生命度层级在句子在线理解中主题关系计算的作用:基于汉语“把”字句与ERP证据的探究

《Journal of Neurolinguistics》:Role of animacy hierarchy in computing thematic relations during online sentence comprehension

【字体: 大 中 小 】 时间:2026年04月25日 来源:Journal of Neurolinguistics 1.2

编辑推荐:

  本文针对“慢预测假说”中主题角色信息预测较慢的观点,利用汉语SOV“把”字句及ERP技术,探讨生命度特征排序如何调控动词预测。结果发现,违背生命度层级的论元顺序更易提取目标动词,且不同顺序引导不同类型动词预测。这细化了慢预测假说,证明基于主题角色的预测并非均速。

  
当你听到“青蛙亲了公主”和“公主亲了青蛙”时,虽然用词一模一样,但意思却大相径庭。我们之所以能瞬间分辨出谁是“亲吻者”(施事,Agent),谁是“被亲者”(受事,Patient),是因为大脑在进行在线句子理解时,会飞速地计算名词与动词之间的主题关系(thematic relations)。然而,长期以来,语言认知研究领域存在一个颇具争议的“慢预测假说”(Slow Prediction Hypothesis)。该假说认为,基于论元(arguments,即句子中的名词短语)主题角色信息来预测即将出现的动词,是一个相对缓慢的过程;在动词出现的最初时间节点,这种预测往往还来不及形成,因此无法影响我们对动词的加工。
这一假说主要源于此前大量使用双生命度(即两个论元均为有生命的人或动物)句子作为实验材料的研究。在这些研究中,由于两个名词在“是否有生命”这一特征上无法提供区分线索,大脑只能依靠句法结构信息去推断关系,从而导致预测延迟。那么,如果我们给句子中的名词加上“生命度”(Animacy,即有生命与无生命的区别)这一强力的语义线索,并且改变它们在句子中的线性顺序,大脑是否能更快地利用这些线索来分配主题角色,从而在动词出现时就做好预测准备呢?
为了回答这个问题,研究者Chia-Hsuan Liao(廖佳萱)来自台湾国立清华大学语言学研究所,开展了一项基于事件相关电位(Event-Related Potentials, ERP)的实验研究,该论文发表在《Journal of Neurolinguistics》上。研究巧妙地利用了汉语中带有致使意义的SOV(主-宾-动)语序“把”字句。在“把”字句中,位于“把”字前的论元通常充当施事或工具,位于“把”字后的论元通常充当受事或客体,主题角色在动词出现前就已明确。
实验设计了两种论元顺序:一种是“有生命优先”顺序(Animate-first,如“舞者 把 彩带”,对应生命度层级),另一种是“无生命优先”顺序(Inanimate-first,如“闹钟 把 室友”,违背生命度层级)。同时,研究者通过颠倒论元顺序来操纵动词兼容性(Canonical 对 Reversed),并严格控制了目标动词的完形概率(cloze probability)以排除词汇预期本身的干扰。
研究结果显示,当论元顺序违背生命度层级(即无生命优先)时,受试者在动词位置诱发了显著的N400效应(Canonical条件比Reversed条件诱发更小的N400波幅),这意味着大脑提前构建的事件表征已足以在动词出现时影响其加工;而在符合生命度层级(有生命优先)的顺序中,并未观察到N400效应。此外,两种设置下的Reversed条件均在较晚时间窗诱发了P600成分,表明后期进行了重新分析与加工。进一步的动词类型分布分析还发现,“有生命优先”语境更倾向于引发活动(activity)和瞬间(punctuality)类动词,而“无生命优先”语境更倾向于引发结果(resultative)和过程(process)类动词。这些发现表明,生命度特征与结构位置的映射关系,能指导大脑“何时”以及“预测何种”动词,从而完善了慢预测假说——基于主题角色的预测并非 uniformly slow(均匀缓慢),其速度取决于生命度等概念的引导。
主要关键技术方法
本研究主要采用高时间分辨率的脑电(Electroencephalography, EEG)技术记录36名右利手汉语母语者在进行句子合理性判断任务时的脑电活动,依据10/20系统使用64导电极帽(Neuroscan QuikCap)采样,离线重参考至左右乳突平均。刺激以快速序列视觉呈现范式(RSVP,每词600ms,刺激间隔200ms)逐词呈现汉语“把”字句。数据预处理使用EEGLAB和ERPLAB工具包,进行60 Hz陷波滤波、0.1-30 Hz带通滤波、分段( stimulus前100 ms至后800 ms)、基线校正及阈值(±70 μV)伪迹剔除。ERP统计分析聚焦动词锁定(verb-locked)的平均波幅,选取中央-顶叶15个电极聚类作为感兴趣区(ROI),分别在N400(300-500 ms)和P600(600-800 ms)时间窗建立线性混合效应模型(Linear Mixed-Effect Models, lme4),并将动词前基线下活动、词汇完形概率、语义相关度及词汇频率作为协变量纳入模型以排除混淆。
2. Methods(方法)
2.1. Participants(受试者)
实验招募了36名来自国立清华大学的 naive 青年受试者(17男19女,18-33岁,平均22.6岁),均为右利手汉语母语者,无神经或精神障碍史,并签署知情同意书,实验方案经该校研究伦理委员会批准。
2.2. Materials(实验材料)
所有句子采用汉语SOV“把”结构。构建了两组句子:有生命优先组(Animate-first,如“舞者 把 彩带 抛出去”)和无生命优先组(Inanimate-first,如“闹钟 把 室友 吵醒了”)。通过规范测试确保两组目标动词的完形概率(约52%)、论元间语义相关度(LSA余弦相似度约0.12)及词汇频率(Sinica Corpus 4.0)相匹配。每组60个句子,通过颠倒论元顺序构造Canonical和Reversed两种动词兼容条件。实验为2(Set type: Animate-first/Inanimate-first)×2(Verb compatibility: Canonical/Reversed)设计,另加入240个填充句,并分为两个呈现列表平衡顺序。
2.3. Procedure(实验流程)
受试者坐于电脑前,句子逐词以RSVP范式呈现在屏幕中央(白字黑底)。每个试次开始前有600 ms的十字注视点,每词呈现600 ms,词间间隔200 ms。句子结束后,受试者需按键判断句子是否合理。实验前有10个练习试次,正式实验分6个block,全程约2小时。
2.4. EEG data analysis(脑电数据分析)
使用E-prime呈现刺激并发送事件码。64导EEG记录,参考电极为Cz与CPz之间,离线转为左右乳突平均参考,眼电监测眨眼与水平眼动,阻抗<5 kΩ,采样率1000 Hz。数据处理使用EEGLAB和ERPLAB:60 Hz陷波,0.1-30 Hz IIR滤波,分段-100至800 ms,基线校正(-100至0 ms),伪迹拒斥(±70 μV),平均拒斥率17.5%。选取中央-顶叶15电极(C3, C1, Cz, C2, C4, CP3, CP1, CPz, CP2, CP4, P3, P1, Pz, P2, P4)聚类分析N400 (300-500 ms) 和 P600 (600-800 ms)。为统计控制前词汇语境溢出效应,将动词前-100至0 ms平均波幅作为基线协变量。使用R语言lme4包拟合线性混合效应模型,固定效应包括Set type、Verb compatibility及交互,N400模型还协变完形概率、语义相关度和词汇频率;随机效应最大化设定并按收敛情况简化。固定效应显著性判定为 |t| ≥ 2.0,显著交互后进行Bonferroni校正配对t检验。
2.5. Results(结果)
2.5.1. Behavioral data(行为数据)
合理性判断总正确率为91.9%(有生命优先 Canonical: 97.9%,Reversed: 96.2%;无生命优先 Canonical: 86.3%,Reversed: 87.1%),表明受试者认真参与任务。
2.5.2. ERP data(脑电数据)
脑电结果揭示了Set type和Verb compatibility的显著交互:在N400时间窗,无生命优先组中Canonical条件比Reversed条件诱发显著减小的N400(t(35) = -2.39, p < 0.05),而有生命优先组无显著N400效应(t(35) = 1.02, p = 0.31)。在P600时间窗,Reversed条件比Canonical条件诱发显著更大的正走向波幅(Verb compatibility主效应,t = -3.97),Set type主效应及交互不显著。这表明违背生命度层级的语境能在动词 onset时提供可用预测,而符合层级的语境则未能在此时间窗完成足够确定的事件表征检索。
2.5.3. Analysis of verb-type distribution(动词类型分布分析)
将目标动词按事件类型分为活动(activity)、瞬间(punctuality)、结果(resultative)和过程(process)四类。Fisher精确检验显示两组语境动词类型分布差异极显著(p = 4.015×10-7):有生命优先组多为activity (40.0%) 和 punctuality (36.7%);无生命优先组多为resultative (58.3%) 和 process (8.3%)。这说明不同生命度顺序引导了不同的事件预测倾向。
3. General discussion(总体讨论)
本研究通过在相同呈现速率下操纵论元的生命度与结构位置映射,发现生命度层级(animacy hierarchy)是否对齐结构位置,调控了动词预测在动词 onset时的可用性。在无生命优先(违背层级)语境中,前置的无生命论元与“把”后有的生命论元构成“工具-受事”关系,使大脑较快收敛到以受事变化结果为导向的确定事件表征(多为resultative),从而在动词onset时能匹配并减小N400;而在有生命优先(符合层级)语境中,前置有生命论元虽易判为施事,但可兼容的活动事件太宽泛,未能在动词onset时形成足够确定的表征来减小N400,故无N400效应。两种Reversed条件均在后期诱发P600,反映大脑检测异常后进行了重新分析及加工修订。
这一结果细化了“慢预测假说”:基于主题角色(thematic roles)的预测并非总是慢,生命度等概念性线索如与结构位置形成特定映射,可加速事件表征的构建与检索,使预测提早可用。同时,研究也呼应了整合观(integration-based accounts),即N400可反映将动词事件整合进前文语境表征的难度,生命度映射通过改变前文语境的限定性,调制了整合成本。总之,人类认知系统能灵活利用生命度层级等线索,动态优化句子理解中的预测性加工。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号