预测误差能解释指称适应吗？

《Journal of Memory and Language》：Does prediction error explain referential adaptation?

　　

理解者会根据近期语言输入来适应指称模式。即使预测误差的强度和一致性减弱，指称适应依然会发生。指称预测由语言经验塑造，而不仅仅是由动词语义决定。研究结果对基于误差的语言学习模型提出了挑战。

**引言**

语言中的指称往往是模糊的（例如："Ana 看到了 Liz。她说了声你好。"），需要理解者推断说话者意图指代的对象。歧义消解依赖于各种句法、语义和语用线索。代词通常与前述主语或最先提到的实体相关联（例如：Arnold, 1998；Arnold 等人，2000；Gernsbacher, 1990；Gernsbacher 和 Hargreaves, 1988），但动词语义和语篇连贯性也会影响理解。例如，在因果语境中（例如："Ana 钦佩 Liz，因为她是……"），动词"admired"隐含了原因和经历者，引导理解者将代词指向隐含的原因，尤其是在"because"提示即将出现解释时（例如：Garvey 和 Caramazza, 1974；Johnson 和 Arnold, 2021；Kehler 等人，2008；Koornneef 和 van Berkum, 2006；Stevenson 等人，1994）。这些语篇偏差指导着日常语言使用中的代词理解。

近期的研究表明，语篇偏差并非固定不变的。理解者会适应近期指称的统计模式，即人们会将其对代词的解读转向局部输入中最频繁出现的模式（Contemori, 2021；Contemori 等人，2021；Johnson 和 Arnold, 2023；Kaiser, 2009；Roy 等人，2025；Ye 和 Arnold, 2023a）。然而，驱动这种语篇层面适应的机制尚不明确。本研究旨在检验这种适应反映的是基于误差的学习还是基于频率的学习。我们关注的语境是那些不会引发关于即将出现的指称对象的强烈预测的语境——即等偏差语境。这种语境之所以重要，是因为基于误差的学习模型预测学习在强预测的语境中最为显著，但针对等偏差语境的实证研究相对较少。

基于经验的学习模型预测，经常遇到的结构会变得更可预期、更容易加工（例如：Gennari 和 MacDonald, 2009；Jurafsky, 1996；Levy, 2008；MacDonald 等人，1994）。这一观点也可以解释语篇偏差的形成（例如：Arnold, 1998, Arnold, 2001, Arnold, 2010）。例如，主语实体在随后的语篇中通常比其他指称对象更经常被重新提及（例如：Arnold, 1998, Arnold, 2001；Guan 和 Arnold, 2021；Johnson 和 Arnold, 2021；Langlois 和 Arnold, 2020）。然而，仍需进一步研究以更好地理解统计学习在语篇层面是如何运作的。已有大量证据表明理解者对多种语言规律敏感（例如：Chang 等人，2006；Kaan 和 Chun, 2018；Saffran 等人，1996），但这些研究大多聚焦于较低的语言层次，涵盖音韵、词汇和句法领域（例如：Saffran 等人，1996；Gómez, 2002；Christiansen 和 Chater, 2001；Thompson 和 Newport, 2007；综述见 Frost 等人，2019；Chang 等人，2012；Kaan 和 Chun, 2018）。关于语言经验如何塑造语篇适应的研究仍相对不足。

越来越多的研究开始填补这一空白，通过研究指称适应来探讨人们如何根据所遇到的模式调整自己的代词理解策略。Kaiser（2009）证明，即使只有一个启动句（例如："William swooked Betty and Kevin brucked him."）也能改变人们对一个模糊代词的理解（例如："Stephen tulvered Peter and Diane churbited him. Diane churbited……? Stephen 还是 Peter?"）。这种即时的启动效应也在其他使用不同刺激材料的研究中被发现（例如：Contemori, 2021；Contemori 等人，2021）。

更持久的暴露会产生累积效应。也就是说，当代词始终指向主语或非主语时，理解者会相应地调整其对后续模糊代词的理解（Contemori, 2021；Contemori 等人，2021；Johnson 和 Arnold, 2023；Roy 等人，2025；Ye 和 Arnold, 2023a；Ye 和 Arnold, 2023b；相关适应效应见 Fernandes 等人，2018）。Johnson 和 Arnold（2023）向参与者呈现了40篇暴露故事，全部遵循一致的指称模式。例如，在实验1a中，每个故事中的代词明确指向第二个被提到的人物（例如："Ana went to the library with Will. He……"）或语法主语（例如："Ana went to the library with Will. She……"）。暴露引导了对模糊代词的理解（例如："Ana cleaned the house with Liz. She used the new broom."），在主语暴露条件下，人们更倾向于将代词指向主语，而在第二个角色始终被重新提及的条件下则不然。

在 Johnson 和 Arnold（2023）的实验范式中，结果似乎反映了暴露于多个具有相似指称模式的故事所产生的累积启动效应。然而，也有可能所观察到的效应实际上反映的是反复的短期启动。支持累积机制的证据来自 Arnold（待发表），该研究检验了实验过程中冲突输入的影响。该研究复制了 Johnson 和 Arnold（2023）的全主语暴露条件和全非主语暴露条件下的模式。关键的是，它还表明当暴露材料中60%为非主语指向、40%为主语指向时，主语解读的比例介于另外两种条件之间，表明人们会在多次试验中追踪指称模式的概率分布。该研究还检验了前一试题是否会产生即时启动效应。在一个混合列表中，靶词总是出现在非主语暴露试次之后；在另一个列表中，靶词总是出现在主语暴露试次之后。然而，前一试题没有产生任何影响，这表明指称启动是在整个实验过程中累积产生的效应。这暗示代词理解对输入中的分布模式有反应。

然而，一个关键问题依然存在：通过暴露学习指称模式背后的机制是什么？指称适应仍是一个相对较新的研究领域，目前尚无关于其潜在机制的具体理论主张。然而，由于指称依赖关系在抽象性和长距离性方面与句法依赖关系相似，句法适应的理论提供了一个有用的起点。因此，我们从两种广义的统计学习方法入手：1）频率追踪和2）基于误差的学习。

研究已证明理解者对语言规律的统计分布高度敏感（例如：Saffran 等人，1996）。然而，这一学习过程背后的确切机制仍有争议。一种广义的方法是将统计学习视为一种追踪和积累规律的过程，如输入的频率、变异性和分布结构。在这一框架下，学习者通过整合多个实例形成反映输入集中趋势的表征。统计学习已在多种语言领域中得到验证，包括音节切分、词汇学习和音素范畴形成（例如：Saffran 等人，1996；Erickson 和 Thiessen, 2015；Maye 等人，2002；Thiessen 和 Pavlik Jr, 2013）。

如果频率追踪是指数称适应的基础，那就需要追踪照应语和先行词之间的长距离依赖关系。例如，人们可能追踪主语与宾语/宾语介词短语被重新提及的频率，或者专门追踪用代词重新提及主语与其他角色之间的条件频率。Ye 和 Arnold, 2023a；Ye 和 Arnold, 2023b 证明了对一种代词的指称模式的适应会推广到其他代词，这表明适应并非特定于某一照应语。然而，Johnson 和 Arnold（2023）发现人们只对指代性代词的模式产生适应，而对第一/第二人称代词或名称回指没有适应。

第二种方法强调预测和预测误差作为适应的机制（例如：Chang 等人，2006, Chang 等人，2012；Jaeger 和 Snider, 2013；Nixon, 2020）。一般来说，预测误差指的是语言输入中的意外程度，在各种学习模型中起着关键作用。例如，基于误差的学习模型提出理解者依赖先验知识来预测即将出现的语言输入。当这些预测被违背时，例如遇到不常见或出乎意料的结构时，这种差异会产生误差信号并增加加工成本。作为回应，理解者调整其预测以减少未来的误差，从而促进后续加工并导致语言表征的长期变化（Bock 和 Griffin, 2000；Chang 等人，2006；Chang 等人，2012）。这种学习通常表现为理解中加工成本的降低或暴露于意外结构后产出中结构偏好的转变。例如，"need + 过去分词"结构（例如："The car needs washed"）主要见于宾夕法尼亚州西部和俄亥俄州东部的区域方言（例如：Wood 等人，2022），在英语整体中很少见。这种不熟悉的结构通常被阅读得比其标准对应形式（例如："The car needs to be washed"）慢得多。然而，重复暴露能显著减少这种加工困难（Kaschak 和 Glenberg, 2004；Langlois, 2021）。关键在于，这种适应不仅仅是该结构的暂时激活，而是反映了语言表征的持久变化，或许是由降低预测误差的需求所驱动的（例如：Jaeger 和 Snider, 2013；Wells 等人，2009）。

多项关于语言产出中句法启动的研究结果支持预测误差解释。利用结构启动技术，研究表明说话者在暴露后会倾向于重复使用句法结构。例如，说话者在接触了包含相同结构的句子后，更可能产出双宾结构（例如："Ana gave John the book"）（Bock 和 Griffin, 2000；Branigan 等人，2000；Pickering 和 Branigan, 1998；关于结构启动的综述见 Pickering 和 Ferreira, 2008）。支持预测误差解释的一个关键证据是频率逆效应，即启动效应在低频结构上往往比在高频结构上更强。根据预测误差解释，越出乎意料的结构引发的预测误差越大，因此产生的适应效应也越大。例如，英语被动结构（例如："Will was hit by Ana"）的频率显著低于主动结构（例如："Ana hit Will"）。研究表明，暴露于被动结构会引发可靠的句法启动效应，而主动结构则几乎不引发启动效应（例如：Berenoleet 和 Hartsuiker, 2010；Bock, 1986；Jackson 和 Hopp, 2020；Jaeger 和 Snider, 2013）。由于频率通常与加工速度相关，越频繁的结构被加工得越快（例如：Rayner 和 Duffy, 1988），因此可以合理地假设频率与预测误差呈负相关。也就是说，高频结构符合理解者的预期，产生的预测误差较小，而低频结构更加出人意料，触发更强的预测误差。在这一假设下，频率逆效应提供了证据，表明句法适应是由预测误差驱动的（Jaeger 和 Snider, 2013）。

关于句法适应的其他证据来自理解研究，这些研究通常以加工成本的降低作为适应的指标；研究发现，暴露于意外结构后，其加工成本会减少，但预期结构的加工成本则没有变化。Fine 等人（2013，实验1）进行了自定步调阅读实验，参与者阅读包含暂时句法歧义的句子。这些句子包含动词"warned"，它可以是句子的主要动词（"The experienced soldiers warned about the dangers before the midnight raid"），也可以是修饰主语的限制性关系从句的开头（"The experienced soldiers warned about the dangers conducted the midnight raid"）。最初，参与者强烈偏向主动词解读且没有加工困难，因为主动词在自然语言中具有更高的概率分布（Roland 等人，2007）。相比之下，关系从句结构引发了显著的加工困难（即阅读时间更长），相比于无歧义的控制结构（"The experienced soldiers who were warned about the dangers conducted the midnight raid"）。随着参与者逐渐接触到更多包含关系从句结构的句子，他们很快适应了这种出乎意料的消歧，最终在不同条件下的阅读时间不再出现差异。典型与非典型句法结构之间加工差异的减小与由预测误差驱动的迅速适应相一致。在使用眼动范式和不同句法结构的研究中也报告了类似的发现（例如：Farmer 等人，2014；Thothathiri 和 Snedeker, 2008；Traxler 和 Tooley, 2008）。

理解者持续更新他们对即将出现信息的预期，涵盖语言表征的所有层次，包括语篇（例如：Rohde 和 Horton, 2014；van Berkum 等人，2007）。

代词理解同样受到概率性预期的支配，即对某个特定实体在接下来被提及的可能性有多高的预期，也就是指代可预测性（如Arnold, 1998；Brocher等人，2018；Hartshorne等人，2015；Kehler和Rohde，2013），这对于理解至关重要。听者对可预测信息的理解和预判速度更快（如Altmann和Kamide，1999）。重要的是，与词汇或句法预测不同，代词理解中这种关键类型的预测是关于指称对象本身的：某个特定指称对象被提及的可能性有多大？（Langlois等人，2023）。

指称对象的可预测性受到多种语境因素的塑造，包括其句法位置、提及顺序和动词语义（Gordon等人，1993；Walker，1998；Gernsbacher和Hargreaves，1988；Arnold等人，2000；Kaiser，2011；Arnold，2001；Stevenson等人，1994；J?rvikivi等人，2005）。例如，主语和首次提及的实体通常预期会被重新提及（如Arnold，1998，2001；Arnold等人，2018）。动词和连贯关系进一步约束了预期（如Arnold，2001；Fukumura和van Gompel，2015；Kehler等人，2008；Kehler和Rohde，2013；Rosa和Arnold，2017；Stevenson等人，1994）。在因果语境中（例如，"Ana使Liz感到惊讶，因为……"），理解者通常预期隐含的原因（Ana）接下来会被重新提及，这在自然语言中确实更频繁地被重新提及（如Guan和Arnold，2021；Kehler和Rohde，2013）。这种预期会因阅读经验而增强（Johnson和Arnold，2021），并在加工过程中迅速产生（如Cozijn等人，2011；Long和De Ley，2000；McDonald和MacWhinney，1995）。

当出现意外的指代时（例如，"Ana使Will感到惊讶，因为他……"，其中"他"指代非原因的Will），理解者可能会经历预测误差，因为输入信息违反了指代预期——即Ana会被提及，因为她是隐含的原因。这可以被理解为指称对象的预期可能性与实际被提及的可能性之间的不匹配。因此，可能会发生适应以更新未来的预期，这与基于误差的句法适应理论的预测相平行（如Chang等人，2012；Fine等人，2013；Jaeger和Snider，2013）。

支持上述假设的是，Roy等人（2025）观察到了指代适应中的逆频率效应。他们的研究比较了三种不同模式中暴露对象对代词消解的影响。如下例（c）所示，非回指性指代暴露是一种中性条件，使用一个名字来指代第一个分句中未提及的第三个角色。这一中性条件作为基线，与主语和非主语暴露条件进行比较。暴露之后，参与者接受了歧义故事的测试，以探查他们自己的解释。

a. 主语暴露：Will和Ana正在一起度过周末。
Will在公园里和Ana一起搭好了野餐，然后他吃了一些三明治。
Will吃了一些三明治吗？是/否

b. 非主语暴露：Will和Ana正在一起度过周末。
Will在公园里和Ana一起搭好了野餐，然后她吃了一些三明治。
Ana吃了一些三明治吗？是/否

c. 中性（非回指性指代）暴露：Will、Ana和Liz正在一起度过周末。Will在公园里和Ana一起搭好了野餐，然后Liz吃了一些三明治。
Liz吃了一些三明治吗？是/否

d. 关键项：Ana和Liz正在准备去购物。
Ana把优惠券带给Liz，然后她写了一张购物清单。
Ana写了购物清单吗？是/否

结果显示，非主语指代的暴露显著降低了主语偏好，而主语指代暴露与中性基线没有显著差异。这一发现与句法启动中低频双宾结构中观察到的更强适应效应相呼应，表明学习可能主要由意外的指代触发。

尽管预测误差为语言学习的许多方面（包括指代适应）提供了令人信服的解释，但有几点考虑表明应该探索替代机制。首先，与句法适应不同，句法适应中结构歧义（如花园小径句）往往导致巨大的加工成本，而代词消解并不总是施加相当程度的需求，尤其是在有性别等强线索时能立即消除歧义。这引发了一个问题：在代词消解中，理解者对某一特定预期的承诺有多强？以及需要多大程度的偏差才能产生有意义的意外感来支持学习？

其次，先前的指代适应研究仅测试了有偏见的语境（如Johnson和Arnold，2023；Roy等人，2025；Ye和Arnold，2023a），在这种语境中，一个指称对象（通常是主语）被强烈预期。在这些语境中，我们无法区分一种依赖于追踪最常见指代类型的学习机制与一种依赖于预测误差的学习机制。如果预测误差在适应中发挥核心作用，那么当强预期不存在时，人们可能会预期学习会被削弱。这促使我们在等偏见语境中测试适应，在这种语境中没有哪个指称对象被强烈偏好。

第三，对基于误差模型的经验支持主要来自替代项之间存在强先验频率不对称的案例。例如，逆频率效应的证据（如Bock，1986；Jaeger和Snider，2013）通常关注一个结构被高度预测（如主动语态）而另一个（如被动语态）不被预测的情况。在这些情况下，不那么预期的结构通常比更预期的结构产生更大的启动或适应效应，这与更强的预测误差产生更多学习的观点一致。但在没有哪个结构被强烈偏好的情况下会怎样呢？

第四，先前关于理解中快速、基于误差的句法适应的证据在复制尝试中遇到了挑战。尽管Fine等人（2013）报告了对高度意外结构（特别是引发花园小径效应的缩略关系从句）的稳健适应，但Harrington Stack等人（2018）在高统计效能的复制研究中未观察到类似效应。同样，Prasad和Linzen（2021）在大样本复制研究中只发现了非常小的效应。这些发现表明，快速句法适应的幅度和可靠性可能比最初提出的更为有限或更依赖语境，从而引发了关于理解中快速误差驱动更新的稳健性问题的讨论。

先前工作的另一个局限是使用的方法来衡量适应。许多研究（包括Fine等人，2013及其后续的复制研究）依赖自定步阅读，并将较少预期结构的阅读时间缩短解释为适应的证据。然而，这种方法容易受到替代解释的影响（Dempsey等人，2024）。一种可能是任务适应，即参与者仅仅在执行实验任务时变得更高效、更快速，而与语言学习无关。这种练习效应可能会人为地制造出适应的错觉。事实上，Prasad和Linzen（2021）表明，阅读时间通常在所有条件下都会下降，而不仅仅是在目标结构条件下。

另一种可能性是饱足效应，即重复暴露使困难或不被偏好的结构看起来更容易，而不反映真正的结构学习。这通常表现为对复杂句法（如岛屿违反，Snyder，2000；Stromswold，1986）和不合语法句子（Coulson等人，1998；Fraundorf和Jaeger，2016；Hahne和Friederici，1999；Kaschak和Glenberg，2004；Yano等人，2021）的可接受性增加，尽管这些结构总体上来说仍然很难加工。这些发现与对加工困难的适应一致，而非对结构概率的追踪（Dempsey等人，2024）。

因此，评估适应背后的机制需要仔细考虑适应效应是如何被衡量和解释的。自定步阅读并不直接衡量预期违反，而是捕捉反应潜伏期，这并不能揭示理解者是否确实根据预测误差形成并修正预期。因此，有必要衡量人们在所选择的解释中的结构适应。如果适应是由预期更新驱动的，那么它不仅应该导致加工时间的变化，还应该导致解释偏好的转变。本研究直接对此进行了检验。

为了评估预测误差在指代适应中的作用，本研究使用隐含因果性（IC）语境，比较了强偏见语境与等偏见语境中的指代适应，因为这些语境允许我们在保持句法结构不变的情况下，考察不同指代偏见下的适应。

隐含因果性指的是某些动词倾向于引导理解者将因果性归于句子的主语或宾语的倾向（Garvey和Caramazza，1974）。例如，动词"frightened"（使害怕）偏向主语（"Sally使Mary感到害怕，因为……"→Sally），而"admired"（钦佩）偏向宾语（"Sally钦佩Mary，因为……"→Mary）。这些模式反映了动词的底层因果语义（如Bott和Solstad，2014；Hartshorne，2014；Pickering和Majid，2007）。一般来说，具有隐含因果性偏见的动词是涉及两个参与者（主语与宾语）的及物动词，编码心理或动作事件，并且内在暗示事件的隐含原因。虽然许多动词一致地表现出主语或宾语偏见，但这些偏见的强度可能不同，有些动词并不一致地表现出方向性偏见（如Hartshorne和Snedeker，2013）。

隐含因果性动词塑造指代预期，违反这些预期会增加加工难度，例如当代词性别与偏见的隐含原因冲突时（如Koornneef和van Berkum，2006；Koornneef和Sanders，2013；Featherstone和Sturt，2010等；相关发现见Kaiser，2025；Kaiser和Adji，2025）。这些效应通常立即出现，与理解者聚焦于偏见指称对象的理论一致（如Stewart等人，2000；McKoon等人，1993；Greene和McKoon，1995）。

但并非所有人际动词都具有强的隐含因果性偏见。一系列标准化研究（如Brown和Fish，1983；Ferstl等人，2011；Hartshorne等人，2015；Hartshorne和Snedeker，2013）表明，这些动词从强烈的主语偏见（如刺激-体验者心理动词"amaze"与施事-受事动作动词"offend"）到强烈的宾语偏见（如体验者-刺激心理动词"admire"与施事-唤起者动作动词"praise"）连续变化。有些动词属于没有明确主语或宾语偏见的中间类别（如"forgot"）。这种可变性使得我们可以系统性地操纵话语偏见，同时保持句法结构和连贯关系不变。

最近，Arnold（2026a）使用强烈宾语偏见的隐含因果性语境测试了指代适应，并考察了适应是否能推广到联合行动构式（如"Ana和Liz一起去购物。她买了一顶帽子"），这种构式具有强烈的主语偏见。在暴露阶段，代词总是指代主语或宾语（"Ana钦佩Will，因为她……"vs."Ana钦佩Will，因为他……"）。暴露之后，参与者接受了包含隐含因果性和联合行动语境的歧义代词故事测试。隐含因果性测试项揭示了暴露产生的稳健适应效应。在实验2中，主语指代暴露降低了宾语偏见（78%），与宾语暴露（38%主语回答）相比。然而，这种适应没有推广到联合行动构式，在那里仍然保持了强烈的主语偏见（主语暴露为96%主语回答vs.宾语暴露为92%）。

本研究：等偏见语境中是否会发生指代适应？

Arnold（2026a）已证实指代适应发生在强烈宾语偏见的IC语境中，表明适应不仅限于主语偏见语境。但这引发了一个问题：适应是否需要具有强先验预期的语境？预测误差理论认为适应与预期违反的强度紧密相关，这将预测在强偏见语境中的适应比在等偏见语境中更强。因此，本研究在保持其他结构不变的情况下，比较了有偏见和等偏见的IC动词，因为效应可能无法推广到不同的句法结构或连贯关系（Arnold，2026a）。

本研究的主要目标是确定稳健的指代适应是否需要强烈、一致偏见的指代预期。预测误差理论通常由不那么预期的结构比更预期的结构产生更强适应的案例来支持（Bock，1986；Chang等人，2006，2012；Jaeger和Snider，2008，2013）。然而，大多数经验证据聚焦于极端对比的语境，即一种结构被高度预测而另一种结构高度意外的情况。

这里我们提出疑问：适应在等偏见语境中是否也会发生。基于误差的强版本理论预测学习随预测误差幅度缩放。例如，在双路径模型中，误差是预测的下一个词与实际观察到的词之间的差异，更大的差异产生更大的权重变化（Chang等人，2006，2012）。

基于预测错误的理论框架同样预测，在不太可预期的线索词之后会产生更强的启动效应，并将预测误差操作化为在给定语境下观察到的结构的意外度（surprisal），通常根据动词特定的结构概率来估计（Jaeger & Snider, 2008, 2013）。如果适应效应在不同语境中同样稳健，那么这一结果将难以与一个简单的解释相调和——即适应幅度与线索词的意外度紧密对应。我们已知，在偏向宾语指代的语境中接触指代模式会导致对匹配的偏宾语测试项产生适应效应（Arnold, 2026a），因此实验1旨在检验这一效应是否会泛化到均衡偏好的测试项上。我们关键的检验出现在实验2中，该实验考察了在均衡偏好暴露语境下的适应效应，使用的是与实验1相同的测试项。根据预测错误理论，这些语境对主语和宾语的预期大致相等，因此无论观察到主语指代还是宾语指代模式，产生的误差信号都应相对较小。然而，与偏宾语语境中主语指代暴露违反强烈宾语偏向所产生强而方向一致的误差信号相比，该误差信号应显著更弱且方向一致性更低。

我们的预测受到语言处理中基于预测学习观点的若干有影响力的理论框架的启发，这些框架在如何概念化预测误差以及预测误差在多大程度上驱动适应方面有所不同。Chang等人（2006, 2012）提出了一个关于基于误差学习的显著模型，他们将学习刻画为基于预测结果与观察结果之间差异的增量更新。相关的线索词意外度理论则提出，不太可预期的输入会产生更大的预测误差，并因此可能引发更强的启动或适应效应（Jaeger & Snider, 2008, 2013）。这表明适应的幅度与先验预期的强度成比例（另见Fine & Jaeger, 2013; Myslín & Levy, 2016）。在基于误差学习假设的强版本下，实验1中强烈偏宾语语境的暴露应产生比实验2中均衡偏好暴露语境更大的适应效应。

实验2中选取的暴露项在主语和宾语概率上大致相等（M = 49.4%主语解读；范围 = 37.5% - 62.5%）。根据分级的预测错误理论，在这些语境中观察到主语或宾语指代应仅产生相对微弱的误差信号。形式化预测误差的一种定量方法来自基于意外度的理论（如Jaeger & Snider, 2008, 2013），该理论将观察到结果x的意外度建模为x概率的倒数1的对数，即 ln(1/p(x))。据此观点，在实验2中（主语解读的平均概率为50%），在两种暴露条件下，无论哪种结果（主语指代或宾语指代）的意外度均约为0.69。如果适应幅度与所观察到的指代的意外度成正比，则实验2中预测的暴露对比效应应正比于约1.39（即主语暴露条件下的正向适应与宾语暴露条件下的负向适应之差）。相比之下，在实验1中宾语解读被强烈预期，宾语解读的概率为0.93，主语延续的概率约为0.07。由此得出主语指代的意外度值为2.66，宾语指代的意外度为0.07。据此预测适应效应为2.73，几乎是均衡偏好条件下（1.39）的两倍。因此，一个简单的线性意外度理论预测，实验2中的适应效应应显著小于实验1。

另一种可能是，预测误差以非线性方式起作用。也许适应在输入不太可预期时都很强——即当输入要么出乎意料要么既不意外也无预期时都是如此。据我们所知，当前的基于误差的模型并非如此预测。

总之，现有的基于误差学习的模型预测，均衡偏好语境引发的适应效应少于偏向语境。然而，许多为意外度误差提供证据的研究仅考察了高度偏向的语境或高度可预测的语境（Fazekas et al., 2024）。因此，实验2旨在检验当先验指代预期为均衡偏好时，适应效应的存在与否及其幅度。基于预测错误的理论预测该效应将显著小于实验1中的效应。因此，如果学习效应在实验1中强烈但在实验2中微弱或不存在，这种模式将支持预测错误理论——即适应效应强烈依赖于预期违反的幅度或存在与否。如果在两个实验中都观察到稳健的适应效应，则此类结果将难以与一个简单的分级意外度理论相调和——即适应幅度与预测错误强度直接成比例。这种模式将与基于频率的学习或更受限的非线性预测错误理论更为兼容，在后者中，基于误差的学习对于强误差和中等误差的发生程度相同。

我们假设的有效性取决于准确区分那些产生强指代预期的语境与那些不产生此类预期的语境。为此，我们进行了一项规范化研究以测量我们刺激材料的基线指代偏向（详情见附录A）。按照Hartshorne & Snedeker（2013）的做法，参与者阅读以无意义词结尾的短篇故事，例如"Ana和Liz正在谱写一首乐曲。Ana称赞Liz，因为她是一个yoll。"然后回答类似问题如"你认为yoll指的是谁？"由于无意义词的延续不提供任何有信息的语义内容，因此回答被假定为反映了参与者关于下一个可能指代对象是谁的先验预期，仅基于动词和语篇语境。这些故事是使用先前规范化研究中收集的动词构建的。

基于对五项先前关于隐式因果动词语义规范化研究的综合回顾，我们选取了14个预期为偏宾语的动词和14个预期为均衡偏好的动词作为规范化研究中的评估对象（如Hartshorne & Snedeker, 2013, exp. 2; Hartshorne et al., 2015; Ferstl et al., 2011; Rohde, 2008; Johnson & Arnold, 2021）。我们还确定了14个预期为偏主语的动词，用作规范化研究中的填充项，以避免项目间产生平均解决模式从而引发适应。对于每个动词，我们构建了四个不同的故事语境，共产生168个规范化项目。

据我们所知，关于均衡偏好动词的研究仍然有限，标准化的分类尚未确立。一个例外是van den Hoven & Ferstl（2018），他们考察了隐式因果对代词解决的影响。他们使用二项检验对句子补全任务中主语或宾语指代被重新提及的频率数据进行分析，并将动词分类为均衡偏好动词的条件是，没有任何一个指代被显著地超过随机水平被重新提及。我们采用了类似的二项检验标准，使我们能够识别那些没有可靠偏向任一指代因而缺乏强而一致预期的动词和项目（详见附录A）。规范化结果证实，三类动词引发了不同的基线预期。偏主语、均衡偏好和偏宾语动词在主语解读比例上存在显著差异（78% vs. 51% vs. 16%）。这一分级模式表明，我们的材料覆盖了指代可预测性的完整连续体，从强烈的主语预期经过均衡偏好预期到强烈的宾语预期。在每个类别内部，我们随后选取了符合分类标准的动词和故事项目（见表A6）。最终，我们选取了60个故事，使用12个均衡偏好和11个偏宾语的动词，通过将无意义谓词替换为自然延续来构建实验刺激材料。

主要实验旨在通过考察暴露如何影响代词理解来检验指代模式的学习过程，分别在预测误差强烈的强烈偏向语境中（实验1）和预测误差不强烈的均衡偏好语境中（实验2）进行检验。在每种情况下，我们都检验暴露如何引导测试句中的代词解读，测试句包括偏宾语和均衡偏好的语境，从而在匹配和不匹配偏向条件下同时检验理解。本项目的核心目标在于验证适应发生所需的暴露模式条件：人们是否从均衡偏好指代语境的暴露中学习到东西？

本研究的一个次要问题是，当语境和测试句在某些方面相匹配时，适应效应是否更强烈。Ye & Arnold（2023a）发现适应不限于语义相同的语境——人们能将一种动词类型的暴露模式泛化到另一种动词类型，但前提是连贯关系和指代偏向相同。然而，与之相对，Arnold（2025）发现对具有强烈宾语偏向的隐式因果语境的适应并未影响具有不同语义结构和潜在主语偏向的测试句的解读。在该研究中，隐式因果暴露句与主语偏向测试句在许多方面存在差异，包括不同的句法结构、不同的连贯关系、不同的动词类型以及不同的潜在指代偏向。我们仍不清楚哪些语篇属性在适应过程中被归为同一类别，因此，均衡偏好的暴露语境可能会引发适应，但仅限于相似的均衡偏好测试句。因此，我们在两个实验中均纳入了均衡偏好和偏宾语的测试项。这使我们能够检验均衡偏好暴露项是否会产生暴露效应，以及如果产生了效应，是否仅限于相似的测试项。

两个实验的所有方法、程序和分析方法完全相同，唯一的区别在于暴露类别。实验1检验了在强烈偏宾语语境中暴露于主语指代与宾语指代代词如何影响参与者对未来歧义代词的解读。Arnold（2025）发现，从偏宾语动词的暴露中发生了指代适应——接受主语指代暴露的参与者比接受宾语指代暴露的参与者更倾向于选择主语指代。因此，实验1旨在复制偏宾语隐式因果语境中发现的适应效应，并检验该效应是否泛化到均衡偏好的测试项上。实验1用于与实验2进行对比，后者使用均衡偏好语境进行暴露，以在应产生更弱预测错误的语境中检验适应效应。同样，关键项目包括偏宾语和均衡偏好的故事，以检验学习的泛化。如果预测误差是学习发生所必需的，那么实验2中预期不会产生或仅产生很少的适应效应，因为在两种暴露条件下都不应引发强烈的预测误差。

对于每个实验，我们使用SAS的proc glimmix程序进行混合效应逻辑回归分析，采用二项分布和logit链接。因变量为歧义代词理解问题的回答选择主语（编码为1）还是宾语（编码为0）。模型中包含暴露条件（主语 vs. 宾语）和故事偏向类型（偏宾语 vs. 均衡偏好）及其交互作为固定效应。所有预测变量编码为0.5或-0.5。模型使用了最大随机效应结构，包括针对项目（item）和参与者的随机截距，以及针对每个固定效应的随机斜率。

样本量估计的效力分析

对于每个实验，目标样本量为120名被试，这是基于Arnold（2026a, exp. 2）的效力分析确定的，该实验设计与本研究相似，操纵了暴露条件和语境类型。Arnold（2026a, exp. 2）纳入了62名参与者，包含22个暴露项与16个关键项（8个隐式因果语境项 vs. 8个联合行为语境项）交错呈现。分析在SAS中使用效力模拟循环完成。首先，按照上述结构运行初始模型以估计总体水平的反应，假设使用相同的任务。利用这些参数估计值，生成了1000个模拟数据集，每个数据集保持相同的样本量、项目数量和设计结构。然后，将统计模型应用于每个模拟数据集，检验暴露的主效应、语境类型的主效应及其交互效应。效力计算为这些效应达到统计显著性（p < .05）的模拟比例。效力模拟显示，暴露的主效应在全部1000次模拟中均显著，暴露效应及其与语境类型的交互效应在86%的模拟中均显著。

因此，在62名参与者的样本中，该研究（Arnold, 2026a, 实验2）达到了检测曝光效应100%的统计功效，以及同时检测曝光效应和交互作用86%的功效。鉴于这些结果，当前研究中120人的样本量被认为足以检测曝光的主效应以及与上下文类型的任何交互作用，特别是因为当前研究包含了一个更大的关键项目集（10个等偏差上下文项目与10个宾语偏差上下文项目）。选择较大的样本量是因为我们尚不清楚动词偏差与曝光效应之间任何交互作用的效果量。

实验1和实验2均已预注册：https://doi.org/10.17605/OSF.IO/B95XQ。所有数据和刺激材料均可在线获取：https://osf.io/mjdsh。

实验1：偏差上下文中的学习

章节摘要片段

参与者
通过Prolific平台招募了121名参与者，并为其30分钟的实验环节支付8美元。参与者需通过预先筛选，符合条件者为：1) 至少18岁；2) 将英语列为其第一语言、主要语言和流利语言之一；3) 无报告的言语障碍；4) 来自英语国家，包括美国、英国或澳大利亚；5) 在Prolific上至少有100次提交记录且批准率至少为95%。
28名参与者未能通过3 结果与讨论

实验1的主要目的是考察理解者是否会适应宾语偏差上下文中的指称模式。作为一项次要探索，我们还调查了这种适应是否会泛化到具有匹配和不匹配指称偏差的测试句上。
如图2所示，接受主语指称曝光的参与者比接受宾语指称曝光的参与者更倾向于对歧义代词采用主语解读。这一
参与者
通过Prolific平台招募了120名参与者，并为其30分钟的实验环节支付8美元。适用相同的预先筛选标准。
9名参与者未能通过注意力检查，未完成研究。没有参与者因资格、识读能力或理解准确性被进一步排除。所有付费参与者均纳入最终分析，每种曝光条件下各60人。

材料与设计
设计和项目数量与实验1相同。然而，不同的是
结果与讨论
本实验的目的是考察在缺乏强烈指称预期的等偏差上下文中是否会发生指称适应。根据预测错误理论，此类上下文应引发较弱的错误信号，从而（如果有的话）产生比实验1更少的学习。此外，通过同时包含宾语偏差和等偏差关键项目，我们还考察了从等偏差上下文中习得的学习是否能泛化到宾语偏差关键项目上。
如图3所示，

总体讨论
本研究的关键发现是，即使在曝光上下文未引发特定预测的情况下，仍可能发生强有力的指称适应。事实上，我们发现适应的大小与在强烈偏差上下文中观察到的适应相当。具体而言，我们进行了两个实验，分别测试了强烈宾语偏差上下文和等偏差上下文中的适应。在实验1中，我们让参与者暴露在宾语偏差

对预测错误的实证考察
本研究拓宽了基于错误的学习研究的范围，将指称适应纳入其中。本研究采用了一种新的范式，测试强有力的适应是否依赖于曝光上下文中的强烈且一致的预期。我们发现，即使在曝光上下文为等偏差（此时预期违背应是温和且异质的）时，适应依然发生。我们考察了最终解读，因此我们的结果不会因处理速度的担忧而复杂化。

结论
总之，本研究调查了指称适应背后的机制。我们的结果表明，在先前预期温和且不太一致、而非强烈偏向某一方向的等偏差上下文中，仍可能发生强有力的适应。这些发现极大地限制了预测错误模型在解释指称适应方面的可行性。一种可能性是，适应是由对预测错误的非线性应用所驱动的，该应用将

CRediT作者贡献声明
Yining Ye：撰写——审阅与编辑、撰写——原稿、可视化、验证、项目管理、方法学、调查、形式分析、数据管理、构思。
Jennifer E. Arnold：撰写——审阅与编辑、撰写——原稿、可视化、验证、监督、资源、项目管理、方法学、资金获取、形式分析、数据管理、构思。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些可能影响本论文所报告的工作。作者声明以下财务利益/个人关系可被视为潜在的利益冲突：Jennifer E. Arnold 报告获得了美国国家科学基金会的资金支持。如有其他作者，他们声明没有已知的竞争性财务利益或

致谢
感谢 Michela Acosta、Jacob Bastian 和 Chance Mckinnie 协助开发实验刺激材料。本研究部分由美国国家科学基金会（NSF） grant 1917840 资助给 J. Arnold。

Yining Ye | Jennifer E. Arnold