语义网络中组合性的神经表征机制：基于计算模型驱动的表征相似性分析

本研究通过计算模型驱动的表征相似性分析(RSA)，揭示了左额下回(BA45)在跨任务情境下自动执行语义组合的神经机制。研究人员整合4项fMRI研究数据(N=85)，采用加性模型(additive)、乘性模型(multiplicative)和CAOSS模型对比分析双词组合的神经表征，发现BA45区域通过特征交集(intersective conjunction)实现对称性组合计算，同时左颞中沟(ImSTS)也参与组合表征。该研究为理解语义组合的神经计算机制提供了模型驱动的实证证据。

　　

人类语言最神奇的能力在于能将简单词汇组合成无限新含义，比如从未听过的"派对船(party boat)"也能被理解为庆祝用船只。这种语义组合(semantic composition)的神经机制一直是认知科学的核心问题。虽然既往研究通过对比"有意义vs无意义"短语定位了相关脑区，但哈佛大学Marco Ciapparelli团队在《Cerebral Cortex》发表的研究指出：传统方法只能回答"哪里"发生组合，却无法揭示"如何"组合这个更本质的问题。

现有理论对组合方式存在激烈争论：是选择隐含关系？还是区分属性修饰与主题关联？更复杂的是，熟悉词组(如"剑鱼")可能同时存在长时记忆提取和在线组合两种处理路径。这些争议亟需能直接表征神经计算过程的新方法。为此，研究者创新性地采用分布语义模型(DSM)和组合分布语义模型(cDSM)，将三种组合计算理论——加性模型(语义叠加)、乘性模型(特征交集)和CAOSS模型(修饰-中心词非对称组合)转化为可验证的数学表达，通过表征相似性分析(RSA)与脑活动模式直接比对。

研究整合了4项独立fMRI研究的85名被试数据，涵盖名词-名词和形容词-名词组合，任务设计包括1-back匹配、意义判断等不同认知需求。采用交错式GLM估计单试次beta值，以马氏距离构建神经表征差异矩阵(RDM)，控制词频、具体性等混淆因素后，通过偏Spearman相关检验模型-脑区对应关系。针对熟悉词组还特别比较了词典化表征与组合表征的神经基础。

关键发现首先出现在预定义核心脑区分析中：左额下回(LIFG)的BA45区与乘性模型呈现显著表征相似性(Z=2.30,p=0.011)，这种对称性特征交集组合在非语义需求的1-back任务中依然存在，支持自动组合假说。探索性全脑分析进一步发现左颞中沟(ImSTS)的乘性表征簇，而左前颞叶(LATL)仅显示边缘显著趋势。令人意外的是，虽然左角回(LAG)显示出加性模型表征(Z=3.56,p<0.001)，但被认为负责关系组合的CAOSS模型在所有脑区均未达显著。

在专门考察熟悉词组的分析中，研究发现词典化表征(如"苹果树"作为整体单元)与组合表征(如"苹果"+"树"在线组合)存在神经分离，为并行处理理论提供了证据。值得注意的是，乘性模型成为唯一跨任务、跨脑区稳定的组合表征模型，研究者认为这与其计算简洁性有关——通过元素级乘法实现特征交集，恰好对应大脑对基本语义特征的组合方式。

讨论部分深入剖析了三个理论启示：首先，BA45的自动组合功能挑战了传统"语义控制中枢"观点，表明其本质是执行跨情境的稳定组合计算；其次，角回可能更多反映任务需求而非语义组合本身；最后，DSM模型虽能预测行为，但缺乏感知运动基础可能限制其对复杂关系组合的解释力。作者建议未来研究应整合多模态语义表征，并直接解码从成分到组合的神经动态转换过程。

这项研究的意义在于：首次通过模型驱动方法定量比较了不同组合计算理论的神经实现，为语义组合的"如何"问题提供了计算神经科学答案。其方法论创新——将语言理论转化为可检验的计算假设，再通过大规模数据聚合进行验证——为理解人类独特的符号组合能力树立了新范式。正如研究者强调的，这种"表示-转换-验证"三位一体的框架，可能成为破解高阶认知神经密码的通用钥匙。