Graded strength of comparative illusions is explained by Bayesian inference

技术摘要：基于贝叶斯推断的比较错觉等级强度解释

问题
比较错觉（Comparative Illusions, CIs）是一种语言现象，即理解者会系统性地将语义异常的句子误认为是可以接受的（例如：More students have been to Russia than I have）。由于该句子的 than 从句未能提供可比的程度，导致其在语义上是荒谬的，但理解者往往仍判定其为自然的。先前的研究提出了“噪声信道”（noisy-channel）推断理论，即理解者通过贝叶斯推理，从受损的信号（$s_p$）中推断出说话者预期的意义（$s_i$）。后验概率 $p(s_i|s_p)$ 与预期意义的先验概率 $p(s_i)$ 以及噪声的可能性 $p(s_p|s_i)$ 成正比。

然而，此前对该理论的经验支持（如 Zhang et al., 2025）存在显著局限性：

1. 它未能定量建模完整的后验分布，未能考虑先验概率（$p(s_i)$）。
2. 它主要关注最具错觉效应的 CI 类型（代词主语），无法解释在其他 CI 类型（如具有完整名词短语主语的 CI）中发现的等级强度（graded strength）问题。
3. 它缺乏一个统一的定量框架来预测形态句法变化（如代词与名词短语、单数与复数）如何影响错觉强度。

方法论
作者进行了两项实验和一个统计建模阶段，以定量测试噪声信道假设。

• 实验 1（接受度判定）：

  • 参与者： 494 名英语母语者（比以往研究增加了十倍）。
  • 设计： 针对 than 从句主语的 2x2 被试内操纵：形式（代词 vs. 名词短语）和数（单数 vs. 复数）。
  • 任务： 参与者在 7 点李克特量表上对 30 个关键 CI 句子和控制句子进行自然度评分。
  • 目标： 建立不同 CI 类型错觉强度的行为基准。

• 实验 2（句子修正）：

  • 参与者： 199 名英语母语者。
  • 任务： 参与者充当编辑，通过进行最少的编辑，将实验 1 中的异常 CI 句子转化为看似合理且有意义的句子。
  • 分析：
    • 定性： 修正后的句子被归类为不同的解释类型（例如：“事件比较”、“个体比较”、“事件否定”）。
    • 定量： 计算原始异常句子与修正后句子之间的 Damerau-Levenshtein 距离（DLD），将其作为噪声可能性 $p(s_p|s_i)$ 的代理指标。

• 统计建模：

  • 后验近似： 作者使用贝叶斯法则构建了噪声信道后验概率 $p(s_i|s_p)$ 的定量近似：
    $$\hat{p}(s_i|s_p) = \frac{\hat{p}(s_i)\hat{p}(s_p|s_i)}{\hat{p}(s_p)}$$
    • 先验 ($\hat{p}(s_i)$) 与证据 ($\hat{p}(s_p)$)： 使用两个统计语言模型（GPT-2 Small 和 OPT）的句子概率进行估计。
    • 似然 ($\hat{p}(s_p|s_i)$)： 基于实验 2 中的编辑距离，估计为与 $e^{-\text{DLD}}$ 成比例。
  • 链接函数： 研究测试了关于后验概率如何影响接受度的两种假设：
    • 最大值链接 ($f_{max}$)： 接受度由概率最高的单一解释驱动。
    • 均值链接 ($f_{mean}$)： 接受度由多个合理解释的平均概率驱动。
  • 回归： 使用贝进制多层级累积序数回归模型来预测实验 1 的接受度评分。模型将噪声信道后验估计作为预测变量，并控制了句法对数比（SLOR）、试验顺序和基准控制句子的接受度。

核心贡献

1. 复制与扩展： 本研究复制了 CI 被评为与符合语法的控制句同样具有高度接受度的核心发现，并通过展示等级错觉强度显著扩展了研究范围。具体而言，单数代词主语产生的错觉最强，而复数名词短语产生的错觉较弱。
2. 后验概率的定量建模： 作者首次提供了 CI 完整噪声信道后验分布的定量近似，整合了统计语言模型概率与人类行为编辑数据。
3. 预测等级效应： 定量模型成功预测了不同形态句法条件下错觉强度的变化，而这一现象在先前的理论中无法得到解释。
4. 集成机制： 研究发现，均值链接函数（聚合多个合理解释）在预测人类接受度判断方面优于最大值链接函数（依赖单一最可能的解释）。

结果

• 行为发现： 实验 1 证实，单数代词 CI 的接受度与控制句无异，而复数代词和名词短语条件下的接受度呈现出可测量的、等级递减的下降。
• 修正模式： 实验 2 显示，约 80% 的修正属于“合理的”，其中“事件比较”和“个体比较”是主要的解释类型。
• 模型性能：
  • 噪声信道后验估计在控制了强控制变量（SLOR、顺序、基准值）后，仍能显著预测 CI 接受度评分。
  • 均值链接函数 ($f_{mean}$) 拟合效果最好，表明接受度受多个合理解释的聚合概率影响，而非仅仅取决于单一最可能的解释。
  • 该结果在两种不同的语言模型（GPT-2 Small 和 OPT）以及两个数据集（本研究及 Zhang et al., 2025 的公开数据集）中均保持一致。
  • 最大值链接函数 ($f_{max}$) 的预测能力较弱，且当其与均值函数同时包含时，往往呈现负系数，这表明仅靠“最佳”单一解释不足以解释数据。

意义与主张
本文声称这些发现为噪声信道推断作为一种统一的语言理解计算层面理论提供了强有力的经验支持。具体而言：

• 错觉的理性： 研究认为，CI 不仅仅是处理能力的失败（如“足够好”的处理或浅层启发式搜索），而是反映了贝叶斯最优的句子解释。理解者的大脑通过整合噪声感官输入与自上而下的先验知识，正在进行正确的运作。
• 统一理论： 研究结果与其他语言错觉及非错觉情境下的证据相吻合，表明噪声信道推断是多种语言处理现象的通用机制。
• 方法论进步： 该工作证明了接受度评分可以捕捉丰富的概率性句子处理空间，超越了二元的语法判断。它验证了结合统计语言模型与行为数据来近似人类推断过程的可行性。
• 与“足够好”处理的区别： 在承认“足够好”处理（算法层面）与噪声信道推断（计算层面）可能兼容的同时，作者强调，CI 效应的等级性质最好通过贝叶斯推断的数学结构（即后验概率分布）来解释，而非仅仅通过认知努力的约束。

作者对于所使用的特定噪声模型（基于 DLD）以及解释的精确时间动态保持了审慎态度，指出未来仍需进一步完善噪声似然项和链接函数。然而，他们断言，核心发现——即等级错觉强度追踪着合理替代方案的定量后验概率——是对噪声信道理论的有力证实。