💬 NLP

Information-Theoretic Storage Cost in Sentence Comprehension

यह शोध पत्र वाक्य बोध में वर्किंग मेमोरी लोड को मापने के लिए न्यूरल लैंग्वेज मॉडल्स से व्युत्पन्न एक निरंतर, सिद्धांत-तटस्थ, सूचना-सैद्धांतिक स्टोरेज लागत का प्रस्ताव करता है, जो ज्ञात प्रोसेसिंग विषमताओं को सफलतापूर्वक पुनः प्राप्त करके, पारंपरिक व्याकरण-आधारित मेट्रिक्स के साथ सहसंबंध स्थापित करके और बड़े पैमाने पर प्राकृतिक डेटासेट में रीडिंग टाइम की भविष्यवाणी करके अपनी वैधता प्रदर्शित करता है।

मूल लेखक: Kohei Kajikawa, Shinnosuke Isono, Ethan Gotlieb Wilcox

प्रकाशित 2026-02-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kohei Kajikawa, Shinnosuke Isono, Ethan Gotlieb Wilcox

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: पढ़ने का "मानसिक बैकपैक" (Mental Backpack)

कल्पना कीजिए कि आप एक वाक्य पढ़ रहे हैं। पढ़ते समय, आपका मस्तिष्क केवल शब्दों को निष्क्रिय रूप से ग्रहण नहीं कर रहा है; यह सक्रिय रूप से अनुमान लगा रहा है कि आगे क्या आएगा।

"The cat sat on the..." (बिल्ली बैठी थी...) -> आप तुरंत "mat" (चटाई) या "floor" (फर्श) की उम्मीद करते हैं।
"If it rains tomorrow, we will..." (अगर कल बारिश हुई, तो हम...) -> आप "stay inside" (अंदर रहेंगे) की उम्मीद करते हैं।

यह भविष्यवाणी करना बहुत अच्छा है, लेकिन इसकी एक कीमत चुकानी पड़ती है। आपके मस्तिष्क को इन "अधूरी мыслиओं" (unfinished thoughts) को अपने वर्किंग मेमोरी (आपके मानसिक कार्यक्षेत्र) में तब तक थामे रखना पड़ता है जब तक कि वाक्य पूरा न हो जाए। यदि एक साथ बहुत अधिक अधूरी विचार हों, तो आपका मस्तिष्क ओवरलोड हो जाता है, और पढ़ना धीमा और कठिन हो जाता है।

यह शोध पत्र इसी मानसिक भार (mental load) को मापने के बारे में है।

पुराना तरीका: बक्से गिनना (व्याकरण-आधारित)

द दशकों से, भाषाविद् इस मानसिक भार को वाक्य के "कंकाल" (उसके व्याकरण) को देखकर मापते थे। वे कल्पना करते थे कि हर बार जब आप वाक्य की संरचना का एक नया हिस्सा अनुमानित करते हैं, तो आपको अपने मानसिक बैकपैक में एक बक्सा रखना पड़ता है।

उपमा (Analogy): कल्पना कीजिए कि एक वाक्य एक निर्माण स्थल (construction site) है। हर बार जब आप एक नई दीवार (एक क्लॉज) शुरू करते हैं लेकिन उसे अभी तक पूरा नहीं किया होता, तो आपको अपने हाथ में एक भारी ईंट ढोनी पड़ती है।
समस्या: यह विधि कठोर है। यह मानती है कि हर ईंट का वजन बिल्कुल समान (1 यूनिट प्रयास) होता है। इसके लिए एक मानव विशेषज्ञ को ईंटों को गिनने के लिए हर वाक्य के ब्लूप्रिंट (व्याकरण के नियम) बनाने की आवश्यकता होती है। यह किसी बैकपैक के वजन को उसके जेबों की संख्या गिनकर मापने जैसा है, यह नजरअंदाज करते हुए कि जेबों में पंख भरे हैं या सीसा (lead)।

नया तरीका: "आश्चर्य" को मापना (सूचना-सैद्धांतिक)

इस शोध पत्र के लेखक भार को मापने के लिए एक स्मार्ट और अधिक लचीला तरीका प्रस्तावित करते हैं। ईंटें गिनने के बजाय, वे मापते हैं कि एक शब्द भविष्य के बारे में कितनी जानकारी वह अपने साथ रखता है।

उपमा: कल्पना कीजिए कि आप एक रहस्यमयी कहानी सुन रहे हैं।
- यदि कथावाचक कहता है, "बटलर ने यह किया," तो आपके पास भविष्य की एक बहुत स्पष्ट तस्वीर है। "आश्चर्य" कम है, और आपके मस्तिष्क को यह अनुमान लगाने के लिए कड़ी मेहनत नहीं करनी पड़ती कि आगे क्या होगा।
- यदि कथावाचक कहता है, "बटलर... [लंबा विराम]... जो वास्तव में एक जासूस था... [एक और विराम]... जिसे माली ने फंसाया था," तो आपका मस्तिष्क अनिश्चितता की एक विशाल मात्रा को थामे हुए है। आपको उन सभी संभावनाओं को अपने दिमाग में जीवित रखना पड़ता है।

यह नई विधि सटीक रूप से गणना करने के लिए AI (विशेष रूप से BERT नामक एक मॉडल) का उपयोग करती है कि एक शब्द शेष वाक्य के लिए कितना "आश्चर्य" या "अनिश्चितता" पैदा करता है।

उच्च भार (High Load): एक शब्द जो भविष्य को बहुत अनिश्चित छोड़ देता है (जैसे "The butler...") एक उच्च "स्टोरेज लागत" (storage cost) पैदा करता है।
कम भार (Low Load): एक शब्द जो भविष्य को बहुत स्पष्ट बना देता है (जैसे "The end.") एक कम लागत पैदा करता है।

इसे बिट्स (bits) (सूचना की एक इकाई) में मापा जाता है, न कि पूर्ण संख्याओं में। यह निरंतर (continuous) है, जिसका अर्थ है कि यह कठिनाई के सूक्ष्म अंतरों को भी पकड़ सकता है जिसे पुराना "ईंट गिनने" वाला तरीका छोड़ देता है।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने अपने नए "इन्फॉर्मेशन बैकपैक" (Information Backpack) माप का तीन तरीकों से परीक्षण किया:

"जटिल वाक्य" परीक्षण:
उन्होंने AI को ऐसे वाक्य दिए जिन्हें मनुष्य कठिन मानते हैं, जैसे:

"The reporter [who the senator [who Mary met] attacked] ignored the president."

यह एक "सेंटर-एम्बेडेड" (center-embedded) वाक्य है (एक वाक्य के अंदर एक वाक्य के अंदर एक वाक्य)।

परिणाम: पुराने तरीके ने कहा कि यह कठिन है। नए तरीके ने भी कहा कि यह कठिन है, और इसने सही ढंग से पहचाना कि क्यों: AI को इस अनिश्चितता को थामे रखना पड़ा कि किसने किसे हमला किया। इसने बिना किसी व्याकरण नियम के मानवीय अंतर्ज्ञान (intuition) से पूरी तरह मेल खाया।

"सहसंबंध" (Correlation) परीक्षण:
उन्होंने वाक्यों के एक विशाल पुस्तकालय पर अपने नए "इन्फॉर्मेशन बैकपैक" स्कोर की तुलना पुराने "ईंट गिनने" वाले स्कोर से की।

परिणाम: वे आपस में सहसंबंधित थे (लगभग 34-49%)। इसका मतलब है कि नया तरीका उसी मूल विचार को पकड़ता है: जब व्याकरण जटिल होता है, तो सूचना का भार बढ़ जाता है।

"वास्तविक जीवन" परीक्षण:
उन्होंने वास्तविक किताबें और समाचार लेख पढ़ते समय लोगों के डेटा को देखा जबकि उनकी आंखों की गति (eye tracking) को ट्रैक किया जा रहा था। उन्होंने पूछा: "क्या यह नया माप यह अनुमान लगा सकता है कि व्यक्ति की आंखें कब रुकेंगी या धीमी होंगी?"

परिणाम: हाँ! नया माप कई मामलों में पुराने तरीके की तुलना में पढ़ने की गति का बेहतर अनुमान लगाता है।
ट्विस्ट: दोनों तरीकों ने बिल्कुल एक जैसी चीजें अनुमानित नहीं कीं। पुराने तरीके (व्याकरण) ने कुछ कठिनाइयों को समझाया, और नए तरीके (सूचना) ने अलग कठिनाइयों को समझाया। यह सुझाव देता है कि हमारा मस्तिष्क दो अलग-अलग रणनीतियों का उपयोग करता है: एक अमूर्त संरचना (व्याकरण) को संभालने के लिए और दूसरी सांख्यिकीय संभावना (पैटर्न के आधार पर अनुमान लगाना) को संभालने के लिए।

यह क्यों महत्वपूर्ण है

यह अध्ययन एक बड़ी बात है क्योंकि यह भाषाविज्ञान को कठोर, नियम-आधारित सोच से हटाकर, पढ़ने के प्रति एक अधिक तरल और डेटा-संचालित समझ की ओर ले जाता है।

यह सिद्धांत-तटस्थ (Theory-Neutral) है: आपको इसका उपयोग करने के लिए किसी विशिष्ट व्याकरण सिद्धांत को मानने की आवश्यकता नहीं है।
यह निरंतर (Continuous) है: यह "थोड़ा सा भार" बनाम "बहुत अधिक भार" को माप सकता है, न कि केवल "भार है" या "भार नहीं है"।
यह व्यावहारिक है: यह मानव संज्ञान (cognition) को मॉडल करने के लिए आधुनिक AI का उपयोग करता है, यह दिखाते हुए कि मशीनों द्वारा टेक्स्ट का अनुमान लगाने का तरीका हमारे मस्तिष्क द्वारा मेमोरी प्रबंधित करने के तरीके के आश्चर्यजनक रूप से समान है।

निचोड़ (The Bottom Line)

पढ़ना जुगलिंग (juggling) करने जैसा है। कठिनाई को मापने का पुराना तरीका यह गिनता था कि आप कितने बॉल्स (गेंदें) उछाल रहे हैं। नया तरीका यह मापता है कि वे बॉल्स कितने भारी और अप्रत्याशित हैं।

लेखकों ने पाया कि हालांकि बॉल्स को गिनना (व्याकरण) उपयोगी है, लेकिन उनके वजन और अप्रत्याशितता (सूचना) को मापना हमें इस बात की बहुत स्पष्ट तस्वीर देता है कि हमारा मस्तिष्क कभी-कभी बॉल क्यों गिरा देता है और हम कुछ वाक्यों पर क्यों लड़खड़ाते हैं। मानव भाषा के जुगलिंग एक्ट को पूरी तरह से समझने के लिए दोनों तरीकों की आवश्यकता है।

यहाँ काजीकावा, इसोनो और विल्कोक्स के शोध पत्र "Information-Theoretic Storage Cost in Sentence Comprehension" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वास्तविक समय में वाक्य बोध (sentence comprehension) वर्किंग मेमोरी पर एक महत्वपूर्ण संज्ञानात्मक भार (cognitive load) डालता है। जैसे-जैसे बोध करने वाले लोग इनपुट को क्रमिक रूप से संसाधित करते हैं, उन्हें भविष्य के शब्दों के बारें अनसुलझे वाक्यात्मक अनुमानों (syntactic predictions/expectations) को बनाए रखना होता है।

बाधा (The Bottleneck): इन अनसुलझे अनुमानों का संचय मेमोरी संसाधनों का उपभोग करता है, जिससे एक प्रोसेसिंग बाधा उत्पन्न होती है जो पढ़ने की कठिनाई (जैसे, सेंटर-एम्बेडेड वाक्यों में) का कारण बनती है।
मौजूदा मेट्रिक्स की सीमाएँ: भंडारण लागत (storage cost) के पारंपरिक माप प्रतीकात्मक व्याकरणों (जैसे, डिपेंडेंसी लोकैलिटी थ्योरी या DLT) पर निर्भर करते हैं। ये मेट्रिक्स:
- प्रत्येक अनुमानित वाक्यात्मक तत्व के लिए असतत (discrete) और समान लागत मानते हैं।
- विशिष्ट वाक्यात्मक सिद्धांतों और मैन्युअल एनोटेशन (जैसे, ट्रेसेस या नल तत्वों की पहचान करना) पर अत्यधिक निर्भर हैं।
- भाषा की संभाव्यता (probabilistic nature) और अर्थ संबंधी बारीकियों को पकड़ने में विफल रहते हैं।
अंतराल (The Gap): एक निरंतर (continuous), सिद्धांत-तटस्थ (theory-neutral), और व्याकरण-स्वतंत्र भंडारण लागत माप की आवश्यकता है जिसे मानव प्रसंस्करण को बेहतर ढंग से दर्शाने के लिए प्री-ट्रेंड न्यूरल लैंग्वेज मॉडल्स (LMs) से सीधे अनुमानित किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक नया मीट्रिक प्रस्तावित करते हैं जिसे इन्फॉर्मेशन-थ्योरेटिक स्टोरेज कॉस्ट कहा जाता है, जो सूचना सिद्धांत (information theory) पर आधारित है।

A. सैद्धांतिक औपचारिकीकरण (Theoretical Formalization)

सिंटैक्टिक हेड्स (syntactic heads) को गिनने के बजाय, लेखक भंडारण लागत को सूचना की मात्रा के रूप में परिभाषित करते हैं जो एक वर्तमान शब्द अनिश्चितता के तहत भविष्य के संदर्भ के बारे में वहन करता है।

अनुमानित क्षमता (Predictive Potential - $P_{pred}$ ): एक लक्ष्य शब्द $w_i$ $w_{i}$ और भविष्य के अनुक्रम $w_{[k:N]}$ $w_{[k : N]}$ (संदर्भ $w_{[1:k)}$ $w_{[1 : k)}$ के दिए होने पर) के लिए, अनुमानित क्षमता को कॉन्टेक्स्टुअलाइज्ड पॉइंटवाइज म्यूचुअल इंफॉर्मेशन (PMI) के रूप में परिभाषित किया गया है।
- गणितीय रूप से, यह भविष्य के अनुक्रम के लिए $w_i$ के दृश्य होने और $w_i$ के दृश्य न होने वाली प्रेडिक्टिव डिस्ट्रीब्यूशन के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस के समान है।
- सूत्र: $P_{pred}(w_i; W_{[k:N]}) = E_{w_{[k:N]}|w_{[1:k)}} [ \log \frac{p(w_{[k:N]} | w_{[1:k)})}{p(w_{[k:N]} | w_{[1:k)} \setminus w_i)} ]$
**सूचना भंडारण (Information Storage - $InfoStork $):** स्थिति$ $) : * * स्थिति$ k $पर कुल भंडारण लागत सभी पूर्ववर्ती शब्दों ($ $परकुलभंडारणलागतसभीपूर्ववर्तीशब्दों ($ w_1 $से$ $से$ w_{k-1}$) की अनुमानित क्षमताओं का योग है।
- $InfoStork = \sum_{i=1}^{k-1} P_{pred}(w_i; W_{[k:N])$
विशेषताएँ: यह माप निरंतर है (बिट्स में मापा गया), दूरी बढ़ने के साथ एकतंत्रीय रूप से घटता है (मेमोरी क्षय सिद्धांतों के अनुरूप), और इसके लिए किसी स्पष्ट वाक्यात्मक पार्सिंग की आवश्यकता नहीं होती है।

B. BERT के माध्यम से अनुमान (Estimation via BERT)

चूंकि भविष्य के अनुक्रमों पर सटीक संयुक्त संभावनाओं (joint probabilities) की गणना करना कठिन है, इसलिए लेखक BERT (एक द्विदिश मास्कड लैंग्वेज मॉडल) का उपयोग करके $P_{pred}$ का अनुमान लगाते हैं:

इनपुट निर्माण: एक लक्ष्य शब्द $w_i$ $w_{i}$ और भविष्य के क्षेत्र $w_{[k:N]}$ $w_{[k : N]}$ के लिए, वे दो इनपुट बनाते हैं:
- $w_i$ के साथ: शब्द दृश्य है; भविष्य के टोकन मास्क किए गए हैं।
- $w_i$ के बिना: शब्द मास्क किया गया है; भविष्य के टोकन भी मास्क किए गए हैं।
सशर्त स्वतंत्रता धारणा (Conditional Independence Assumption): कई मास्क किए गए टोकन को संभालने के लिए, वे मास्क किए गए स्थानों के बीच सशर्त स्वतंत्रता मानते हैं। कुल KL डाइवर्जेंस को प्रत्येक मास्क किए गए टोकन स्थान पर KL डाइवर्जेंस के योग के रूप में अनुमानित किया जाता है।
मॉडल: वे bert-base-uncased का उपयोग करते हैं।

3. मुख्य योगदान (Key Contributions)

औपचारिकीकरण: सूचना सिद्धांत (विशेष रूप से कॉन्टेक्स्टुअलाइज्ड हाफ-पॉइंटवाइज म्यूचुअल इंफॉर्मेशन) पर आधारित एक नया, निरंतर और व्याकरण-स्वतंत्र भंडारण लागत का औपचारिकीकरण।
कार्यान्वयन: बिना किसी वाक्यात्मक एनोटेशन की आवश्यकता के प्री-ट्रेंड न्यूरल लैंग्वेज मॉडल्स (BERT) का उपयोग करके इस लागत का अनुमान लगाने की एक व्यावहारिक विधि।
वैधीकरण: तीन-भागों वाले विश्लेषण के माध्यम से यह सिद्ध करना कि यह मीट्रिक ज्ञात साइकोलिंग्विस्टिक घटनाओं को सफलतापूर्वक पकड़ता है और पारंपरिक व्याकरण-आधारित मेट्रिक्स की तुलना में मानव पढ़ने के व्यवहार की बेहतर भविष्यवाणी करता है।

4. परिणाम (Results)

अध्ययन तीन विश्लेषणों के माध्यम से अपने प्रस्ताव को प्रमाणित करता है:

A. प्रसंस्करण विषमताओं की रिकवरी (Recovery of Processing Asymmetries)

यह मीट्रिक केवल वितरण सांख्यिकी (distributional statistics) का उपयोग करके प्रसिद्ध प्रसंस्करण कठिनाइयों को सफलतापूर्वक पुनः प्राप्त करता है:

सेंटर एम्बेडेड बनाम राइट ब्रांचिंग: राइट-ब्रांचिंग वेरिएंट की तुलना में सेंटर-एम्बेडेड संरचनाओं (जैसे, "The reporter who the senator who Mary met attacked...") में सूचना भंडारण तेजी से बढ़ता है, जो ज्ञात संज्ञानात्मक कठिनाई को दर्शाता है।
ऑब्जेक्ट बनाम सब्जेक्ट रिलेटिव क्लॉज: यह मीट्रिक सब्जेक्ट रिलेटिव क्लॉज (SRC) की तुलना में ऑब्जेक्ट रिलेटिव क्लॉज (ORC) के लिए काफी अधिक भंडारण लागत की भविष्यवाणी करता है, जो एम्बेडेड नाउन फ्रेज पर चरम पर होता है, जो व्यवहार संबंधी डेटा के अनुरूप है।

B. व्याकरण-आधारित मेट्रिक्स के साथ सहसंबंध (Correlation with Grammar-Based Metrics)

लेखकों ने UD_English-GUM कॉर्पस का उपयोग करके अपने 'इन्फॉर्मेशन स्टोरेज' और DLT स्टोरेज कॉस्ट के बीच सहसंबंध का परीक्षण किया।
परिणाम: एक मध्यम सकारात्मक सहसंबंध पाया गया ( $r \approx 0.34$ से $0.49$)। यह पुष्टि करता है कि सूचना-सैद्धांतिक माप व्याकरण-आधारित गणनाओं के मूल संरचनात्मक अंतर्ज्ञान को पकड़ता है, लेकिन इसमें अतिरिक्त अर्थ संबंधी और वितरण संबंधी जानकारी भी शामिल है जो असतत वाक्यात्मक गणनाओं द्वारा नहीं पकड़ी जाती है।

C. प्राकृतिक पठन समय की भविष्यवाणी (Prediction of Naturalistic Reading Times)

अध्ययन ने आई-ट्रैकिंग और सेल्फ-पेस्ड रीडिंग डेटा का उपयोग करके बड़े पैमाने के डेटासेट्स (Natural Stories और OneStop) पर मीट्रिक का मूल्यांकन किया।

बेसलाइन: मॉडल्स में शब्द की लंबाई, स्थिति, यूनिग्राम सरप्राइज़ल (unigram surprisal), और GPT-2 सरप्राइज़ल शामिल थे।
निष्कर्ष:
- इन्फॉर्मेशन स्टोरेज जोड़ने से कई डेटासेट्स और रीडिंग मेजरमेंट्स में मॉडल फिट में उल्लेखनीय सुधार हुआ (जिसे $\Delta$ लॉग-लाइक्लीहुड द्वारा मापा गया)।
- स्वतंत्रता: महत्वपूर्ण रूप से, इन्फॉर्मेशन स्टोरेज और DLT स्टोरेज पूरक (complementary) भविष्यवाणात्मक शक्ति प्रदान करते हैं। DLT स्टोरेज वाले मॉडल में इन्फॉर्मेशन स्टोरेज जोड़ने से (और इसके विपरीत) महत्वपूर्ण सुधार प्राप्त हुआ।
- विभेद (Dissociation): OneStop डेटासेट में, DLT स्टोरेज "गो-पास्ट ड्यूरेशन" (GPD) के लिए सबसे मजबूत था, जबकि इन्फॉर्मेशन स्टोरेज "टोटल फिक्सेशन ड्यूरेशन" (TFD) के लिए सबसे मजबूत था। यह सुझाव देता है कि इन्फॉर्मेशन स्टोरेज शायद रिग्रेसिव आई मूवमेंट (पुनः पढ़ना) की बेहतर भविष्यवाणी करता है, जो अक्सर शुद्ध संरचनात्मक जटिलता के बजाय अर्थ संबंधी या संभाव्यता संबंधी भ्रम से प्रेरित होता है।

5. महत्व और निहितार्थ (Significance and Implications)

सिद्धांत-तटस्थ ढांचा: यह अध्ययन प्रदर्शित करता है कि विशिष्ट वाक्यात्मक सिद्धांतों (जैसे DLT या CCG) पर निर्भर हुए बिना भंडारण लागत को संचालित किया जा सकता है, जिससे यह विभिन्न भाषाओं और भाषाई ढांचों के लिए लागू योग्य हो जाता है।
पूरक तंत्र: परिणाम बताते हैं कि मानव वाक्य बोध दो अलग-अलग लेकिन पूरक तंत्रों पर निर्भर करता है:
1. संरचनात्मक प्रसंस्करण (Structural Processing): जिसे व्याकरण-आधारित मेट्रिक्स द्वारा पकड़ा जाता है (अमूर्त वाक्यात्मक निर्भरताओं को संभालना)।
2. सांख्यिकीय/संभाव्यता प्रसंस्करण (Statistical/Probabilistic Processing): जिसे सूचना-सैद्धांतिक मेट्रिक्स द्वारा पकड़ा जाता है (अर्थ संबंधी अपेक्षाओं और वितरण पैटर्न को संभालना)।
भावी दिशाएं: लेखक सीमाओं का उल्लेख करते हैं, जैसे BERT अनुमान में 'कंडीशनल इंडिपेंडेंस' की धारणा और रॉ टोकन-लेवल भविष्यवाणियों के बजाय संकुचित मेमोरी प्रतिनिधित्व (रिसोर्स-रेशनैलिटी) की खोज करने की आवश्यकता। वे सुझाव देते हैं कि भविष्य के कार्यों को क्रॉस-लिंग्विस्टिक विविधताओं, विशेष रूप से हेड-फाइनल (head-final) भाषाओं की जांच करनी चाहिए।

निष्कर्षतः, यह शोध पत्र इन्फॉर्मेशन-थ्योरेटिक स्टोरेज कॉस्ट को एक मजबूत, निरंतर और अनुभवजन्य रूप से वैध विकल्प के रूप में स्थापित करता है, जो पारंपरिक व्याकरण-आधारित स्टोरेज मेट्रिक्स की तुलना में वास्तविक समय में भाषा बोध में शामिल संज्ञानात्मक भार का अधिक सूक्ष्म दृष्टिकोण प्रदान करता है।