再帰的言語構造の人間処理のリソース合理的モデル パート 3
Jan 23, 2024
実験 2: セマンティック キューの効果
次に、2 番目の項目セットに対して実験 1 を再現し、同時に意味的互換性の予測効果をテストしました。
意味的互換性とは、言語、単語、または記号の異なる単位間の互換性と相互関係についての人々の理解と習熟を指します。 記憶とは、情報を覚えて保存する人々の能力を指します。
意味の互換性と記憶の間には密接な関係があります。 意味上の互換性が良好であれば、人々の記憶の質は向上しますが、意味上の互換性が低いと、情報の理解や記憶への影響が妨げられます。
まず、セマンティック互換性により情報の関連性が向上し、それによって人々が情報をよりよく理解し、記憶できるようになります。 異なる単位間に明らかな相関関係がある場合、人々はこの相関関係を利用して情報間のつながりを構築し、情報間のネットワーク構造を形成できます。 このネットワーク構造により、情報の記憶効果が向上し、人々の情報記憶能力が向上します。
次に、意味上の互換性が優れていると、情報の理解しやすさが向上し、人々が覚えやすくなります。 情報間に明らかな互換性関係があれば、人は情報間のつながりを容易に理解することができ、情報の理解と記憶が形成されます。 逆に、情報間に明らかな矛盾がある場合、人々は混乱して混乱し、情報を理解したり記憶したりすることが困難になります。
最後に、セマンティック互換性が低いと、人々の記憶能力に悪影響を及ぼす可能性があります。 異なる単位間の違いが大きすぎると、人々が情報を理解して記憶することが難しくなり、記憶の価値が失われます。 したがって、情報を書いて広めるプロセスでは、人々の理解と記憶を向上させるために、意味上の互換性を可能な限り維持する必要があります。
要約すると、意味の互換性と記憶の間には強い関係があります。 意味上の互換性が優れていると、情報の関連性と理解しやすさが向上し、それによって人々の情報記憶能力と記憶効果が向上します。 したがって、日常生活や仕事では、情報の理解と記憶を向上させるために、意味上の互換性をできる限り維持する必要があります。 私たちは記憶力を向上させる必要があることが分かります。カンクサは多くのユニークな効果を持つ伝統的な漢方薬素材であり、そのうちの 1 つは記憶力の向上であるため、カンクサは記憶力を大幅に向上させることができます。 ひき肉の効能は、酸、多糖類、フラボノイドなどを含む、ひき肉に含まれるさまざまな有効成分によってもたらされます。これらの成分は、さまざまな方法で脳の健康を促進します。
実験 1 の 2 つの操作に加えて、TWO 条件と THREE 条件では、最後から 2 番目の動詞句をさらに変更しました。COMPATIBLE 条件では、最初の名詞はもっともらしい主語でした (例: 「患者を悩ませた」)。 INCOMPATIBLE条件では、そうではありませんでした（例：「患者が治った」）。COMPATIBLE条件では、「...による報告」などの非検証的バージョンは、最後の動詞を予測するため、より高いアプリオリ確率を有するはずです。精度が低くなります。 42の刺激アイテムを構築しました。
図 3B は、これらの項目に対する資源合理的モデルと以前の理論からの予測を示しています。 実験 1 の効果に加えて、このモデルでは、COMPATIBLE 条件、特に THREE 条件での難易度が高くなることが予測されます。 意外な理論も DLT も、互換性の影響を予測するものではありません。
私たちは、2 つおよび 3 つの条件における互換性のあるバリアントと互換性のないバリアントの両方を含む 200 人の参加者から読書時間データを収集しました。 他のすべての点では、実験およびデータ分析は実験１と同一であった。読み取り時間を図３Ｂに示す。
実験 1 の結果が再現されました。まず、読み取り時間は 3 つのグループの方が 2 つのグループよりも長かったです(=0.29, 95% CrI [0.24, 0.35], P( < 0) < 0.0001; 効果的な inraw 読み取り時間: 337 ミリ秒、95% CrI [267, 411] ミリ秒)。
第二に、埋め込みバイアスと「that」節の存在との間に相互作用がありました (= −0.06、95% CrI [−0.1{ {9}}、−0.024]、P( > 0)=0.0007)。 実験 1 と同様、埋め込みバイアスの効果は 1 つの条件 (「事実」と「報告」の差: 193 ミリ秒、95% CrI [37, 357] ミリ秒) では正であり、2 つと 3 つの条件 (「事実」と「報告」の間の差) では負でした。ファクト」および「レポート」: -105 ms、95% CrI [-194, -18]ms)。
第三に、モデルの予測と一致して、COMPATIBLE 条件の方が INCOMPATIBLE 条件よりも読み取り時間が長くなりました ({{0}}.083, 95% CrI [0.031, 0.136 ],P( < 0)=0.0014; 生の読み取り時間での効果: 96 ms、95% CrI[36, 156] ms)。 さらなる分析については、SI 付録のセクション S3 を参照してください。
埋め込みバイアスと互換性の影響は、2 つの条件よりも 3 つの条件の方が数値的に大きいことに注意してください。 メタ分析では、これらの違いが読み取り時間とモデルのパラメーター空間の一部の両方において統計的に意味があることが示されています (SI 付録、セクション S2.1 および S6.6)。
COMPATIBLE と INCOMPATIBLE の間の埋め込みバイアスの傾きの数値差は統計的に意味がありませんでした (SI 付録、図 S23)。また、2 つの実験間のモデル予測の切片の数値差もありませんでした (SI 付録、図 S6)。
先行する読書時間の研究から得られた証拠の収束については、SI 付録のセクション S6 を参照してください (合計 n=501)。 我々はさらに、2 つの評価研究 (合計 n=335; SI 付録、セクション S5) における理解度に対する埋め込みバイアスの影響を再現しました。
実験 3: 生産研究
これまで、読書時間におけるモデルの予測を確認してきました。読書時間で測定された難易度は、人間の期待が裏切られることを示しますが、人間の期待が何であるかを直接示すものではありません。
人間の期待の 2 番目のテストを提供するために、言語研究でプリアンブルの直後にどのような単語が期待されるかを評価するために使用されている生成パラダイム (Cloze 補完 (40,41)) に注目しました。 この方法を使用して、複数のネスト構造の複雑さを評価し、複雑なプリアンブルの後に人間がどれだけの動詞を期待するかを測定します。
私たちは参加者に、「外交官である医師が…という報告書」というフォームの文脈を完全な文にするよう依頼しました。参加者には、次のような 3 つの動詞で文法を補完するか、「…不信感があった患者は治った」と期待しました。驚くべきことです」、または動詞を減らした非文法的なバージョン、たとえば「...不信感は驚くべきものでした」などです。 リソース合理的不可逆コンテキストサプライズは、埋め込みバイアスが高い名詞（「事実」など）では、そのような非文法的補完の割合が低くなるはずであると予測します。これは、不完全な記憶表現から真のコンテキストを復元することが容易になるためです（図4A）。 既存の期待ベースおよび記憶ベースのモデルは、文法完了率が埋め込みバイアスに依存することを予測しません。
8人の0人の参加者を募集しました。 図 4 は、不完全な完了 (動詞が 3 つ未満) の割合を埋め込みバイアスの関数として示しています。 予測どおり、非文法的応答の割合には埋め込みバイアスの影響がありました (= −0.32、95% CrI[−0.60、−0.05 ]、P( > 0)=0.0123) を試行ごとのロジスティック混合効果分析で測定します。
私たちはこの研究をさらに 2 つの言語 (スペイン語とドイツ語) で再現しました。その 1 つ (ドイツ語) では、中心埋め込みの難易度が英語よりも大幅に弱いです (42)。
スペイン語では、あまり自然ではない主語と目的語の関係節を避けるために主語関係節 (el hechode que el Director que、「監督が誰であるという事実」) をターゲットにし、同時に異なる構文構成への一般化をテストしました。 ドイツ語では、難易度をより近いレベルまで上げることが知られている埋め込み構造 (例: Klaus hat erzahlt、「dass die Behauptung、dass der Student、den der Professor、クラウスは学生が教授であるという主張」) をターゲットにしました。英語(35)。
各言語で 6 名の 0 人の参加者を募集しました。 どちらの言語でも、埋め込み率の効果は負であると推定され、推定効果量は英語の結果と同等でした(スペイン語:=−0.23、95% CrI [−{{7 }}.34, −0.12], P( > 0)< 0.0003; German: β = −0.28, 95% CrI [−0.56, −0.03], P(β > 0) = 0.01738). These results suggest that the-previously undocumented-effect of embedding bias on human expectations holds across different languages, even when they vary in the overall difficulty of center embeddings.
議論
私たちは、現代の機械学習手法を使用して任意の入力にスケーリングされた、リソース合理的な予測としての人間の言語処理モデルを導入しました。 人間の構文処理に関する記憶と期待に基づいた視点を調和させることを目的としたこのモデルは、それらの事前理論の予測が正しい場合にそれを回復するだけでなく、記憶の限界と確率的期待の間のこれまで文書化されていない相互作用も予測します。これは、人間の再帰的処理を調査する 3 つの行動実験で確認されました。構造物。
私たちの結果は、既存の記憶ベースのモデル (5、7、36) の核心である、長い言語依存関係を統合することの十分に文書化された困難さが、確率的期待によって大幅に調整されることを明らかにしています。theONE 条件と THREE 条件の比較は、次のことを示しています。非局所的な構文構造が高いアプリオリ確率を持っている場合、局所性の効果は弱められたり逆転したりする可能性があり、この予測は私たちが提案する記憶と期待に基づいた視点の統合から自然に外れます。
私たちの研究はさらに、単一の実験と単一のモデルを使用した心理言語学の文献から得られる 3 つの著名な効果群を文書化しています: 局所性効果 (3 つの難易度の増加)、予測可能性効果 (1 つの条件における埋め込みバイアスの効果)、および意味的干渉効果 (意味的互換性の効果) ）。
これらの効果群を統一的に理論的に扱うことに大きな関心が寄せられています。 私たちの研究は、単一のモデルがどのように相互作用するかを詳細に記述する方法を示しています。 私たちの実験の対象になっていない現象グループの 1 つは、類似性に基づく干渉です (43、44)。 このモデリングフレームワークでもそれを説明できるかどうかを調査することは、将来の研究にとって興味深い問題です。
私たちのリソース合理的モデルは、形式的にはさまざまなドメインのモデルに関連しています。 古典的な研究では、保持確率の合理的な分析が人間の記憶の基本的な特性を説明できることが示されています (28, 29)。 最近の研究 (45–48) では、リソースの制約の下で高忠実度の符号化を導き出す情報理論のフレームワークであるレート歪み理論を使用して、視覚的作業記憶などの一部の領域における人間の作業記憶の合理的なモデルを形式化しました。
レート歪み理論と私たちのモデルの主な違いは、ここでは経済性の尺度が利用可能な単語の割合であるのに対し、レート歪み理論ではエンコードされたビット数であることです。 文章理解に適用すると、レート歪み理論は、過去の文脈の完全に圧縮された「要点」表現につながります。 このような完全に圧縮された表現は、私たちの実験で観察された困難パターンにはつながりません (詳細については、SI 付録のセクション S8 を参照してください)。
一方、私たちのモデルは、最近の文脈を一連の単語としてモデル化するという点で単純化されており、個々の単語は忘れられているが意味の記憶は残っている、より長い文脈の記憶表現の役割を過小評価している可能性があります。機械のさらなる進歩学習により、リソース合理的な最適化からメモリ表現のより洗練された形式を推測できる可能性があります。
コンピューターサイエンスでは、再帰構造は通常、スタックベースのデータ構造を使用して処理されます。 これに対応して、人間による構文処理の初期のモデルは、スタックのサイズ、つまりメモリ内に同時に保持できるノードの数に限界を想定していました (2、24)。
このようなモデルは、より深い埋め込みほど困難であると予測しますが、その難易度が統計的または意味論的な手がかりによって調整されるとは予測しません。 スタックベースのアーキテクチャとは異なり、私たちの理論では、再帰的構造を確立する際の確率的手がかりに主要な役割が割り当てられています。 この点で、人間はスタックなどのデータ構造を維持せず、代わりに連想手がかりベースの検索を使用して構文構造を確立すると仮定する、より最近の記憶ベースの理論と一致します (5、7、49、50)。連想検索のモデル現在実装されているもの (7) は、モデルによって予測され、実験で観察された独特の困難パターンを考慮していません。 それにもかかわらず、私たちは私たちの理論がその文献のアイデアと互換性があると考えています。
私たちの理論は、既存のメモリベースのモデルと互換性のある予測を行う計算レベルのモデルを提供しますが、それらのモデルとは異なり、言語の豊富な統計構造に合理的に調整され、メモリの制限が確率的期待とどのように相互作用するかを予測できるようになります。 私たちの結果は、ここで説明したリソース合理的モデルのアルゴリズムレベルの実装として、連想検索モデルの確率的バージョンを特定することが、心理言語研究にとって興味深い問題であることを示唆しています。 検索ベースのメモリ モデルの結果の意味の詳細については、SI 付録のセクション S7.2 を参照してください。
私たちが提案する期待ベースのモデルと記憶ベースのモデルの統合は、不完全な作業記憶表現が言語の統計の知識を時には誤って使用しながらも合理的に再構築されるという考えに基づいています。この考えは、言語作業記憶の赤統合に関する研究において重要な先例を持っています (例、参考文献51-55)、劣化した短期記憶が長期記憶からの知識を使用して回復されるプロセス。 これは、単語リストのメモリ (例: 参考文献 52 ～ 55)、そして最近では構文パターンのメモリ (56) に適用されています。 私たちのモデルは、リソースの合理性によって制約されたベイズ推論に基づいたそのようなプロセスの説明を提供します。 作業記憶をそれ自体の記憶の構成要素としてではなく、処理と長期記憶の相互作用から生じるものとして扱うモデルもあります (57, 58)。そのようなモデルの場合、私たちの結果は、長期知識が処理にどのような影響を与えるかについてのデータを提供します。 。
私たちの実験では、構文構造の統計的相関関係を利用して、確率的な期待がメモリの制約とどのように相互作用するかを調査します。 これは、アニマシーと相対節タイプの間などの相関関係が、既存の記憶ベースのアカウントでは考慮されない方法で処理にどのように影響するかを示した、以前の研究の期待ベースのモデルといくつかの類似点を持っています(例えば、参考文献59-61)。 私たちの研究は、メモリ制約と確率的期待の間の相互作用の実装された理論を明確にすることによって、この一連の研究を拡張します。
私たちのモデルには、保持されている単語の平均数である自由パラメーター δ があります。 予測を導き出し、それを人間の読書時間と比較する際に、単一の値を仮定しました。 それを個々の被験者に適合させ、個人差の確立された尺度との関係を理解することは、将来の研究にとって興味深い問題です。
人間の構文処理のコネクショニスト モデル (8、62–64) は、ニューラル ネットワーク表現から得られる期待を使用して人間の処理を記述することを目的としており、メモリ制限と確率的期待の両方に関連する効果をモデル化するために提案されています。 しかし、GPT-2 によって計算された単純な驚きと、リソース合理的な非可逆コンテキストの驚きとの違いは、人間のような記憶制限がコネクショニスト モデルで自動的に現れる必要はないことを示しています。
私たちは、リソース合理的言語処理のモデルを自然言語の豊富な統計構造に合わせてどのように拡張できるかを示しました。 私たちの機械学習ベースの手法は、自然入力統計や人間の認知の他の領域に洗練された合理的モデルを当てはめる道を開く可能性があります。
私たちのモデルの一般性は、同様の現象が言語の外にも存在する可能性があることも示唆しています。つまり、すべての部分を同時に処理するには複雑すぎる入力を人間が処理するときは常に、処理は同様の入力の統計構造の影響を受けるはずです。
材料と方法
名詞。 私たちは、Penn Treebank (65)、英語の Web Treebank (66)、スペイン語の AnCoRA Treebank (67)、およびドイツ語の HDT Treebank (68) を使用して、文の補語を取ることができる名詞を収集しました。 英語Wikipedia (23億語)、ドイツ語Wikipedia (8億語)、およびスペイン語Wikipedia (5億語)を使用して、「名詞」の後に「それ」が続く対数確率として埋め込みバイアスを推定しました。 詳細については、SI 付録のセクション S11 を参照してください。アメリカ英語とイギリス英語の他の 2 つの大規模なコーパスを使用して英語の推定値を検証しました (SI 付録、セクション S10.1)。
モデル。 リソース合理的非可逆コンテキストのサプライズは、保持確率 θ={qw, i: i, w} のファミリーによって定義されます。ここで、w は単語と i=1, ..., N の範囲に及びます。ここで、N=20 は考慮された最大コンテキスト長であり、実験に現れるすべてのコンテキストに対応するのに十分な長さです。過去の単語の同一性と介在する単語の数を組み合わせたニューラル ネットワークを使用して qw, I をパラメータ化し、保持率を出力します。確率(SI 付録、セクション S1.1)。 モデル θ は尤度 p(c|c) を生成し、したがって事後 p(c|c) を生成します。 結果として得られる次単語事後 p(w|c) の平均次単語意外性を最小化するように選択されます。
読書時間研究のための実験設定。 すべての研究について、実験プロトコルはスタンフォード大学の治験審査委員会によって承認されました。 すべての参加者からインフォームドコンセントを得ました。
各参加者には 10 の重要なトライアルが与えられました。 どちらの実験でも、2 つの試行は 1 つで、4 つの試行はそれぞれ 2 つと 3 つで行われました。 実験 2 では、2 つと 3 つのトライアルの半分がそれぞれ COMPATIBLE (INCOMPATIBLE) 条件にありました。 タスク中の中心埋め込みに対する統計的適応の影響を最小限に抑えるために、少数の重要なトライアルを選択しました。
統計的精度を最大化するために、非常に高い埋め込みバイアスを持つ 15 個の名詞と非常に低い埋め込みバイアスを持つ 15 個の名詞を選択しました (SI 付録、図 S36)。 各参加者について、高い埋め込みバイアスを持つ 5 つの名詞と低い値を持つ 5 つの名詞をサンプリングし、これらを 10 の重要なトライアルと照合しました。 各参加者について、中心埋め込みの事前の読書時間研究からの 56 個のフィラーのプールから 30 個のフィラーもサンプリングしました (42)。
前提条件違反（「事実は間違っていた」など）による意味の異常を除去するために、名詞を含意を伴うもの（「事実」など）、含意を含まない中立名詞（「主張」など）、否定名詞を含意しないもの（「」など）に分類しました。告発」）名詞、およびこれら 3 つのクラスのそれぞれとの互換性のために分類された項目（SI 付録、セクション S11）。 各参加者について、10 個の名詞を意味的に互換性のある項目と照合しました。
迷路タスクでは、Gulordava 言語モデル (69) を使用してディストラクター (39) を自動的に生成しました。これらのディストラクターは、頻度と長さがターゲットの単語と一致する一方で、文脈の確率が非常に低くなります。ディストラクターは、2 番目の単語内を除き、条件全体で一致しました。 -実験 2 の (IN)COMPATIBLE 条件の最後の動詞フレーズ。特に、ディストラクターはすべての条件で重要な単語に一致しました。
参加者が間違いを犯した場合（つまり、気を散らすものを選択した場合）、現在の単語を再試行するよう促されました（70）。 このような試験の反応時間は除外されました。 この選択は結論に影響を与えませんでした (SI 付録、セクション S3.6)。
各被験者について、2 つの重要なトライアルが隣接しないように、トライアルはランダムな順序で提示されました。 Prolific 学術プラットフォームで募集された参加者は、中央値 13 分を要し、2.20 ポンド (約 3 米ドル) を受け取りました。
読書時間のデータ分析。 我々は、1) 不正解の試験、2) 単語の 20% 以上で誤りを犯した参加者、3) 全読解時間の 99% 以下またはそれ以上の試験を除外しました。 条件 1 に対する堅牢性については SI 付録のセクション S3.6 を参照し、条件 3 に対する堅牢性については SI 付録のセクション S3.7 を参照してください。次に、Stan (71) で実装された最終的な動詞使用ベイジアン混合効果モデルの対数変換された読み取り時間を分析しました。アームの使用 (72)。事前確率と事前選択に対する堅牢性については、SI 付録のセクション S3.3 を参照してください。 「that」節 (ONE vs. TWO/THREE)、深さ (TWO vs. THREE)、および互換性操作 (COMPATIBLE vs. INCOMPATIBLE) をコントラストとして使用したコントラスト コーディングを使用しました。 埋め込みバイアスが中心に置かれ、すべての非空バイナリ相互作用が固定効果として追加されました (SI 付録、セクション S3.2)。
実験計画によって正当化される最大の変量効果構造を組み込み、項目、名詞、および参加者を変量効果として入力しました。 生の読み取り時間 (ミリ秒) の効果を推定するために、最初に両方の条件 (たとえば、互換性と非互換性) で対数変換された予測読み取り時間を計算し、次に累乗して両方をミリ秒に変換し、その差を計算しました (SI 付録、セクション S3.4 を参照)詳細については、こちらをご覧ください)。 図 3 では、「事実」または「報告」に一致する埋め込みバイアスを持つ名詞について、すべての条件での予測読書時間の事後平均をプロットしています。 エラーバーは事後 SD を表します。
生産スタディの詳細。 私たちは、「上院議員である外交官の XXX」という形式の 28 項目を作成し、埋め込みバイアスが非常に高いまたは非常に低い 6 つの名詞を含む 12 の名詞を選択しました。 参加者ごとに、項目と名詞をランダムに組み合わせました。 12 の重要な試験は、27 のフィラーを使用してランダムな順序で提示されました。 言語学者は、提供された補完ごとに、正しい数の動詞句 (3 つ) が生成されたかどうかを手動で注釈付けしました。 注釈者は名詞の正体を知りませんでした。
スペイン語とドイツ語では、各言語で非常に高いまたは非常に低い埋め込みバイアスを持つ 20 の名詞を選択し、参加者ごとに 6 つの高い埋め込みバイアス名詞と 6 つの低い埋め込みバイアス名詞をサンプリングしました。 英語版と同様に、参加者ごとに 12 個の項目と 12 個のサンプル名詞をランダムに照合しました。 フィラーは英語の実験から翻訳されました。
ドイツ語では、さらに 12 個のマトリックス文 (例:「Klaus Saidthat」) を構築し、各参加者の項目および名詞とランダムに照合しました。埋め込みバイアスを固定効果としてベイズ試行ごとのロジスティック混合効果分析を実行しました。 、名詞、アイテム、参加者、および（ドイツ語の）マトリックス文のランダム効果。 詳細については、SI 付録のセクション S4 を参照してください。
データ、マテリアル、およびソフトウェアの可用性。 適合保持確率とモデル予測は Zenodo (https://zenodo.org/record/6602698) (73)、(https://zenodo.org/record/6988696) (74) に保管されています。 匿名化された読書時間、言語生成データ、およびソース コードは GitLab (https://gitlab.com/m-hahn/resource-rational-surprisal) に保管されています (75)。
謝辞。 原稿の改善に役立った建設的なフィードバックをくださった編集者と査読者に感謝いたします。 また、役に立つディスカッションとフィードバックを提供してくれた、Judith Degen、Tiwalayo Aisape、Hailin Hao、Jennifer Hu、Dan Jurafsky、PengQian、Cory Shain、Shravan Vasishth、Tom Wasow、Ethan Wilcox、および 2020 CUNY Conference on Sentence Processing の聴衆に感謝します。
参照
1. N. チョムスキー、構文構造 (ムートン、ハーグ、1957)。
2. GA Miller、N. Chomsky、「言語ユーザーのフィニタリー モデル」、『Handbook of MathematicalPsychology』、RD Luce、RR Bush、G. Galanter 編。 (ジョン・ワイリー、1963)、269–321 ページ。
3. L. Frazier、自然言語解析における「構文の複雑さ」: 心理学的、計算論的、理論的観点、DR Dowty、L. Karttunen、AM Zwicky 編。 (ケンブリッジ大学出版局、ニューヨーク、1985 年)、129 ～ 189 ページ。
4. E. ギブソン、言語の複雑さ: 構文依存関係の局所性。 コグニション 68、1–76 (1998)。
5. B. McElree、S. Foraker、L. Dyer、文理解を維持する記憶構造。J. メム・ラング。 48、67–91 (2003)。
6. W. Tabor、B. Galantucci、DC Richardson、単に局所的な構文的一貫性が文処理に及ぼす影響。J. メム。 ラング。 50、355–370 (2004)。
7. RL Lewis、S. Vasishth、熟練した記憶検索としての文処理の活性化ベースのモデル。Cogn。 科学。 29、375–419 (2005)。
8. MH Christiansen、MC MacDonald、文処理における再帰に対する使用法ベースのアプローチ。Lang。 学ぶ。 59、126–161 (2009)。
9. J. Hale、(2001) 「心理言語モデルとしての確率的初期パーサー」、計算言語学協会北米支部第 2 回会議議事録、NAACL 2001、L. レビン、K.ナイト編。 (計算言語学協会、ペンシルベニア州ストラウズバーグ)、1 ～ 8 ページ。
10. R. Levy、期待ベースの構文理解。 コグニション 106、1126–1177 (2008)。
11. K. Rayner、AD まあ、読書中の目の動きに対する文脈上の制約の影響: さらなる調査。 サイコン。 ブル。 改訂 3、504–509 (1996)。
12. A. ストウブ、読書における目の動きに対する語彙の予測可能性の効果: 批判的レビューと理論的解釈。Lang。 言語学者。 コンパス 9、311–327 (2015)。
For more information:1950477648nn@gmail.com
