A rekurzív nyelvi struktúra emberi feldolgozásának erőforrás-racionális modellje 2. rész

Ezek az elvárások mérhetők az anyanyelvi beszélők olvasási idejének alapján, amikor az előző kontextus után a végső igével találkoznak, vagy úgy, hogy az anyanyelvi beszélőket megadják az előző szövegkörnyezetnek, és megkérik őket a mondat befejezésére.

Az anyanyelv az első nyelv, amellyel mindenki kapcsolatba kerül és elsajátít. Nemcsak kommunikációs eszköz, hanem memóriaképességünkre is hatással van. Az anyanyelv az egyik legfontosabb eleme az emberi kognitív és észlelési fejlődésnek. Közvetlenül összefügg az emberek nyelvtanulási képességével, kifejezési képességével és gondolkodási képességével.

Sok ember számára az anyanyelv egy erőteljes memóriaeszköz, mivel az anyanyelv ismerete szorosan összefügg a memória képességével. Anyanyelvünk serkenti az emberek emlékezetét, mert természetesen ezt használjuk a körülöttünk lévő emberekkel való kommunikációra, és ennek során meg kell értenünk és reagálnunk kell a nyelvben található információkat. Ezek a tapasztalatok felhalmozódnak az agyunkban, és javítják memóriaszintünket.

Ez meglátszik, amikor a gyerekek elkezdik tanulni anyanyelvüket, mert korlátlan az új nyelvi ismeretek befogadásának képessége. A nyelvtanulás hatása felnőtteknél nem olyan nyilvánvaló, mint gyerekeknél, mert az agy már túl sok fejlődési szakaszon ment keresztül.

Emellett az anyanyelvünk is hozzájárul érzelmi memóriánkhoz. Belső szerveinkhez hasonlóan az agyunk is mélyen bennünk tud emlékeket vésni. Anyanyelvünk serkentheti érzelmeinket, kezdeti érzelmi keretet alkothat, majd ikonikus érzelmeket és emlékeket ébreszthet emlékezetünkben.

Egyszóval nagyon fontos az anyanyelv és az emlékezet kapcsolata. Ha javítani szeretné a memóriáját, érdemes több anyanyelvet tanulnia, és azokat szakszerűen használni, ami nagymértékben javítja memóriaképességét. Ugyanakkor az anyanyelv fontos kulturális örökség is. Lehetővé teszi számunkra, hogy jobban megértsük és kifejezzük kulturális sajátosságainkat és nemzeti karakterünket. Fontos gazdagságunk, és fontos módja annak, hogy örököljük kultúrtörténetünket. Látható, hogy javítanunk kell a memórián, a Cistanche deserticola pedig jelentősen javíthatja a memóriát, mert a Cistanche deserticola szabályozhatja a neurotranszmitterek egyensúlyát is, például növelheti az acetilkolin és a növekedési faktorok szintjét. Ezek az anyagok nagyon fontosak a memória és a tanulás szempontjából. Ezen túlmenően a hús javíthatja a véráramlást és elősegítheti az oxigénszállítást, ami biztosítja, hogy az agy elegendő tápanyagot és energiát kapjon, ezáltal javítva az agy vitalitását és állóképességét.

Kattintson az ismerje meg az agyműködés javításának módjait

Mindkettőt használjuk elméletünk tesztelésére. Először is megmutatjuk, hogy modellünk felnagyított megvalósítása valóban a fent leírt előrejelzéseket eredményezi. Ezután két olvasási idővel végzett kísérletben szisztematikusan változtatjuk a valódi kontextus a priori valószínűségét a szerkezetileg eltérő változatokhoz képest. Azt tapasztaljuk, hogy amikor az előző a nem hiteles változatokat részesíti előnyben, az emberek egyre nehezebben tudják feldolgozni a végső igét.

Ez az ellentét az általunk javasolt egyesítő modell szignatúra előrejelzése, és nem következik a meglévő modellekből sem az elvárás-alapú, sem a memória-alapú paradigmákból.

Végül egy három nyelven (angol, német és spanyol) végzett termelési vizsgálat során analóg mintát mutatunk be a termelésben, amely szerint az emberek nagyobb valószínűséggel állítják elő a megfelelő számú igét, ha a szerkezetileg eltérő változatoknak kisebb a priori valószínűsége.

Formalizálás és végrehajtás
A javasolt erőforrás-racionális veszteséges-kontextus-meglepetés modellt a 2. ábrán írjuk le. A modell kiszámítja a megtartási valószínűséget (28, 29) minden egyes szóra a múlt kontextusában, amelyet 1) a szó azonossága és 2) hány szó tartalmaz. megfigyelése után figyelték meg.

A c teljes memóriareprezentáció ezután a rendelkezésre álló szavakból és a meg nem maradt szavak helyőrző szimbólumából áll.

Bayes szabálya és a nyelv a priori statisztikáinak ismeretében a c egy utólagos P(c|c)-t eredményez a lehetséges kontextusok felett, és így egy prediktív P(w|c) eloszlást a következő szóra. A szó feldolgozási nehézségét a c-től való kiszámíthatatlanságának mértéke határozza meg, a meglepetés információelméleti mennyiségével mérve,

−log P(w|c)=−logcP(w|c)P(c|c). [1]

Az angol nyelv a priori statisztikáit a GPT{0}}(30) segítségével képviseljük, amely egy nagyszabású neurális hálózati modell, amely az egyik legerősebb angol szöveg statisztikai modellje.

A megőrzési valószínűségek paraméterezése egy neurális hálózat segítségével történik, amely a szó és a távolsága környezetfüggetlen vektoros reprezentációján működik. Optimalizáljuk a megőrzési valószínűségeket, hogy minimalizáljuk a modell átlagos meglepetését [1] nagyméretű szöveges adatokkal szemben, a megtartott kontextusszavak átlagos számának felső korlátja mellett.

A modellt ennek a korlátnak a 0 és 20 közötti egész értékeire illesztettük.

Az optimalizálás az angol Wikipédia szöveges adatait használja, amelyek nem kapcsolódnak a központi beágyazási ingerekhez (lásd Anyagok és módszerek).

Az optimalizált megőrzési valószínűségek szembetűnően két kulcsfontosságú tulajdonságot mutatnak: A szavak nagyobb valószínűséggel maradnak meg, ha frissek, és ha kisebb a szógyakoriságuk (SI függelék, S2 ábra). Mindkét torzítás jól dokumentált az emberi nyelvi memóriával kapcsolatos kísérleti kutatásokban (31–33).

Előrejelzések

Erőforrás-racionális veszteséges kontextusú meglepetést használtunk, hogy három előrejelzést származtassunk a beágyazott rekurzív struktúrák feldolgozására vonatkozóan (1. B és C ábra). Először is, a több beágyazási szintből való helyreállításnak nehezebbnek kell lennie (kék vs. zöld vonalak az 1C. ábrán).

Ez az egyszerű előrejelzés a legtöbb mondatértési memóriamodellben közös, egészen az 1960-as évekig (2, 4, 7, 24). Modellünk általában megjósolja, mivel a több beágyazási szint eleve kevésbé valószínű, így a kevesebb szinttel rendelkező, nem hiteles változatok általában nagyobb a priori valószínűséggel rendelkeznek.

Másodszor, a helyreállításnak könnyebbnek kell lennie, ha a szemantikai jelzések megerősítik az előző beágyazási kontextus megfelelő függőségi struktúráját. Ezt a jóslatot úgy teszteltük, hogy manipuláltuk, hogy a másodiktól az utolsóig kompatibilis-e az első és a második főnév is, mint az 1B. ábra 1. tételében (a jelentés ... bosszankodva és a doktor ... bosszankodva egyaránt valószínű), vagy csak a másodnévvel, mint az 1B. ábra 2. tételében (a… gyógyult jelentés valószínűtlen, míg az orvos… gyógyult szó valószínű).

Ha ez az ige összeegyeztethetetlen az első főnévvel, mint tárgyával, akkor nem részesíti előnyben a nem hiteles kontextusábrázolásokat, mint például: "az orvos jelentése meggyógyította a beteget...", és így megerősíti a valódi kontextust.

Ezért a „bosszantott” ige megváltoztatása „gyógyult”-ra csökkenti a végső ige feldolgozási erőfeszítéseit.

A központi beágyazás korai munkája már megállapította, hogy a főnevek és az igék közötti szemantikai egyezés megkönnyítette a megértést (25, 26, 34), de amennyire tudjuk, ez a hatás a szóról szóra olvasási időkben nem mutatkozott meg. Bár egy ilyen hatás összeegyeztethető egyes memóriaalapú elméletekkel (7, 35), a létező számításilag explicit modellekben nem fordul elő (7).

Harmadszor, a helyreállításnak könnyebbnek kell lennie, ha a főnevek statisztikai jelzéseket adnak (1B. ábra, 3. tétel). A főnevek erősen eltérnek attól a priori valószínűségtől függően, hogy egy "az" záradék követi őket; ez a valószínűség ≈70% ("tény") és ≈0,7% ("jelentés") között mozog.

A „beágyazási elfogultság” kifejezést használjuk annak a log-valószínűségének jelölésére, hogy egy főnév után „az” következik. Az 1B. ábra 3. tételében a „jelentés” főnév „tény”-re váltása csökkenti a nem hiteles változatok valószínűségét, ami az előrejelzések szerint szintén csökkenti a végső ige feldolgozási erőfeszítéseit.

A KETTŐ és HÁROM körülmények között a harmadik igét pontosabban kell megjósolni az ishigher torzítás beágyazásakor, mivel növeli a valódi kontextus a priori valószínűségét (csökkenő kék és zöld vonalak az 1C. ábrán).

Ez az előrejelzés nem a meglévő modellekből következik, hanem a modellünk egyenes következménye. Az ONE feltételben az ellenkező mintát várjuk (növekvő piros vonal az 1C. ábrán), mivel azokat a főneveket, amelyek nagyon nagy valószínűséggel tartalmaznak záradékot, kevésbé valószínű, hogy közvetlenül egy ige követi.

Az így kapott nehézségi mintázat élesen eltér attól, amit a meglévő memória-alapú és elvárás-alapú modellek jósolnak (1D ábra és SI függelék, S7.1 szakasz).

Ezeket a függőségi lokalitás elmélettel (DLT) (36) szemléltetjük, amely azt állítja, hogy a nehézségek a hosszú szintaktikai függőségek integrálásából fakadnak, és a meglepetéselmélet (9, 10) segítségével, amely azt állítja, hogy a feldolgozási erőfeszítés arányos a teljesen hiteles kontextus reprezentációiból származó meglepetéssel.

A beágyazási szintek számának hatását és az ONE feltétel viselkedését a meglévő memória-, illetve elvárás-alapú elméletek jósolják meg.

Azonban a korábbi modellek egyik csoportja sem jósolja meg a szemantikai kompatibilitás vagy a beágyazott torzítás hatásait a KÉT és HÁROM feltételben. További korábbi modellekért lásd az SI függelék S7 szakaszát.

1. kísérlet: Statisztikai jelzések hatása

Az erőforrás-racionális veszteséges kontextusú meglepetést úgy teszteltük, hogy összehasonlítottuk a modell meglepetést (1. egyenlet) az emberi feldolgozási nehézségekkel az utolsó igében, ami az olvasási időkben tükröződik.

Az 1A. ábrán látható formának 32 ingerét szerkesztettük meg, mindegyik három feltétellel (EGY, KETTŐ és HÁROM), és ezeket kereszteztük 58 különböző főnévvel, amelyek a beágyazási torzításban változtak (pl. jelentés, tény, ... ).

Először a meglepetéselméletre és a DLT-re vonatkozó előrejelzéseket készítettünk a végső igére vonatkozóan (3A. ábra); a meglepetéselméletet ugyanazzal a statisztikai modellel valósítottuk meg, mint a priorin modellünkhöz (GPT-2). Ezután meglepő módon kiszámítottuk az erőforrás-racionális kontextust, és a megőrzési valószínűségek optimalizálása során megtartott kontextusszavak átlagos számát 0-ről 20-ra változtattuk.

Ennek a paraméternek a tartományában a modell három különálló fázison megy keresztül (SI Függelék, S4 ábra): Ha sok (17) szó megmarad, a viselkedés nagyon hasonlít a meglepetés elméletéhez.

Ha csak néhány (4) szót megőrzünk, a modell meglepődése egyértelműen lapos a KÉT és HÁROM nyelvben.

Közben a modell a fent leírt kvalitatív előrejelzéseket mutatja be; A 3A. ábrán 10 szóból álló átlagos megtartási arányra mutatunk be eredményeket (lásd az SI függeléket, az S4 ábrát az egyéb megőrzési arányok esetén): A modell meglepetése nagyobb a HÁROM feltételben, mint a TWO, növekszik az EGY feltétel beágyazásával, és csökken beágyazott torzítással a TWO és a HÁROM feltételben.

Ezeket az előrejelzéseket az emberi olvasási időkkel hasonlítottuk össze, amelyeket a labirintus paradigma segítségével mértünk (37–39). Ebben a paradigmában a résztvevők szóról szóra olvassák fel a mondatokat, és választanak a megfelelő következő szó és egy olyan zavaró szó között, amelynek hossza és gyakorisága megegyezik, de az adott kontextusban nagyon rossz.

Az érdeklődésre számot tartó függő változó a választáshoz szükséges idő (reakcióidő). A labirintus-paradigma nagyobb időbeli felbontást és érzékenységet tesz lehetővé, mint a hagyományos saját tempójú olvasási paradigma, amely a tovagyűrűző hatások miatt rossz lokalizációtól és a figyelmetlen résztvevők miatti zajtól szenved, különösen a web-alapú kísérletekben (38, 39).

Különböző módszerek léteznek a disztraktor szavak létrehozására; Az A-labirintus változatot használjuk, amelyben a disztraktorok automatikusan generálódnak nagyszabású statisztikai nyelvi modellek (39) segítségével (a részletekért lásd az Anyagok és módszerek című részt).

100 angol anyanyelvű személyt toboroztunk, minden résztvevő esetében 10 kritikus vizsgálatból gyűjtöttünk adatokat, amelyeket 30 töltőanyaggal tarkítottunk (a részletekért lásd az Anyagok és módszerek című részt).

A medián résztvevő a szavak 1,9%-ánál hibázott mind a kitöltők, mind a kritikus kísérletek során. A résztvevők számára előre meghatározott kizárási kritérium (helytelen válasz a szavak 20%-ánál vagy annál nagyobb arányban) a résztvevők 1,0%-át érintette.

Az olvasási idő elemzéséből kizártuk azokat a kísérleteket, amikor a kritikus szóra adott válasz rossz volt; ez az adatok 5,2%-át érintette (elsősorban a nehéz HÁROM feltételnél). Lásd az SI függelék S3.6 szakaszát a hibák és a hibákhoz kötött olvasási idők elemzéséhez.

Az olvasási időket a 3A. ábra utolsó igénél mutatjuk be. Ezeket log-transzformáció után bayesi lineáris vegyes hatású regresszióban elemeztük, a résztvevők, tételek és főnevek véletlenszerű hatását beírva (részletekért lásd Anyagok és módszerek).

Az eredmények az erőforrás-racionális modell által előrejelzett hatásokat mutatják. Először is, az olvasási idő magasabb volt a HÁROM-ban, mint a TWO-ban (=0.18,95% hiteles intervallum [CrI] [0.13, 0.25], P( < {{ 8}}) < 0. ms). Másodszor, kölcsönhatás volt a beágyazási torzítás és az "az" záradék jelenléte között (=-0,09, 95% CrI [-0,15, -0,03], P( > 0) {{25} }.0015).

Mind a modellünkkel, mind a meglepetés elméletünkkel összhangban a beágyazási torzítás hatása pozitív volt az ONE feltételben (a "tény" és a "jelentés" közötti különbség: 297 ms, 95% CrI [34, 566] ms).

Azonban, amint azt modellünk megjósolta, ez az effektus negatívvá vált egy "az"-záradék jelenlétében (a "tény" és a "jelentés" közötti különbség: -166 ms, 95% CrI [-297, -41] ms). Ez a hatás megegyezik a modell előrejelzéseivel, és nincs összhangban a DLT-vel vagy a meglepetés-elmélettel.

A beágyazási mélység és a beágyazási torzítás közötti kölcsönhatás kimutatható a kísérletek adatainak összevonásakor (SI Függelék, S2.1 és S6.6 szakasz). További elemzésekért lásd az SI Függelék S3 szakaszát.

Megállapítottuk, hogy az erőforrás-racionális veszteséges kontextus meglepetése nem csak a középső beágyazásoknál, hanem a kitöltési kísérleteknél is jobb a meglepetéselmélethez és a DLT-hez képest az olvasási idők előrejelzésében (SI Függelék, S9 szakasz).

Megvizsgáltuk az egységes memóriamodellre vonatkozó előrejelzéseket is, ahol minden kontextus szó egyenlő valószínűséggel megmarad, a veszteséges kontextus meglepetéssel kapcsolatos korábbi munkákban feltételezve (22). Ez a modell megjósolja a beágyazási torzítás hatásait, de nem a mélység hatását.

Továbbá összehasonlítottuk egy ablak alapú modellel, ahol pontosan az utolsó K szó áll rendelkezésre; ez a modell előrejelzi a mélység hatását, de nem a beágyazási torzítás negatív hatását. A részletekért lásd az SI Függelék S2.2 szakaszát.

For more information:1950477648nn@gmail.com