From Exposure to Expectation: Frequency, Surprisal, and Language Across Development in Spanish
这项研究表明，虽然累积词汇频率是儿童习得西班牙语单词时的一个强预测因子，但语境意外度主要解释了成年人在阅读过程中的瞬时处理困难，这表明这些因素在语言发展的不同阶段扮演着截然不同的角色。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
语言是一条流淌在我们生命中的河流，载着我们从婴儿时期的咿呀学语，走向成年后快节奏、高密度的复杂对话。几十年来，科学家们一直试图理解这条河流是如何塑造我们的大脑的，并提出了两个截然不同但又相互关联的问题。第一个问题关乎开端：为什么孩子们学会在某些词（如“狗”或“牛奶”）上比其他词（如“正义”或“低语”）更早取得进展？第二个问题关乎旅程：一旦我们掌握了一个词，为什么有时读起来或听起来很顺畅，而有时却感觉像是磕绊了一下，即便这个词本身并没有改变？
为了回答这些问题，研究人员经常观察语言中隐藏的两种不同类型的统计线索。一种线索是频率，这仅仅是指一个孩子在日常生活中听到某个特定词汇的次数。一个词出现的次数越多，它就变得越熟悉。另一种线索是“惊讶度”的度量。想象一下，在一个句子中，你正在等待下一个词出现。如果这个句子让你预料到了某个词，那么这个词就是可预测的。如果句子引导你期待另一件事，而出现的却是另一个词，那么这个词就带有很高的“惊讶”值。在现代科学领域，研究人员使用被称为“大型语言模型”的强大计算机程序来计算这种惊讶度。这些程序在海量文本上进行了训练，能够以惊人的准确度预测句子中的下一个词，从而让科学家能够精确测量一个词在给定语境下的不可预测程度。
长期以来，人们一直认为这两种线索——我们听到一个词的频率以及它的惊讶程度——是以同样的方式协同工作的，无论我们是在讨论儿童学习第一个词汇，还是在讨论成年人阅读小说。当时的观点认为，语言学习和处理的规则在各种情况下都是通用的。然而，纳瓦拉大学的弗朗西斯科·波蒂略·洛佩斯（Francisco Portillo López）的一项新研究挑战了这一假设。通过从两个不同的视角审视西班牙语，该研究表明，学习一个词的规则与一旦已知后处理一个词的规则有着本质的区别。
研究人员首先观察了语言的最早期阶段，重点研究了225个常见的西班牙语名词。他想知道计算机对惊讶度的衡量是否能解释为什么有些词学得早，而有些词学得晚。为此，他收集了照护者对幼儿说话（即所谓的“儿语”）中这些词出现的频率数据。他还使用了三种不同的计算机模型，根据每个词出现的语境来计算其惊讶值。结果清晰且一致：词频是预测儿童何时学会某个词的有力指标。在孩子的环境中频繁出现的词会被更早地习得。相比之下，惊讶度的度量几乎没有任何帮助。即使计算机计算出了一个词在特定句子中的不可预测性，这一信息也无法解释为什么孩子会在特定时间学会那个词——一旦考虑到该词被听到的简单事实，惊讶度就失去了解释力。
为了确保这不仅仅是由于计算机被要求预测单词时产生的偏差，研究人员以不同的方式测试了计算机。他尝试使用标准化的句子框架（即每个词都放在相同的简单结构中），同时也尝试使用了父母与孩子之间真实的自然对话。在两种情况下，模式都保持一致。计算机的“惊讶感”（旨在衡量语境对特定词的预测能力）似乎对于早期单词学习的时机并不重要。唯一能可靠预测孩子习得新词的时间的，只有他们遇到该词的次数。这一发现支持了一种观点，即重复和累积暴露是学习的主要驱动力，而非通过解决当下时刻的预测谜题来进行学习。
当研究人员将焦点从儿童转向成年人时，故事发生了剧烈的转折。在研究的第二部分，他研究了成年西班牙语使用者阅读文本的情况。利用一项眼动追踪研究的数据（通过摄像头记录人们在页面上注视单词的位置和时长），他测试了同一个计算机模型的惊讶度度量。这一次，结果完全不同。对于成年读者来说，惊讶度的度量是预测他们在单词上停顿时长的强有力且可靠的指标。当一个词相对于之前的词而言缺乏可预测性时，成年人会在该词上花费更多时间，这表明他们的脑力正在进行更艰苦的运算，以处理这些出乎意料的信息。即使在考虑了词频和词长之后，这种效应依然显著。在成年人的熟练阅读世界里，单词的惊讶值至关重要。
这两项发现之间的对比揭示了语言运作方式的一个重大分歧。对于一个正在从零开始构建词汇量的孩子来说，对一个词单纯的暴露量是将其刻入记忆的关键。词汇出现的语境并不重要，重要的是孩子已经多次听到了它。这就像孩子在收集石头，他们捡起某块特定石头的次数越多，那块石头就变得越熟悉。然而对于成年人来说，大脑中已经充满了这些“石头”，并将其组织成一个庞大的网络。当成年人阅读时，他们一直在对即将到来的内容做出预测。如果文本打破了这种预测，大脑就会产生一种摩擦感，眼睛也会随之减速以解决这种不匹配。
这种差异表明，用于研究语言的计算机模型并非失败了；相反，它们根据所观察的人类生命阶段，捕捉到了人类体验的不同方面。同一个数学上的惊讶度度量，在预测儿童何时学习单词时几乎毫无用处，但在理解成年人如何阅读单词时却是必不可少的。这暗示了大脑并非使用单一、静态的方法来处理语言。相反，随着我们的发育，统计线索的重要性会发生转移。早期，大脑依赖于经验的积累；后期，一旦建立了稳健的系统，大脑会对即时语境及其产生的预期变得高度敏感。
这项研究还为我们如何评估人工智能提供了一个警示。一个计算机程序可能非常擅长模仿成年人的阅读模式，使其看起来像是人类语言的完美模型。但同一个程序可能会无法捕捉到儿童实际学习的机制。如果我们只针对成年人的行为来测试这些模型，我们可能会忽略掉它们未能反映发育中大脑学习过程的事实。研究表明，要真正理解语言，我们必须同时观察儿童和成年人，承认游戏的规则会随着玩家的成长而改变。从“接触”到“预期”的旅程并不是一条在每一步都适用相同因素的直线；这是一条路径，其中频率的权重和预测的力量会发生位移，从而定义了学习如何说话和阅读的不同篇章。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。