資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C 語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究詞彙排序和句子語境效應
報告指出，人們認為會影響詞彙排序的變數，如頻率、重複、關聯和拼寫合法性，以及人們認為會影響反應排序的變數，如可預測性。甚至人們認為會影響話語級排序的變數，如與全域性語境的協調性，所有這些變數都以類似的方式改變了在編碼後 200 到 500 毫秒之間出現的負向事件相關電位 (ERP) 成分 (N400)，這讓人們對詞彙/詞彙後區別產生了懷疑。
詞彙排序和句子語境效應的含義
人們很容易低估處理語言所需的腦力，因為成年人經常、快速且毫不費力地進行此操作。一個例子是，為了讓聽眾理解一句口語，必須處理複雜的感官訊號。一個人理解語音的能力取決於其跨多個時間和頻率尺度處理資訊的能力。區分構成單詞的子音，例如“pat”和“bat”，需要對毫秒級的時差有意識。此外，聽眾需要能夠識別在幾秒甚至幾分鐘內形成的音調模式，以便理解，例如，何時被要求提供資訊或被命令做某事。
此外，這種對感測器訊號的相同排序僅僅是開始，因為聽眾隨後必須在輸入中尋找熟悉的模式，例如短語和語法結構，檢索與每個模式相關的各種型別的資訊，並將它們適當地組合起來。與普遍看法相反，詞彙排序不會發生在詞彙後 ERP 效應之前。來自研究的進一步證據反對詞彙排序自動性的假設，這些研究表明語境如何抑制單詞的影響。
單詞索引
這些結果指向了一種用於儲存和檢索有關單詞的資訊的聯想結構，其中頻率和上次使用以來的時間在此結構中發揮作用。此外，詞彙判斷任務研究表明，兩個效應為系統用於識別單詞的設計提供了強有力的線索。
詞彙狀態效應
這表明單詞比沒有單詞導致更快的反應。第二個被稱為“非詞合法性效應”，它表明對具有有效拼寫結構的偽詞的反應比由隨機字母序列組成的非詞的反應慢。
方法學中的挑戰
鑑於人們必須從排序的最終狀態（語音輸出或按鈕按下）所採取的測量中推斷，而不是更直接地訪問排序的中間階段，因此詞彙訪問的時間過程的精確性質已經是一個具有挑戰性的問題。
詞彙和詞彙後啟動對 N400 的影響
N400 可以讓我們一窺詞彙訪問的過程，此時偽詞與真實單詞分離，並且規律性、重複性和意義相關性等因素具有很大的影響。儘管如此，N400 易受大多數人認為是詞彙後以及影響詞彙訪問的因素的影響。在短語中，單詞的 N400 強度最大的預測因素之一是該單詞的閉合可能性。
神經影像學方法
因為這些方法有望更直接地訪問這些中間階段，所以當前的神經影像學方法非常令人著迷。功能性磁共振成像 (fMRI) 和正電子發射斷層掃描 (PET) 可以透過監測神經元活動的氧合或血流來顯示在某些實驗任務期間哪些大腦區域參與其中。然後，啟用模式的差異和相似性可以用來解釋觀察到的行為任務之間不一致性的原因，而這兩種任務都被認為是詞彙可用性的指標。
N400 訊號幅度
對於異常元素（如語義異常）來說，N400 幅度最大，而對於與上下文非常匹配且閉合機率高的單詞來說，N400 幅度最小。隨著目標詞更有可能被其之前的上下文預測，N400 訊號的幅度通常會降低。
解釋
傳統觀點認為，詞彙排序在語言學習開始時快速且自動地發生。人們普遍認為，詞彙後排序速度較慢，範圍更窄，並且依賴於詞彙排序的結果。因此，預計詞彙變數將在詞彙後因素之前影響單詞排序，將透過與詞彙後變數不同的機制進行，並且將比詞彙後變數更具彈性。
當您將單詞放在錯誤的位置時會發生什麼？
當我們缺乏更全域性的上下文時，頻率和詞彙關聯等詞彙因素變得更加重要。在短語的開頭，N400 幅度對頻率比在結尾處更敏感。當讀者在構建訊息級表示時得到詞彙關聯和上下文一致性的幫助時，N400 的幅度會受到影響。但是，當構建訊息級表示的上下文一致性和詞彙關聯的好處相互矛盾時，上下文一致性會勝出。總的來說，更高階的上下文因素（語義或句法）會緩和詞彙效應的假定自動性和獨立性。
結論
場景不僅僅是一組物品的集合，就像一個術語一樣。理解所說的話需要檢索詞彙資訊並將其與更高階的語言表示、區域性上下文線索和話語解釋啟用的先前知識相結合（Coulson，即將出版）。為了正確理解短語“每個人都玩得很開心，從樹枝上跳入池塘，我們加了一些水”中的“水”，僅僅知道它是一個物質名詞，並且是植物和動物生命必需的無色無味的液體是不夠的。為了充分理解這個笑話，人們需要語法知識（省略）來推斷水正在流入池塘，需要上下文知識來考慮代理人正在從灌木叢跳入可能包含或可能不包含水的池塘，以及背景知識來意識到沒有水的池塘跳入的樂趣較小。大腦同時使用拼寫、新近度、規律性、詞彙關聯和一致性，這在句子和話語層面也同樣適用，考慮到情境整合的複雜性和需要快速組合來自多個分析級別的資訊，這似乎非常適合訊息構建。最近的一項研究表明，大腦分析的是上下文中的單詞，而不是單詞加上上下文。
112 次檢視
