The relative strength of hierarchical structure and statistics differs across the measures in naturalistic reading

Technische Samenvatting: De relatieve kracht van hiërarchische structuur en statistiek bij natuurlijk lezen

Probleemstelling
Het artikel behandelt een langlopend debat in de psycholinguïstiek over de mechanismen die online taalbegrip aansturen. Er bestaan twee primaire, vaak rivaliserende verklaringen: de hiërarchische account, die stelt dat begrip rust op de constructie van abstracte zinsstructuren en syntactische afhankelijkheden die onafhankelijk zijn van de lineaire woordvolgorde; en de niet-hiërarchische account, die betoogt dat begrip wordt gedreven door lokale statistieken, sequentiële voorspelling en lineaire nabijheid zonder sterke gevoeligheid voor hiërarchische organisatie. Hoewel er bewijs is voor beide, ontbreekt het het vakgebied aan consensus over wanneer en hoe sterk hiërarchische structuur invloed uitoefent ten opzien van statistische factoren. De auteurs stellen dat het framen van dit als een "winner-take-all"-wedstrijd onproductief is. In plaats daarvan stellen zij voor om te onderzoeken hoe deze factoren gezamenlijk verschillende fenomenen (woordniveau versus zinsniveau) en tijdschalen organiseren.

Methodologie
De studie maakt gebruik van gecorreleerde EEG- en eye-trackingdata uit de ZuCo-corpus (Hollenstein et al., 2018), bestaande uit 12 moedertaalsprekers van het Engels die 400 zinnen uit filmrecensies lazen. De auteurs operationaliseren hiërarchische structuur met behulp van syntactische diepte (het aantal afhankelijkheidslinks van een woord naar de wortel van de zin), een metriek die onafhankelijk varieert van lineaire positie en lexicale voorspelbaarheid.

De studie hanteert drie convergerende analyses om hiërarchische diepte te vergelijken met niet-hiërarchische alternatieven (lineaire sequentie en statistische verrassing/surprisal):

1. Transitional Probability Analysis (Scanpath Geometrie):

   • Doel: Testen of oogbewegingen (scanpaden) worden georganiseerd door lineaire nabijheid (sequentiegebaseerd) of syntactische centraliteit (hiërarchisch).
   • Methode: Woorden werden gecategoriseerd als "heads" (syntactische diepte 0 of 1) of "non-heads" (diepte ≥ 2). De auteurs berekenden de overgangskansen voor vier typen transities (head-naar-head, head-naar-non-head, etc.) in twee sequenties: de oorspronkelijke lineaire tekstvolgorde en de werkelijke fixatie-afgeleide volgorde.
   • Vergelijking: Ze vergeleken de frequentie van "head-to-head" transities in de fixatiesequentie met de lineaire baseline. Deze analyse testte specifiek voor anticipatoir gedrag (pre-fixatie) en sloot artefacten veroorzaakt door regressies (achterwaartse oogbewegingen) uit.

2. Bayesian Network Analysis (Zinsniveau Sterkte):

   • Doel: Kwantificeren van het relatieve voorspellende gewicht van hiërarchische structuur versus statistische factoren bij het verklaren van afwijkingen van de lineaire leesvolgorde.
   • Methode: De uitkomstvariabele was de edit distance (de minimale operaties vereist om de lineaire tekstsequentie te transformeren naar de fixatie-afgeleide sequentie). Een Gaussisch Bayesiaans netwerk werd geleerd met vijf voorspellers: twee structurele (maximale parsing diepte, aantal clausules) en twee lexicale/statistische (zin-vertrouwdheid, zin-surprisal afgeleid van GPT-2).
   • Analyse: Structurele leer identificeerde de afhankelijkheidsgraaf, en lokale lineair-Gaussische regressies bij de uitkomst-node leverden gestandaardiseerde coëfficiënten om de relatieve sterkte van elke voorspeller te bepalen.

3. Time-Resolved Regression of Fixation-Related Potentials (Woordniveau Neurale Alignment):

   • Doel: Bepalen van de timing en sterkte van hiërarchische verwerking op neuraal niveau, waarbij onderscheid wordt gemaakt van statistische verwerking.
   • Methode: Fixatie-gerelateerde potentialen (FRP's) werden geëxtraheerd uit EEG-data, tijdgelinkt aan het begin van de fixatie. Ridge-regressie werd uitgevoerd op trial-wise EEG-epochs met vijf gestandaardiseerde voorspellers: syntactische diepte, syntactische surprisal (berekend via een CCG-supertagging LSTM), woordlengte, lexicale frequentie en lexicale surprisal.
   • Inferentie: Groepsinferentie gebruikte cluster-gebaseerde permutatietests over zes regio's van interesse (ROI's) om significante tijdvensters en topografische dissociaties tussen voorspellers te identificeren.

Belangrijkste Resultaten

• Scanpath Organisatie (Analyse 1): Lezers vertoonden een significante bias naar transities tussen syntactische heads (woorden met lage diepte) in de fixatie-afgeleide sequentie vergeleken met de lineaire tekst-baseline. Deze "head-to-head" voorkeur was robuust, zelfs na het verwijderen van regressies, wat aangeeft dat voorwaartse saccades worden gestuurd door hiërarchische structuur in plaats van alleen lineaire nabijheid.
• Zinsniveau Sterkte (Analyse 2): In het Bayesiaanse netwerk kwam syntactische diepte naar voren als de sterkste directe voorspeller van scanpath-afwijking (edit distance), met een gestandaardiseerde coëfficiënt ($\beta \approx 0,40$) die hoger was dan die van zin-vertrouwdheid ($\beta \approx 0,37$) en zin-surprisal ($\beta \approx 0,19$). Dit suggereert dat op zinsniveau hiërarchische structuur sterker de afwijkingen van lineair lezen stuurt dan statistische voorspelbaarheid.
• Neurale Timing en Sterkte (Analyse 3):
  • Timing: Hiërarchische verwerking (syntactische diepte) moduleerde de neurale activiteit in de rechter-frontale regio beginnend 108 ms vóór de fixatie-onset, wat wijst op een anticipatoire rol. Statistische voorspellers (lexicale frequentie en surprisal) moduleerden de activiteit in de linker-posterieure regio, eveneens beginnend vóór de fixatie (ca. 90–130 ms).
  • Sterkte Dissociatie: Hoewel beide effecten betrouwbaar waren, verschilde de magnitude per schaal. Bij de woordniveau neurale respons vertoonde lexicale surprisal een veel grotere effectgrootte dan syntactische diepte. Daarentegen, bij de zinsniveau scanpath, was syntactische diepte de dominante voorspeller.
  • Syntactische Surprisal vs. Diepte: Cruciaal was dat syntactische diepte een robuuste neurale cluster produceerde, terwijl syntactische surprisal (een statistische maatstaf voor syntactische onzekerheid) geen significante cluster produceerde. Deze dissociatie suggereert dat de neurale signatuur specifiek is voor hiërarchische representaties en niet slechts voor platte statistische waarschijnlijkheden van syntactische categorieën.

Significantie en Claims
Het artikel claimt dat het debat tussen hiërarchisch versus niet-hiërarchisch niet gezien moet worden als een binaire oppositie waarbij één factor universeel domineert. In plaats daarvan is de sterkte van de hiërarchische structuur afhankelijk van het fenomeen dat wordt verklaard (het explanandum):

1. Schaalafhankelijkheid: Hiërarchische structuur is de primaire drijfveer van zinsniveau fenomenen (specifiek de geometrie van scanpaden en afwijkingen van de lineaire volgorde), terwijl statistische factoren (surprisal) sterkere drijfveren zijn van woordniveau fenomenen (fixatie-gelinkte neurale activiteit en lokale verwerkingskosten).
2. Anticipatoire Verwerking: De studie levert bewijs dat hiërarchische structuur het begrip anticiperend stuurt. De pre-fixatie onset van het syntactische dieptesignaal (108 ms vooraf) en de bias naar syntactische heads in scanpaden suggereren dat lezers een geïnternaliseerd hiërarchisch raamwerk gebruiken om de aandacht te sturen voordat de foveale opname plaatsvindt.
3. Voorbij Lineaire Statistiek: De bevinding dat syntactische diepte de neurale activiteit voorspelt terwijl syntactische surprisal dat niet doet, biedt positief bewijs dat online begrip betrokken is bij echte hiërarchische representaties, en niet slechts bij de accumulatie van sequentiële statistische waarschijnlijkheden.

De auteurs concluderen dat hiërarchische structuur een actieve dimensie is die bepaalt waar de ogen heen gaan, hoe scanpaden afwijken van de lineaire volgorde, en de aard van pre-foveale neurale signalen, waarbij de invloed ervan varieert in sterkte over verschillende facetten van het leesgedrag.