对算法级左角解析对惊喜效应的评估
1Department of Linguistics, The Ohio State University.
Cognitive science
|October 14, 2024
概括
这项研究表明,一种新的模型可以处理复杂的句子模糊性,匹配人类阅读模式. 它成功地预测了人们如何处理困难的语法结构.
科学领域:
- 认知科学 认知科学
- 计算语言学 计算语言学
- 神经科学是一个神经科学.
背景情况:
- 语言处理中的模糊性解决是计算模型的一个关键挑战.
- 现有的模型经常单独处理模糊性,而不是在解析中集成.
- 了解大脑如何处理复杂的语法至关重要.
研究的目的:
- 评估一个算法级分布式关联记忆模型对其管理语言模两可的能力.
- 将该模型的预测与计算级平行解析模型进行比较.
- 为了确定模型是否可以预测在模糊性解决过程中的人类阅读时间.
主要方法:
- 该模型使用叠加的激活模式来保持工作内存中的多个语法分析.
- 模两可是通过解决方案之前的中间词语传播的.
- 一个可测量的预测指标,与日志条件概率成比例,是为明确单词而生成的.
主要成果:
- 分布式关联记忆模型成功地维持并解决了复杂的结构模糊性.
- 该模型的预测与计算水平的并行解析模型保持一致.
- 该模型的输出准确地预测了人类在模两可的背景下阅读时间.
结论:
- 算法级模型可以有效地以统一的方式处理语言模两可.
- 这种方法为理解句子处理和模两可的解决方案提供了一个可行的机制.
- 该模型提供了人类语法处理的计算可信的解释.


