários no CalcuLetra e as suas respectivas Pc médias.Os textos inseridos (ex., artigos, redações, notícias, resumos, materiais didáticos) foram delimitados conforme modelo similar ao mostrado no Apêndice 2, o que corresponde a aproximadamente 30 linhas no MS Word, com margens padrão de 3 cm. As
palavras não encontradas no banco do Calculetra são automaticamente desconsideradas. Pc=
,3 ≥ ,5 para a maioria dos textos analisados, podendo os textos com Pc média ≤ ,3 serem considerados como de difícil compreensão. Significância estatística Pc ≥ ,21. Variação total da Pc média = ,23 ≥ ,69. Pc média = ,42.
Utilizamos o método de Segmentação Binária (SCOTT; KNOTT, 2006) que
P
c
M é d ia ( % ) Textosidentifica mudanças na média e variância de Pc a medida em que o número de textos crescia. Dessa forma, o método identificou os pontos: 24, 551, 2724, 3152 e 3295.
Nota-se que, dentro de cada intervalo dos pontos de mudança, a relação entre Pc e os textos é estritamente linear. Dessa forma, 6 regressões lineares foram ajustadas considerando os intervalos de tempo identificados nos pontos de mudança e os resultados são apresentados na Tabela 7 e no gráfico 6. Logo, vale ressaltar que:
· No intervalo [1; 24], quando o número de textos aumenta em 10 unidade, a Pc
aumenta, em média, em 3,00 unidades;
·No intervalo (25; 551), quando o número de textos aumenta em 10 unidades, a
Pc aumenta, em média, em 0,03 unidades;
· No intervalo (552; 2724], quando o número de textos aumenta em 10 unidades,
a Pc aumenta, em média, em 0,10 unidades;
· No intervalo (2725; 3152], quando o número de textos aumenta em 10
unidades, a Pc aumenta, em média, em 0,03 unidades;
· No intervalo (3153; 3295], quando o número de textos aumenta em 10
· No intervalo (3296; 3330], quando o número de textos aumenta em 10
unidades, a Pc aumenta, em média, em 3,00 unidades.
· Em todos os modelos o valor de R² foi praticamente perfeito.
Tabela 7. Regressão linear gaussiana para os textos denotativos e a Pc. Amostra de
textos βo β1 R
2
Coef. E.P Valor-p Coef. E.P Valor-p
[1; 24] 22,881 0,000 0,000 0,300 0,000 0,000 1,000 (25; 551) 30,378 0,000 0,000 0,003 0,000 0,000 1,000 (552; 2724] 31,737 0,002 0,000 0,010 0,000 0,000 0,999 (2725; 3152] 53,400 0,000 0,000 0,003 0,000 0,000 0,999 (3153; 3295] 54,734 0,004 0,000 0,030 0,000 0,000 0,999 (3296; 3330] 59,298 0,000 0,000 0,300 0,000 0,000 0,999 O Gráfico 6 apresenta a comparação entre os valores reais e os valores ajustados. É possível perceber que os modelos conseguem captar bem as características dos dados.
Gráfico 6. Modelo de Regressão Ajustado para os textos denotativos e as suas respectivas
Pc médias.
Tabela 8. Medidas de desvio. As estimativas de MAD (0,024) e MSD (0,002) foram baixas, sugerindo a proximidade dos valores ajustados com os dados reais. Além disso, a estimativa do MAPE foi de que, em média, a previsão está incorreta em 0,064%.
Textos denotativos Textos denotativos
Pc
méd
ia
(%
Desvios
MAD 0,024
MSD 0,002
MAPE 0,064%
Para a classificação dos textos, a Pc se mostrou mais fidedigna em relação à
entropia informacional, já que esta indica apenas a caoticidade da distribuição probabilística, podendo, porém, ser utilizada para a otimização da aprendizagem quanto menor for a sua presença em um texto, este sendo necessariamente composto em grande parte por palavras comuns ou redundantes. Desta maneira, um texto considerado complexo a partir do método exposto deve ser incompreensível aos usuários da língua em geral, contendo necessariamente em sua maior parte palavras de baixa familiaridade.
6 DISCUSSÃO
As análises de complexidade textual geralmente incluem vários domínios (CROSSLEY et al., 2017; GRAESSER; MCNAMARA; KULIKOWICH, 2011). Nesta pesquisa, a dificuldade de compreensão escrita foi quantificada para avaliar objetivamente a complexidade de textos de caráter predominantemente denotativo em português e já organizados sintaticamente na norma padrão da língua, com base no vocabulário usado por um determinado autor. A compreensão do texto foi estimada a partir das correlações entre as representações semânticas das palavras e suas respectivas probabilidades para assegurar que a complexidade textual estava profundamente relacionada com o seu grau de familiaridade e a entropia semântica das palavras.
A compreensão textual é o objetivo final do processo de decodificação exigido na atividade de leitura, considerando que os processos de decodificação (reconhecimento de palavras e entendimento do texto) podem dar-se independentemente, contudo, a sua colaboração é necessária para que possa atingir a compreensão (CITOLER; SANZ, 1997) e construir um conhecimento semântico a partir das informações obtidas pela interação com o material lexical já organizado sintaticamente.
Na literatura, o presente estudo pode ser considerado inovador no campo, sendo a primeira investigação sobre dificuldade de compreensão escrita em português utilizando métodos quantitativos e parâmetros objetivos, com contribuições relevantes para pesquisas futuras. Nossos resultados mostraram que houve
limitações no processamento de entrada (leitura), considerando que os dicionários de português dispõem de mais de 400 mil verbetes e nossos resultados apontam para a utilização média de 6 a 9 mil palavras, há, portanto, ainda lacunas a serem ultrapassadas. Entendemos que a assimilação e a utilização de palavras funcionam no processo evolutivo como um catalisador cognitivo em prol da transmissão cultural, esta capaz de modificar vieses.
Ao apresentarmos uma análise probabilística de palavras em língua portuguesa moderna, explicitamos todos os dados relevantes obtidos. Mostramos que o texto constituído em sua maior parte por palavras redundantes tem alta quantidade de informação, com maior probabilidade de ser compreendido pela maioria dos leitores, o que por outro lado faz com que mesmo um usuário proficiente na língua tenha ruídos no seu processamento mental ao se deparar com palavras incomuns.
Embora a heterogeneidade semântica tenha sido frequentemente considerada enquanto obstáculo à interoperabilidade dos conjuntos de dados, encontramos semelhanças entre grupos de palavras onde a entropia informacional revelou-se baixa, conforme mostrado na Tabela 9 e na Tabela 10.
Tabela 9. Exemplos aleatórios de palavras com Pc ≥ ,7.
Este grupo de palavras foi predominante por elementos conectivos para coesão textual (ex., conjunções e preposições).
ID Palavra F P (%) Pc (%) Pd (%) I (bits) h (bits)
107504 Com 240327 2,739839 97,843672 2,156328 5,535279 0,119358
110952 Para 232542 2,651089 94,674283 5,325717 4,230880 0,225324
Tabela 10. Exemplos aleatórios de palavras com Pd ≥ ,3. Este grupo de palavras foi predominante por elementos semanticamente significativos para a coerência textual (ex., substantivos e adjetivos).
ID Palavra f P (%) Pc (%) Pd (%) I (bits) h (bits)
112540 Percolação 40 0,000456 0,760000 99,240000 0,011005 0,010921
227 Alvarenga 64 0,000730 1,216667 98,783333 0,017660 0,017445
159 Albumina 289 0,003295 5,491667 94,508333 0,081487 0,077012
Em média, textos voltados ao público infantil contêm palavras familiares, comuns ou redundantes a maioria dos usuários da língua. O rebuscamento textual mostra-se passível de quantificação, ao ser capaz de gerar a incompreensão por sua imprevisibilidade ou baixa familiaridade ao leitor, pouca quantidade de informação e baixa entropia informacional, conforme a Figura 6 sumariza. A partir da análise, foi possível identificar tais ruídos no processamento cognitivo.
Figura 6. Visão geral dos parâmetros probabilísticos do banco de dados.
O modelo apresentado contribui para uma avaliação objetiva da compreensão textual, ao relacionar as representações semânticas de palavras e sua ocorrência, para quantificar a compreensão a partir dos mais prováveis ruídos semânticos da linguagem denotativa em português. Neste sentido, podemos sugerir a dificuldade da compreensão escrita para uma avaliação da
complexidade textual, que está mais frequentemente relacionada ao grau de entropia semântica embutida no significado de suas palavras, ou seja, no seu grau de familiaridade. As nuances do discurso podem até passar despercebidas pelo leitor ou mesmo se diferirem entre um grupo de leitores, mas, se as palavras forem redundantes, a compreensão nunca será nula.
Embora o entendimento do funcionamento do processamento e armazenamento de informações requerer cada vez mais metodologias inovadoras, já se mostrou que as palavras relacionadas são armazenadas em conjunto, já verbos e substantivos permanecem alocados em diferentes áreas (VIGLIOCCO et al., 2011). Este também foi o caso em nosso banco de dados, considerando que a maioria das conjugações verbais apresentou alta entropia e que, apesar da baixa ocorrência, seus radicais implicavam o significado ou a decodificação semântica mais provável, o que as tornaram irrelevantes no presente estudo.
Não é possível ter ciência de quais palavras virão em um texto, porém, o alto grau de imprevisibilidade indica maior probabilidade de seu conteúdo não ser compreendido, pois se previsível, é redundante. Em um estudo de frequência de palavras em livros, a quantidade de informação em 300 a 3000 palavras imprevisíveis foi relatada como sendo de 0,2 bits por palavra (MARCELO; DAMIAN, 2010), o que foi congruente com os achados em nosso conjunto de dados.
As equações da teoria da informação e a confiabilidade dos seus princípios foram amplamente validados, confirmando que aspectos complexos da
informação, organizados em sequências simbólicas, eram susceptíveis de quantificação e análise usando essa teoria (MONTEMURRO; ZANETTE, 2002; MONTEMURRO; ZANETTE, 2011; DEBOWSKI, 2011; KALIMERI et al., 2015). No entanto, neste trabalho, classificamos a dificuldade de decodificação semântica usando fórmulas de equivalência pré-estabelecidas, de modo que um índice médio para a compreensão de leitura de texto denotativo em português fosse definido. Este estudo também diferiu de outras pesquisas que buscavam quantificar a entropia da ordem das palavras em frases, cujos resultados mostraram que houve entropia relativamente constante, apesar da diversidade de vocabulário (MONTEMURRO, 2014).
Avaliamos, portanto, a compreensão textual com a premissa de que quanto mais compreensível, menos complexo, sem dissociar compreensão e complexidade, tendo em vista a improbabilidade de um texto de alta complexidade em termos semânticos ser compreendido por indivíduos de baixa instrução. Ao ter ciência de que cada texto armazenado no CalcuLetra é um produto do repertório linguístico do seu autor, consideramos a medida da complexidade e consequentemente a compreensão como sendo o grau de familiaridade das palavras, ao estabelecermos que textos complexos são aqueles com palavras incomuns de baixa frequência, passíveis de identificação e quantificação como demonstrado nos nossos resultados.
Nossos resultados sugerem que usuários da língua alfabetizados e neurotípicos podem não compreender textos inseridos no CalcuLetra classificados como de difícil compreensão, apesar da sua visão de mundo, cultura, memórias,
experiências e percepções semânticas individuais. Acreditamos, contudo, que experimentos mentais concretos também precisam ser realizados em avaliações de escrita e leitura quando comparados com a média estatística de nível universitário encontrada no CalcuLetra, para confirmar a eficácia deste modelo e assim encorajar o uso de palavras incomuns por indivíduos, o que aumentaria sua capacidade de compreensão em si, com a possibilidade de alterar a distribuição global da capacidade de compreensão como um todo entre os estudantes. À medida que identificamos níveis de compreensão textual, nossos resultados podem ser aplicados também para a elaboração ou seleção de livros didáticos e avaliações escritas ou redações.
Pesquisas adicionais são necessárias para a quantificação da compreensão escrita em português, principalmente em redes neurais artificiais e na identificação de leitores com distúrbios de aprendizagem, que ainda carece de um método de diagnóstico objetivo, bem como estudos sobre redes cognitivas para elucidar a quantificação da memória semântica, análise de frequência e representações mentais (FEINSTEIN, 2011), para um melhor entendimento das relações entre a compreensão escrita em nível semântico, a frequência de palavras na língua e o processamento mental de signos de forma quantitativa e estatística.
Planejamos expandir o banco de dados do CalcuLetra com o mínimo de erros possível e disponibilizá-lo para futuras pesquisas. Atualmente, estamos criando um dicionário digital para as palavras desconhecidas mais usadas identificadas neste estudo para estimular o uso mais eficaz da ferramenta de aprendizado e
pretendemos desenvolver um aplicativo educativo auxiliar na aquisição de vocabulário dirigido tanto para usuários iniciantes quanto fluentes de língua portuguesa. É nossa meta também testar indivíduos alfabetizados (tanto neurotípicos como não-neurotípicos), com idade superior a 11 anos, uma vez que esta é a idade em que as pessoas iniciam a realização de operações cognitivas complexas (ILIAS; ESA, 2017), usando os textos denotativos inseridos no CalcuLetra, com base nas suas probabilidades de conhecimento média e grau de familiaridade, para confirmar nossos resultados e verificar quão distante os indivíduos se encontram da média universitária obtida. Nosso estudo certamente abre vias para outras aplicações e deve ser amplamente lido por profissionais interdisciplinares em semântica, linguística computacional e aprendizagem de línguas.
Apesar dos resultados preliminares, este estudo foi mais uma prova de conceito para o método empregado, diferentemente das outras metodologias de abordagem sintática existentes na literatura (GASPERIN et al., 2009; ALUÍSIO
et al., 2008A; CASELI et al., 2009; CANDIDO JUNIOR et al., 2009; WATANABE et al., 2009; GASPERIN; MASIERO; ALUISIO, 2010; SCARTON; ALUÍSIO,
2010), demonstrando o seu potencial para futuras pesquisas. O modelo aqui introduzido pode ser universalmente adaptado a outras línguas para determinar a dificuldade de compreensão textual, no sentido de estendê-la ou aprimorá-la para alcançar diferentes objetivos e metas.
7 CONCLUSÃO
A partir do banco de palavras de sentido denotativo obtido e de suas respectivas fórmulas probabilísticas de conhecimento ou grau de familiaridade armazenados no software CalcuLetra, inserimos para o teste e quantificação de textos não- literários, encontrando um índice de dificuldade de compreensão textual em português. É possível, assim, obter níveis médios estatísticos de compreensão escrita a partir dos parâmetros objetivos pertencentes ao modelo quantitativo apresentado, o que pode ser o início para a elaboração de uma relevante ferramenta de avaliação de padrões comportamentais no processo de escrita e leitura, bem como de transtornos nesse comportamento, cujo principal indicador é a incompreensão textual. Nossos resultados revelam grupos de palavras que causam a incompreensão ou facilitam a leitura. Adicionalmente, apontamos lacunas em média enfrentadas, no que tange à aquisição e utilização de vocabulário da língua, ainda distante de ser usufruído em sua totalidade. Nosso modelo pode ser aplicado como instrumento de avaliação auxiliar em exames dissertativos de concursos públicos e/ ou de vestibulares em prol de uma avaliação objetiva da produção textual, ou ainda para a elaboração e análise de materiais didáticos.
REFERÊNCIAS
Arnaldo Candido Junior, Erick Maziero, Caroline Gasperin, Thiago Pardo, Lucia Specia and Sandra M. Aluisio. 2009. Supporting the Adaptation of Texts for Poor Literacy Readers: a Text Simplification Editor for Brazilian Portuguese. In the Proceedings of the NAACL HLT Workshop on Innovative Use of NLP for Building
Educational Applications, pages 34–42, Boulder, Colorado, June 2009.
Bao J. Towards a theory of semantic communication. Technical report, Rensselaer Polytechnic Institute. 2011.
Bar-Hillel Y, Carnap R. An outline of a theory of semantic information. Research Laboratory of Electronics Technical Report 247, Massachusetts Institute of Technology. 1952.
Bergelson E, Swingley D. The acquisition of abstract words by young infants. Cognition, 2013;127.
Bergelson, E., & Swingley, D. At 6–9 months, human infants know the meanings
of many common nouns. Proceedings of the National Academy of Sciences,
109(9), 3253–3258, 2012.
Berns RM. O Desenvolvimento da Criança. Tradução por: Cecilia Camargo Bartalotti e Marcos Bagno. Edições Loyola, 2002; 800.
biblio.com.br [Internet]. Biblioteca Virtual de Literatura; c2017 [cited 2017 Mar 20]. Available from: http://www.biblio.com.br
Booth JR, Burman DD, Meyer JR, Gitelman DR, Parrish TB, Mesulam MM. Modality independence of word comprehension. Hum Brain Mapp. 2002a; 16: 251-61.
BORGES, S. Psicanálise, linguística, linguisteria. São Paulo: Escuta, 2010. Breiman L, Friedman J, Olshen R, Stone C. Classification of regression trees. Wadsworth Books. 1984; 358.
Brent M., Siskind JM. The role of exposure to isolated words in early vocabulary development. Cognition, 2001; 81: B33-B44.
Caroline Gasperin, Erick Masiero and Sandra M. Aluisio. Challenging choices for text simplification, 2010.
from:http://www.cervantesvirtual.com/portal/fbn/cat_titulos.shtml
Champollion L. Quantification and negation in event semantics. Baltic
International Yearbook of Cognition, Logic and Communication: 2011; 6: 1-23.
Citoler, D. C. & Sanz, O. R. A Leitura e a Escrita: Processos e Dificuldades na sua Aquisição. In: R. Bautista, Necessidades Educativas Especiais,(pp. 127- 129). Lisboa: Dinalivro, 1997.
Cohen L, Dehaene S, Naccache L, Lehéricy S, DehaeneLambertz G, Hénaff M, et al. The visual word form area: Spatial and temporal characterization of an initial stage of reading in normal subjects and posterior split-brain patients. Brain. 2000; 123: 291-307.
corpusbrasileiro.pucsp.br [Internet]. Pontifícia Universidade Católica de São Paulo (PUC-SP): Corpus Brasileiro; c2017 [cited 2017 Mar 20]. Available from: http://corpusbrasileiro.pucsp.br/cb/Inicial.html
corpusdoportugues.org [Internet]. Mark Davies: Corpus do Português; c2017 [cited 2017 Mar 20]. Available from: http://www.corpusdoportugues.org/
Crossley SA, Skalicky S, Dascalu M, McNamara D, Kyle K. Predicting text comprehension, processing, and familiarity in adult readers: New approaches to readability formulas. Discourse Processes. 2017; 54: 340.
D’Alfonso S. On quantifying semantic information. Information. 2011; 2: 61-101. D’Alfonso S. Review of information: A very short introduction. Essays in Philosophy. 2010; 11: 2-10.
Debowski T. On the vocabulary of grammar-based codes and the logical consistency of texts. IEEE Trans Inf Theory. 2011; 57: 4589-4599.
DIAS, Maria Sara de Lima; KAFROUNI, Roberta; BALTAZAR, Camilla Silva and STOCKI, Juliana. A formação dos conceitos em Vigotski: replicando um experimento. Psicol. Esc. Educ, vol.18, n.3, p.493-500, 2014.
DOR, J. Inconsciente. In: KAUFMANN, P. Dicionário Enciclopédico de Psicanálise: o legado de Freud e Lacan. Rio de Janeiro: Jorge Zahar, 1996. en.wiktionary.org [Internet]. Wiktionary; c2017 [cited 2017 Mar 20]. Available from:
https://en.wiktionary.org/wiki/Wiktionary:Frequency_lists/BrazilianPortuguese_w ordlist
Feinstein, S. A Aprendizagem e o Cérebro. Lisboa: Horizontes Pedagógicos, 2011.
figaro.fis.uc.pt [Internet]. Página sobre Eça de Queirós; c2017 [cited 2017 Mar 20]. Available from: http://figaro.fis.uc.pt/queiros/eca_intro.html
FINATTO, M. J. B. Complexidade Textual Em Artigos Científicos: Contribuições Para O Estudo Do Texto Científico Em Português. Organon (UFRGS), v. 50, p. 30-45, 2011.
Flavell, J. Speculations about the nature and development of metacognition. In: F. Weinert & R. Kluwe (Ed.), Metacognition, motivation, and understanding. Hillsdale, NJ: Lawrence Erlbaum, p. 21-29, 1987.
Fourtassi A, Dupoux E. The role of word-word co-occurrence in word meaning learning. In proceedings of the 38th Annual Meeting of the Cognitive Science Society, Poster; 2016.
Fox, J. Applied Regression Analysis and Generalized Linear Models, Second Edition. Sage, 2008.
Gasperin C, Specia L, Pereira T, Aluísio S. Learning when to simplify sentences for natural text simplification. In: Proceedings of ENIA; 2009. 809-818.
github.com [Internet]. Hermit D; c2017 [cited 2017 Mar 20]. Available from: https://github.com/hermitdave/FrequencyWords/blob/master/content/2016/pt_br/ pt_br_50k.txt
Graesser, A., McNamara, D., & Kulikowich, J. Coh-Metrix: Providing multilevel
analysis of text characteristics. Educational Researcher, 40, 223–234, 2011.
Hansson K, Baath R, Löhndorf S, Sahlén B, Sikström S. Quantifying Semantic Linguistic Maturity in Children. Journal of Psycholinguistic Research, 2015.
Hartmann N, Avanço L, Balage P, Magali D, Booth MGV, Pardo T, Aluísio S. A
large corpus of product reviews in Portuguese: Tackling out-of-vocabulary words. In Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC’ 14), Reykjavik, Iceland. European Language Resources Association (ELRA); 2014.
Helena Caseli, Tiago Pereira, Lucia Specia, Thiago Pardo, Caroline Gasperin and Sandra Aluísio. Building a Brazilian Portuguese parallel corpus of original and simplified texts. In: Alexander Gelbukh (ed). Advances in Computational Linguistics, Research in Computer Science, vol 41, p. 59-70, 2009.
Ilias MR, Esa A. Children’s psychology development. Psychology, 2017; 6924- 46925. ISSN 2229-712X.
Indefrey, P. The spatial and temporal signatures of word production components: A critical update. Frontiers in Psychology, Volume 2, 255, 2011.
Jefferies, E. The neural basis of semantic cognition: Converging evidence from neuropsychology, neuroimaging, and TMS. Cortex, 49, 611-625, 2013.
JOLY, M. C., SANTOS, L. M., & MARINI, J. A. Uso de estratégias de leitura por alunos do Ensino Médio. Paidéia: Revista Cadernos de Psicologia e Educação, Ribeirão Preto, v. 34, p. 204-214, 2006.
Kalimeri M, Constantoudis V, Papadimitriou C, Karamanos K, Diakonos FK, Papageorgiou H.Word-length entropies and correlations of natural language written texts. J Quant Linguist. 2015; 22(2): 101-118.
Kemmerer, D. The cognitive neuroscience of language: An introduction. New York: Psychology Press, 2014.
Kendeou P, van den BROEK P, Helder A, Karlsson J. A cognitive view of reading comprehension: Implications for reading difficulties. Learn Disabil Res Pract. 2014; 29(1): 10-16.
Landauer T, Dumais S. A solution to Plato’s problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge. Psychol Rev. 1997; 104: 211-240.
LOPES, E. J. (Org.). Temas em Ciências Cognitivas & Representação Mental. Porto Alegre: Sinopsys, 2012.
Marcelo AM, Damian HZ. Towards the quantification of the semantic information encoded in written language. Adv Compl Sys. 2010; 13(02):135-153.
Mário Eduardo Viaro, Zwinglio O. Guimarães-Filho. Análise quantitativa da frequência dos fonemas e estruturas silábicas portuguesas. USP, São Paulo, Estudos Linguísticos XXXVI (1), p.27 / 36, janeiro-abril, 2007.
Mark D. A Frequency Dictionary of Portuguese. 2011: Routledge.
Matthewson, L. The measurement of semantic complexity: How to get by if your language lacks generalized quantifiers. In: Frederick J. Newmeyer & Laurel B. Preston (eds.), Measuring grammatical complexity. Oxford: Oxford University
Press, 241—263, 2014.
MATURANA, Humberto, MPODOZIS, Jorge, LETELIER, Juan Carlos, Brain, Language and the Origin of Human Mental Functions, Biological Research, 28: 15-26, 1995.
Montemurro M, Zanette DH. Universal entropy of word ordering across linguistic families. PLOS ONE. 2011; 6(5): e19875.
Montemurro MA, Zanette DH. Complexity and universality in the long-range order