Chinese sensorimotor and embodiment norms for 3,000 lexicalized concepts

技术摘要：3,000 个词汇化概念的中文感觉运动与具身规范

问题陈述
本文针对认知科学与具身人工智能研究中的一个关键缺口：缺乏针对非印欧语系语言的大规模、高维度规范资源。虽然理解概念知识如何植根于身体体验是这些领域的核心，但现有的感觉运动数据库主要以英语为中心，或针对汉语普通话的覆盖范围有限。以往的中文字词资源要么覆盖词汇量过少（例如 232–689 个条目），要么缺乏全面的维度（例如仅包含感知模态），要么局限于特定的语法类别（例如仅限名词）。这种稀缺性阻碍了对汉语中感觉运动体验与词汇加工之间关系的实证研究，也限制了基于具身概念知识训练或评估大语言模型（LLM）的能力。

方法论
本研究分为三个 distinct 阶段：

1. 数据收集（研究 1）：

   • 参与者： 通过 Prolific 和中国社交媒体平台招募了 378 名普通话母语者。
   • 刺激材料： 通过整合四项现有中文规范研究中的项目，并添加来自 Sinica Corpus 4.0 和 Chinese Gigaword 5 的 429 个高频词，汇编了一份包含 3,000 个常用词汇化概念的词表。
   • 评分： 参与者在两个量表上提供评分：
     • 11 维感觉运动评分： 遵循 Lancaster 框架，参与者在 0–5 的量表上对六个感知模态（视觉、听觉、味觉、嗅觉、触觉、内感受）和五个动作效应器（手/臂、腿/脚、头、口/喉、躯干）进行评分。
     • 单维具身评分： 参与者在 0–6 的李克特量表上评分每个词引发的身体体验强度。
   • 质量控制： 实施了严格的注意力检查和中文语言能力迷你测试，以确保数据的有效性。

2. 词汇决策验证（研究 2）：

   • 数据集： 将感觉运动规范中的 2,044 个词与 MELD-SCH 数据库中的词汇决策数据（反应时和错误率）进行匹配。
   • 预测变量： 从感觉运动评分中导出九个复合变量以预测词汇表现：
     • 两种*具身感知强度（PSE）*变体：PSE-感知（5 个模态）和 PSE-感觉运动（所有 11 个维度）。
     • 来自 Lancaster 规范的六个既定指标：最大强度、Minkowski-10、Minkowski-3、欧几里得距离、强度总和和 PCA 主成分。
     • 单维具身评分。
   • 分析： 拟合贝叶斯线性回归模型以预测标准化反应时（zRT）和错误率（ERR），并控制词长和词频。

3. 语言恢复分析（研究 3）：

   • 方法： 本研究调查了纯粹的语言表征（来自腾讯 AI 实验室的静态词嵌入）能在多大程度上预测感觉运动评分，使用岭回归进行分析。
   • 指标： 通过 $R^2$ 和 Spearman $\rho$ 测量预测准确性。
   • 结构分析： 采用表征相似性分析（RSA）来确定人类评分的感觉运动空间的几何结构（关系距离）是否能从模型预测的空间中恢复。

主要贡献

• 新颖资源： 作者提出了首个针对 3,000 个普通话概念的大规模、11 维感觉运动规范数据库，涵盖了广泛的语法类别。
• 指标验证： 本研究引入并验证了PSE-感觉运动指标，将 PSE 框架扩展至包含内感受和动作效应器，证明了其优于传统复合指标的预测能力。
• 实证基础数据： 本文提供了关于非英语语言中分布语言表征对感觉运动信息可恢复性的实证证据，为具身人工智能研究提供了基准。

结果

• 信度与效度： 收集的规范显示出高内部信度（各维度的 Cronbach's $\alpha$ 范围从 .698 到 .949），并与现有中文资源具有强跨规范效度。
• 描述性统计： 视觉强度是主导维度（占概念的 47.0%），其次是内感受（39.1%）。化学感官维度（味觉、嗅觉）的平均评分最低，但主导概念的平均强度最高。具身评分与动作效应器的相关性比与感知模态的相关性更强。
• 词汇决策预测： 在研究 2 中，所有感觉运动复合变量均显著预测了词汇决策表现。PSE-感觉运动和Minkowski-3成为最强的预测因子，优于单维测量和简单总和。这表明，在保留非主导维度贡献的同时对主导维度进行加权，能最优地捕捉感觉运动信息的促进效应。
• 语言恢复： 在研究 3 中，岭回归模型成功从词嵌入中预测了感觉运动评分（平均 Spearman $\rho$ = .62）。恢复情况因维度而异：视觉和听觉维度显示出高度对应，而化学感官维度（味觉、嗅觉）尽管 $R^2$ 较高，但秩相关系数较低（$\rho$ = .39），这归因于评分分布的偏斜和语言的不可言说性。
• 结构恢复： RSA 揭示了人类评分的感觉运动空间与预测空间之间的关系几何存在显著相关性（$\rho$ = .540），表明分布语言模式部分编码了具身概念知识的结构。

意义
本文声称，这些发现为推进普通话中的具身认知研究提供了必要的规范资源。通过证明多维感觉运动复合指标（特别是 PSE-感觉运动和 Minkowski-3）是词汇加工的稳健预测因子，该研究为行为研究提供了一种改进的方法论途径。此外，感觉运动结构从语言表征中的部分可恢复性支持了这样一种观点：即使在没有直接物理基础的情况下，语言使用也编码了具身概念结构的某些方面。这对理解大语言模型如何获取概念知识以及开发更具基础性的 AI 系统具有启示意义。作者强调，这些结果呼应了关于符号基础的争论，表明虽然语言模型缺乏直接经验，但语言使用的统计模式仍保留了感觉运动现实的痕迹。