Rekursīvās lingvistiskās struktūras cilvēku apstrādes resursracionāls modelis 2. daļa

Šīs cerības var izmērīt, izmantojot dzimtās valodas runātāju lasīšanas laiku, kad viņi saskaras ar beigu darbības vārdu pēc iepriekšējā konteksta, vai arī sniedzot dzimtā valoda runātājiem ar iepriekšējo kontekstu un aicinot viņus pabeigt teikumu.

Dzimtā valoda ir pirmā valoda, ar kuru ikviens saskaras un ko apgūst. Tas ir ne tikai saziņas līdzeklis, bet arī ietekmē mūsu atmiņas spējas. Dzimtā valoda ir viens no svarīgākajiem elementiem cilvēka izziņas un uztveres attīstībā. Tas ir tieši saistīts ar cilvēku valodas apguves spējām, izteiksmes spējām un domāšanas spējām.

Daudziem cilvēkiem dzimtā valoda ir spēcīgs atmiņas rīks, jo dzimtās valodas prasme ir cieši saistīta ar atmiņas spējām. Mūsu dzimtā valoda stimulē cilvēku atmiņu, jo mēs to dabiski izmantojam, lai sazinātos ar apkārtējiem cilvēkiem, un šajā procesā mums ir jāsaprot valodā ietvertā informācija un jāreaģē uz to. Šī pieredze uzkrājas mūsu smadzenēs un uzlabo atmiņas līmeni.

To var redzēt, kad bērni sāk apgūt savu dzimto valodu, jo viņu spēja apgūt jaunas valodas zināšanas ir neierobežota. Valodu apguves ietekme pieaugušajiem nav tik acīmredzama kā bērniem, jo ​​smadzenes jau ir izgājušas pārāk daudz attīstības posmu.

Turklāt mūsu dzimtā valoda veicina arī mūsu emocionālo atmiņu. Tāpat kā mūsu iekšējie orgāni, arī mūsu smadzenes var iespiest atmiņas dziļi mūsos. Mūsu dzimtā valoda var stimulēt mūsu emocijas, veidot sākotnējo emocionālo ietvaru un pēc tam izveidot ikoniskas emocijas un atmiņas mūsu atmiņā.

Īsāk sakot, dzimtās valodas un atmiņas attiecības ir ļoti svarīgas. Ja vēlaties uzlabot atmiņu, iespējams, vēlēsities apgūt vairāk dzimto valodu un prasmīgi tās lietot, kas ievērojami uzlabos jūsu atmiņas spējas. Tajā pašā laikā dzimtā valoda ir arī nozīmīgs kultūras mantojums. Tas ļauj mums labāk izprast un izteikt savas kultūras īpatnības un nacionālo raksturu. Tā ir mūsu svarīgā bagātība un svarīgs veids, kā mantot savu kultūras vēsturi. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var būtiski uzlabot atmiņu, jo Cistanche deserticola var regulēt arī neirotransmiteru līdzsvaru, piemēram, palielināt acetilholīna un augšanas faktoru līmeni. Šīs vielas ir ļoti svarīgas atmiņai un mācībām. Turklāt gaļa var arī uzlabot asins plūsmu un veicināt skābekļa piegādi, kas var nodrošināt, ka smadzenes saņem pietiekami daudz barības vielu un enerģijas, tādējādi uzlabojot smadzeņu vitalitāti un izturību.

Noklikšķiniet uz zināt veidus, kā uzlabot smadzeņu darbību

Mēs izmantojam abus, lai pārbaudītu savu teoriju. Pirmkārt, mēs parādām, ka mūsu modeļa paplašinātā ieviešana patiešām iegūst iepriekš intuitīvi aprakstītās prognozes. Tālāk divos lasīšanas laika eksperimentos mēs sistemātiski mainām patiesā konteksta a priori varbūtību attiecībā pret strukturāli atšķirīgiem variantiem. Mēs atklājam, ka, ja iepriekšējais dod priekšroku nekonkrētiem variantiem, cilvēkiem ir lielākas grūtības apstrādāt beigu darbības vārdu.

Šis kontrasts ir mūsu piedāvātā vienojošā modeļa paraksts, un tas neizriet no esošajiem modeļiem, kas balstīti uz cerībām vai uz atmiņu balstītām paradigmām.

Visbeidzot, ražošanas pētījumā trīs valodās (angļu, vācu un spāņu) mēs parādām analogu ražošanas modeli, saskaņā ar kuru cilvēki, visticamāk, radīs pareizo darbības vārdu skaitu, ja strukturāli atšķirīgiem variantiem ir mazāka a priori iespējamība.

Formalizācija un ieviešana
Mēs aprakstām piedāvāto modeli, resursu racionālais zaudējumu konteksts pārsteigums, 2. attēlā. Modelis aprēķina saglabāšanas varbūtību (28, 29) katram vārdam pagātnes kontekstā, ko nosaka 1) vārda identitāte un 2) vārdu skaits. novērots pēc tā novērošanas.

Pēc tam kopējais atmiņas attēlojums c sastāv no pieejamajiem vārdiem un viettura simbola tiem vārdiem, kas nav saglabāti.

Izmantojot Beijesa likumu un zināšanas par valodas a priori statistiku, c rada posterior P(c|c) pār iespējamiem kontekstiem un līdz ar to paredzamo sadalījumu P(w|c) nākamajam vārdam. Vārda apstrādes grūtības nosaka tā neparedzamības pakāpe no c, ko mēra pēc informācijas teorētiskā pārsteiguma daudzuma,

−log P(w|c)=−logcP(w|c)P(c|c). [1]

Mēs atspoguļojam angļu valodas a priori statistiku, izmantojot GPT{0}}(30) — liela mēroga neironu tīkla modeli, kas nodrošina vienu no spēcīgākajiem esošajiem angļu teksta statistikas modeļiem.

Saglabāšanas varbūtības tiek parametrizētas, izmantojot neironu tīklu, kas darbojas uz vārda un tā attāluma no konteksta neatkarīgu vektora attēlojumu. Mēs optimizējam saglabāšanas varbūtības, lai samazinātu modeļa vidējo pārsteigumu [1] par liela mēroga teksta datiem, ievērojot augšējo robežu no vidējā saglabāto konteksta vārdu skaita.

Mēs pielāgojām modeli šīs robežas veselo skaitļu vērtībām no 0 līdz 20.

Optimizācijā tiek izmantoti teksta dati no angļu Vikipēdijas, kas nav saistīti ar interesējošiem centra iegulšanas stimuliem (skatiet sadaļu Materiāli un metodes).

Optimizētajām saglabāšanas varbūtībām ir skaidri redzamas divas galvenās īpašības: vārdi, visticamāk, tiks saglabāti, ja tie ir nesen, un ja tiem ir mazāks vārdu biežums (SI pielikums, S2 att.). Abas novirzes ir labi dokumentētas eksperimentālajos pētījumos par cilvēka lingvistisko atmiņu (31–33).

Prognozes

Mēs izmantojām resursu racionālu zudumu konteksta pārsteigumu, lai iegūtu trīs prognozes par ligzdotu rekursīvu struktūru apstrādi (1. B un C att.). Pirmkārt, atgūšanai no vairākiem iegulšanas līmeņiem vajadzētu būt grūtākam (zilām un zaļām līnijām 1. C attēlā).

Šī vienkāršā pareģošana ir raksturīga lielākajai daļai teikuma izpratnes atmiņas modeļu, sākot ar 1960. gadiem (2, 4, 7, 24). Mūsu modelis parasti to paredz, jo vairāk iegulšanas līmeņu a priori ir mazāk ticams, tāpēc neveridāliem variantiem ar mazāk līmeņu a priori ir lielāka varbūtība.

Otrkārt, atkopšanai vajadzētu būt vienkāršākai, ja semantiskās norādes pastiprina pareizo atkarības struktūru iepriekšējam iegulšanas kontekstam. Mēs pārbaudījām šo prognozi, manipulējot ar to, vai darbības vārds, kas ir no otra līdz pēdējam, ir saderīgs gan ar pirmo, gan otro lietvārdu kā tā priekšmetu, kā tas ir 1. B att., 1. punkts (gan ziņojums ... annoyed, gan ārsts . . . annoyed ir ticami). vai tikai ar otro lietvārdu, kā parādīts 1.B attēlā, 2. punktā (ziņojums .. izārstēts ir neticams, savukārt ārsts .. izārstēts ir ticams).

Ja šis darbības vārds nav savienojams ar pirmo lietvārdu kā tā priekšmetu, tas neatbalsta nekonkrētu konteksta attēlojumu, piemēram, "ārsta ziņojums izārstēja pacientu..." un tādējādi pastiprina patieso kontekstu.

Tāpēc, mainot darbības vārdu “nokaitināts” uz “izārstēts”, būtu jāsamazina pēdējā darbības vārda apstrādes piepūle.

Jau agrīnā darbā pie centra iegulšanas tika atzīmēts, ka lietvārdu un darbības vārdu semantiskā atbilstība padarīja izpratni vieglāku (25, 26, 34), taču, cik zināms, šī ietekme nav pierādīta lasīšanas laikā pa vārdam. Lai gan šāds efekts var būt saderīgs ar dažām uz atmiņu balstītām teorijām (7, 35), esošajos skaitļošanas modeļos tas nerodas (7).

Treškārt, atkopšanai vajadzētu būt vienkāršākai, ja lietvārdi sniedz atbalsta statistiskas norādes (1. B attēls, 3. pozīcija). Lietvārdi ļoti atšķiras atkarībā no a priori varbūtības, ka tiem seko klauzula "tas"; šī varbūtība svārstās no ≈70% ("fakts") līdz ≈0,7% ("ziņojums").

Mēs izmantojam terminu "iegulšanas novirze", lai apzīmētu žurnāla varbūtību, ka lietvārdam seko "tas". 1. B attēlā, 3. punktā, mainot lietvārdu “ziņot” uz “fakts”, tiek samazināta neveridisko variantu iespējamība, kas atkal paredz samazināt galīgā darbības vārda apstrādes piepūli.

Apstākļos DIVI un TRĪS, trešais darbības vārds ir jāparedz precīzāk, iegulstot neobjektivitāti ishigher, jo tas palielina a priori patiesā konteksta varbūtību (dilstošās zilās un zaļās līnijas 1. C attēlā).

Šī prognoze neizriet no esošajiem modeļiem, bet ir vienkārša mūsu modeļa sekas. Nosacījuma ONE gadījumā mēs sagaidām pretēju modeli (augošā sarkanā līnija 1. C attēlā), jo lietvārdiem, kas ar ļoti lielu varbūtību ir iestrādāts teikums, ir mazāka iespēja, ka tūlīt pēc darbības vārda.

Iegūtais sarežģītības modelis krasi atšķiras no tā, ko paredz esošie uz atmiņu balstīti un uz cerībām balstīti modeļi (1.D att. un SI pielikuma S7.1. sadaļa).

Mēs tos ilustrējam, izmantojot atkarības lokalizācijas teoriju (DLT) (36), kas apgalvo, ka grūtības rada ilgstošu sintaktisko atkarību integrēšana, un pārsteiguma teoriju (9, 10), kas apgalvo, ka apstrādes piepūle ir proporcionāla pārsteigumam, kas iegūts no pilnībā veridical konteksta attēlojumiem.

Iegulšanas līmeņu skaita ietekmi un ONE nosacījuma uzvedību paredz attiecīgi esošās uz atmiņu un cerībām balstītas teorijas.

Tomēr neviena no iepriekšējo modeļu grupām neparedz semantiskās saderības vai iegulšanas neobjektivitātes ietekmi TWO un TRĪS apstākļos. Vairāk par iepriekšējiem modeļiem skatiet SI pielikuma S7 sadaļā.

1. eksperiments: statistisko norāžu ietekme

Mēs pārbaudījām resursu racionālu zaudējumu konteksta pārsteigumu, salīdzinot modeļa pārsteigumu (1. vienādojums) ar cilvēka apstrādes grūtībām pēdējā darbības vārdam, kas atspoguļojas lasīšanas laikā.

Mēs izveidojām 32 1. A attēlā redzamās formas stimulus, katrā no tiem trīs nosacījumi (VIENS, DIVI un TRĪS), un krustojām tos ar 58 dažādiem lietvārdiem, kas atšķiras pēc iegulšanas novirzes (piemēram, ziņojums, fakts, ...).

Mēs vispirms atvasinājām prognozes pārsteiguma teorijai un DLT grūtībām pēdējā darbības vārdam (3.A att.); mēs ieviesām pārsteiguma teoriju, izmantojot to pašu statistikas modeli, ko izmantojām mūsu modelim (GPT-2). Pēc tam mēs pārsteidzoši aprēķinājām resursu racionālo kontekstu, mainot vidējo konteksta vārdu skaitu, kas tika saglabāts, optimizējot saglabāšanas varbūtības, no 0līdz 20.

Visā šī parametra diapazonā modelis šķērso trīs atšķirīgas fāzes (SI pielikums, S4 att.): Ja tiek saglabāti daudzi (17) vārdi, uzvedība ir ļoti līdzīga pārsteiguma teorijai.

Ja tiek saglabāti daži (4) vārdi, modeļa pārsteigums ir neskaidrs DIVOS un TRĪS.

Starplaikā modelis parāda iepriekš aprakstītās kvalitatīvās prognozes; mēs parādām rezultātus vidējam 10 vārdu saglabāšanas līmenim 3.A attēlā (sk. SI pielikumu, S4 att. rezultātus citos saglabāšanas līmeņos): Modeļa pārsteigums ir lielāks TRĪS apstākļos nekā DIVOS, palielinās, iekļaujot novirzi VIENS nosacījumam, un samazinās. ar iegulšanas novirzi TWO un TRĪS nosacījumos.

Mēs salīdzinājām šīs prognozes ar cilvēka lasīšanas laiku, ko mērījām, izmantojot labirinta paradigmu (37–39). Šajā paradigmā dalībnieki lasa teikumus pa vārdam un izvēlas starp pareizo nākamo vārdu un traucējošo vārdu, kas atbilst garumam un biežumam, bet ir ļoti slikts dotajā kontekstā.

Atkarīgais interesējošais mainīgais ir laiks, kas nepieciešams, lai izdarītu izvēli (reakcijas laiks). Labirints paradigma nodrošina augstāku laika izšķirtspēju un jutīgumu nekā tradicionālā pašmācības lasīšanas paradigma, kas cieš no sliktas lokalizācijas spillover efektu dēļ un no trokšņa, ko rada neuzmanīgi dalībnieki, jo īpaši tīmekļa eksperimentos (38, 39).

Distraktoru vārdu izveidei pastāv dažādas metodes; mēs izmantojam A-labirinta variantu, kurā traucētāji tiek automātiski ģenerēti, izmantojot liela mēroga statistikas valodu modeļus (39) (sīkāku informāciju skatiet sadaļā Materiāli un metodes).

Mēs piesaistījām 100 angļu valodas runātājus, apkopojot datus no 10 kritiskiem izmēģinājumiem katram dalībniekam, kas tika sajaukti ar 30 pildvielām (sīkāku informāciju skatiet sadaļā Materiāli un metodes).

Vidējais dalībnieks pieļāva kļūdu 1,9% vārdu gan aizpildījumos, gan kritiskajos izmēģinājumos. Iepriekš noteiktais dalībnieku izslēgšanas kritērijs (nepareiza atbilde uz Vairāk par vai vienāds ar 20% vārdu) ietekmēja 1,0% dalībnieku.

Mēs izslēdzām no lasīšanas laika analīzēm izmēģinājumus, kad atbilde uz kritisko vārdu bija nepareiza; tas ietekmēja 5,2% datu (galvenokārt sarežģītajos TRĪS apstākļos). Skatiet SI pielikuma S3.6. sadaļu par kļūdu analīzi un no kļūdām atkarīgo nolasīšanas laiku.

Mēs parādām lasīšanas laikus pēdējā darbības vārdam 3.A attēlā. Mēs tos analizējām pēc log-transformācijas, izmantojot Bajesa lineāro jaukto efektu regresiju, ievadot dalībnieku, vienumu un lietvārdu nejaušus efektus (sīkāku informāciju skatiet sadaļā Materiāli un metodes).

Rezultāti parāda resursu racionālā modeļa paredzētās sekas. Pirmkārt, lasīšanas laiks bija lielāks TRĪS nekā TWO (=0.18,95% ticams intervāls [CrI] [0.13, 0.25], P( < {{ 8}}) < 0.0{{20}}01,efekts neapstrādātā nolasīšanas laikā: 217 ms, 95% CrI [144, 297] ms). Otrkārt, pastāvēja mijiedarbība starp iegulšanas novirzi un "tas" klauzulas klātbūtni (=−0,09, 95% CrI [−0,15, −0,03], P( > 0) {{25} }.0015).

Atbilstoši gan mūsu modelim, gan pārsteiguma teorijai, iegulšanas novirzes ietekme bija pozitīva ONE stāvoklī (atšķirība starp "faktu" un "ziņojumu": 297 ms, 95% CrI [34, 566] ms).

Tomēr, kā paredzēja mūsu modelis, šis efekts kļuva negatīvs, ja bija klauzula "tas" (atšķirība starp "faktu" un "ziņojumu": -166 ms, 95% CrI [-297, -41] ms). Šis efekts atbilst modeļa prognozēm un neatbilst DLT vai pārsteiguma teorijai.

Mijiedarbība starp iegulšanas dziļumu un iegulšanas novirzi var tikt demonstrēta, apkopojot datus dažādos eksperimentos (SI pielikuma S2.1 un S6.6 sadaļas). Papildu analīzi skatiet SI pielikuma S3 sadaļā.

Mēs noskaidrojām, ka resursu racionāls zudumu konteksts uzlabo pārsteiguma teoriju un DLT, prognozējot nolasīšanas laiku ne tikai centrālajos iegulumos, bet arī pildvielas izmēģinājumos (SI pielikuma S9 sadaļa).

Mēs arī pārbaudījām prognozes par vienotu atmiņas modeli, kurā katrs konteksta vārds tiek saglabāts ar vienādu varbūtību, kas pieņemts iepriekšējā darbā par zaudējumu konteksta pārsteigumu (22). Šis modelis paredz iegulšanas novirzes ietekmi, bet ne dziļuma ietekmi.

Tālāk mēs to salīdzinājām ar logu modeli, kurā ir pieejami tieši pēdējie K vārdi; šis modelis paredz dziļuma ietekmi, bet ne iegulšanas novirzes negatīvo ietekmi. Sīkāku informāciju skatiet SI pielikuma sadaļā S2.2.

For more information:1950477648nn@gmail.com