Skip to Main Content

For the general task of classifying any ACW into any discourse/pragmatic function, our full-model SVM classifier achieves the best overall results. To take a closer look at the performance of this model, we compute its F-measure for the discourse/pragmatic functions of each individual lexical item, as shown in Table 12. We observe that the classifier achieves better results for word–function pairs with higher counts in the Games Corpus, such as yeah-Agr or right-Mod (cf. Table 2). Again, the low counts for the remaining word–function pairs may prevent a better generalization during the learning stage, a problem that could be attenuated in future work with boosting and bootstrapping techniques.

Table 12

F-measure achieved by our full-model SVM classifier for the different discourse/pragmatic functions of each lexical item.


Agr
BC
CBeg
PBeg
PEnd
Mod
BTsk
Chk
Stl
alright .88 – .93 – .33 – – – – 
mm-hm .35 .94 – – – – – – – 
okay .82 .51 .88 .27 .63 .53 – .18 
right .84 – – – – .98 – .53 – 
uh-huh .35 .93 – – – – – – – 
yeah .96 .54 – – .17 – – – – 

Agr
BC
CBeg
PBeg
PEnd
Mod
BTsk
Chk
Stl
alright .88 – .93 – .33 – – – – 
mm-hm .35 .94 – – – – – – – 
okay .82 .51 .88 .27 .63 .53 – .18 
right .84 – – – – .98 – .53 – 
uh-huh .35 .93 – – – – – – – 
yeah .96 .54 – – .17 – – – – 

Close Modal

or Create an Account

Close Modal
Close Modal