语义关联度能更好预测自然语言理解时的脑活动

一项发表于arXiv的研究探讨了自然语言理解过程中大脑活动的预测指标。传统上，词语的“意外性”（surprisal）常被用来量化局部词汇的不可预测性，但其在预测连续理解过程中的fMRI BOLD信号方面证据不一。本研究提出并检验了“上下文语义关联度”这一新指标，即新输入的词语与其近期语义背景的关联强度，是否能更好地预测自然语言理解时的脑活动。

研究团队分析了两个公开的fMRI数据集（Alice和Moth），采用广义加性混合模型（GAMM）和有限脉冲响应/反卷积分析进行处理。结果显示，在Alice数据集中，语义关联度在所有12个感兴趣脑区均表现出显著效应，而意外性在经过错误发现率校正后并不显著。在Moth数据集中，语义关联度在所有30个脑区均呈现一致的负效应模式，而意外性则未显示出可比拟的规律。

这些发现表明，语义关联度是一个有前景的、对BOLD信号敏感的上下文语义适配度量指标。更广泛地说，研究支持了这样的观点：在自然语言理解过程中，缓慢的血流动力学响应可能对上下文语义整合特别敏感，而局部的概率性预测误差可能更难通过fMRI可靠地检测。这在一定程度上将语言理解的计算模型从单纯的预测扩展到了上下文敏感的语义整合。