错误监测一定要有理解力吗口语产生中一种基于冲突的错误监控理论.ppt

1、错误监测一定要有理解力吗？口语产生中一种基于冲突的错误监控理论,Is comprehension necessary for error detection? A conict-based account of monitoring in speech production Nazbanou Nozari,我们能够监测自己口语中的错误吗？ 我们如何监测自己口语中的错误？ 以理解为基础？还是,一、介绍 二、仿真模型 三、病人数据 四、结果 五、普遍讨论,一、介绍,1、以理解为基础的理论循环监控理论 The perceptual loop account of monitoring (Levelt

2、,1983,1989) 基本观点： 外部通道：监测他人言语中的错误通过聆听他们的言语，那么对于自己的监测应该是相似的。在语言产生之后， 说话者对已经产生的语言进行监控，该监控被称为显性监控。（暗示言语是通过听觉系统处理的） 内部通道：在言语产生之前，说话者对即将产生的口语的代表进行监控，即是监控内在的深层语言。该监控又被称为隐性监控,2、质疑 2.1、当我们说出话时是不是一定会监测内在的语言呢？ Vigliocco and Hartsuiker(2002)：因为内在语言领先实际产生的语言一到几个词，同时监测内在和外在语言就好像不断的听自己的声音和回声。理解起来非常困难。 Huettig and

3、 Hartsuiker(2010)：通过记录被试图片命名中的眼部运动来检测这一理论。实验发现在试验过程中被试只有外在语言被监控，证明虽然我们拥有监测内在语言的能力，但在在说话时并非一定会进行监测。,2.2、理解真的是错误监测的基础吗 Schlenck et al.(1987) 、Nickels and Howard (1995;but see Levelt,2007)：研究了一些失语症病人数据，并未发现失语症病人的错误监测表现与他们的输入加工方式有什么关系。 McNamara,Obler ,Au,Durso,andAlbert (1992)：帕金森病人MC虽然理解力很好但是却未能发现自己75%

4、的错误。 Marshall, Rappaport,andGarcia-Bunuel (1985)：一位听力有问题的病人，不能理解口语的言语，但却能很好地监测自己的口语错误。 Stark(1988)：病人监控的问题实际上是由产生的问题引起的并非理解,3、以产生为基础的监控 一些学者认为错误监控总体上独立于理解力之外，是依赖于产生系统本身的信息加工。 Lavers(1980) 产生过程和监控是同时发生的 MacKay,(1987,1992)错误监控并不是由实际和正确反应的比较构成的，而是基于产生系统中信息加工的方式。节点结构理论。 MattsonSchade Roach, Schwartz, Ma

5、rtin, Grewal, p =0.042.正的协同因素表示s权重越大，语义错误被监测的比例越大）。但四种理解力测量（ SJT、PPTT、PPVT、PDT）没有预测能力(coefcients= -0.001,0.001, -0.009, -0.014;和p =0.98, p =0.93,p =0.64, p =0.44) 。 在语音错误分析中：p权重可预测语音错误的监测(coefcient=100.44; p =0.008)，但PDT没有预测能力(coefcient= -0.02; p =0.19) 综上所述，我们发现：错误监测与语义、词汇、语音的理解没有相关性；而特别的错误种类监测与其产生

6、的系数相关。 以下将介绍单个病人的情况,4.2病人24 59岁的男性，患中风16个月。前额到颅顶骨损害严重。 他反映出很低的理解能力： PPTT中46%正确（29个病人样本平均= 87.59,95%CI = 83.4591.73； SJT中13%正确（样本平均 =83.45, 95%CI=75.3291.58） PPVT中61%正确（样本平均= 80.93, 95%CI = 76.0985.77 PDT中55%正确（样本平均=88.72,95%CI=84.0893.37） 他的语义权重很弱(s =0.003;样本平均 s weight = 0.027, 95%CI=0.0230.031)； 相

7、对较好的语音权重(p =0.032;样本平均 p weight= 0.024, 95%CI=0.0210.028),预测： 他的s权重低于样本平均值，他的语义错误的监测也应当低于样本平均值。他的p权重高于平均值，语音错误的监测应高于样本平均值。 在语音层，p参数高于平均值，而其语音理解PDT的成绩却低于平均值。这表明以冲突为基础与以理解为基础之间预测的差异。 结果：他产生了许多语义错误但较少语音错误。他监测了50%的语义错误，低于样本平均值（65.28; 95%CI = 55.9674.59）；但他100%监测了自己的语音错误，高于样本平均（56.83;95%CI=46.5467.12）。 另

8、外，病人的语音理解力低于平均值，这与结果中病人完美的语音监测不符。,4.3病人05、17、20 病人05 26岁女性，患中风7个月，伤害主要在下颅骨区域。 她有很好的语义和词汇理解力： PPTT中87%正确、SJT中80%正确、PPVT中86%正确、PDT中95%正确。s权重(s =0.046)高于平均值，但p权重较低(p =0.018) 与病人24的模式相反，可预测其高于平均值的语义错误监测，但低于平均的语音错误监测。同样，语音理解与p权重有相反的差异。 实验中，她产生了一个语义错误并检测到了，但11个语音错误只有2个(18%)被监测。 为了研究是否是以理解为基础的其他一些能力影响了病人的错

9、误监测，我们评估她的短时记忆容量(Martin, Shelton, &Yaffee,1994)，其得分是3.2，表示她可重复50%的3词系列，20%的4词系列。 并评估病人比较短时记忆中语音系列的能力，通过音节探测任务(based on Freedman and Martin(2001)，病人得分3.16，表明她能掌握工作记忆中的三个词并判定与第四个词语音特征的相似性。,病人05的记忆容量和语音对比能力都很好，可见其较低的语音错误监控并非是以理解为基础的。 病人17与20的表现与05惊人的形似。 病人17是48岁男性，患中风148个月，左大脑动脉梗塞。他有很好的理解力（PPTT 96、SJT

10、100、PPVT 83、PDT 88）。很强的语义权重(s =0.045)，但很低的语音权重(p =0.017)。他的短时记忆容量得分3.4，音节探测得分3.66. 他的两个语义错误都被监测到了，但18个语音错误只有28%被监测到 病人20是46岁男性，患中风81个月，前额损伤严重。他同样有很好的理解力得分（ PPTT 96、SJT 100、PPVT 92、PDT 93）。它有很强的语义权重(s =0.05)，但很弱的语音权重(p =0.017)。短时记忆容量得分是4，音节探测得分是2.38. 他监测到了所有语义错误，但12个语音错误只有25%被监测。,4.4怀疑和错误否决 怀疑是指病人做出了

11、正确反应，但立即质疑其反映的正确性。如目标词towel，病人回答towel,is it towel? 错误否决是指病人明确否决自己正确反应，也有可能以其他词替换。如目标词pineapple，病人反应：pineapple ,No. or pineapple,no,watermelon。 在实验中有7个病人出现不止一次这种情况。有一位表现出15次怀疑和3次错误否决。但，他的四种理解力得分都很高，记忆容量3.6，音节探测2.可见其反应并非是受理解系统监控的。 以冲突为基础的理论可以很好地解释：当权重变弱时，监测敏感性降低，可能导致较低的命中率（错失较多的错误）或者是较多的错误警报（因为继续使用错误的

12、信息来进行监控）。实验中出现的怀疑和错误否决是错误监测系统中错误警报的表现。,5、普遍讨论,以上，我们在语言产生中发展了一种新的错误监测模型。我们的论证是通过提出循环监控理论不充分的有关证据开始的。我们回顾对这一理论的主要质疑，并在此基础上引出以冲突为基础的错误监控理论，之后我们建立了在自然口语产生中的模型，然后鉴别应持有的三个原则。根据第一个原则，冲突的量直接与错误产生的可能性相关。这一原则被第二个原则调整：它要求产生系统中的某一层的冲突量要与那层特定的错误类型相关。词语层的冲突量必须与语义错误产生的可能性相关联，音位层的冲突与非词错误产生的可能性相关联。模型第三个原则建立模型信号可信度与产

13、生系统质量之间的关系，当权重变弱时，冲突信号的可信度降低。 接着我们将模型应用到一些失语症病人身上，进一步分析了我们以冲突为基础的错误监控理论。,需要注意的是，我们提出以冲突为基础的错误监测是口语监测的基础装置，并不意味着我们否认直觉过程在口语监控中的辅助作用。实证研究显示出，在噪音条件下，错误监测的百分比减少，要求外在监控循环处理一些听觉的信号。近些年监控的混合模型被讨论(Nickels Wonnacott, Newport,&Tanenhaus,2008) 总之，我们提出冲突为基础的理论作为口语监控的核心装置，然而了解其他补充装置对于口语的错误监测也是有益的。,普遍领域的错误监测理论,接下

14、来的部分我们将讨论我们的模型可作为普遍领域的错误监测装置。 我们先阐述我们的模型与其他冲突为基础理论的相同于不同之处。我们的模型与Botvinicketal. (2001) and Yeungetal. (2004)模型的不同源于目标任务的不同。他们的是实验室条件下的强制选择任务，我们的是自然口语产生中的错误监测。这导致我们模型区别的两个方面： 冲突测量的时机。我们测量的冲突是在反应选择时的冲突，而其他的模型是测量反应之后的冲突。我们的两层的模型中，词语选择时的冲突很好的预测词语层错误，语音选择时的冲突很好的预测语音错误。 冲突测量的选择。我们模型对冲突的测量采用被选节点和它的首要竞争者刺激之

15、间的不同。,接下来我们将通过比较冲突为基础模型与复杂动力运动中的向前模型(Desmurget vanSonderen,Gielen,&DeniervanderGon,1989)，所以反馈循环被提出。后来，一些学者提出向前模型，指出类似于冲突为基础模型，它使用产生系统形成的信息进行监测而不是依靠知觉系统加工的信息。,两种模型的相似性 错误监测是一个比较过程。比较的都是实际产生和预测产生。有关动作的信息被预测，并比较其与实际反应。我们模型中错误监测是建立在反应时两个选项刺激之间的比较。 错误监测是一个循环的系统。从动力系统或语言产生系统中产生冲突信号，信号被转译，为了能够消除错误或是从错误中学习。

16、错误监控最终的目的是学习避免将来再产生这种错误。我们模型的循环应当是一种学习强化的规则系统(Holroyd &Coles,2002)，是一种监控下的学习的演算法则(Jordan & Rumelhart,1992) 以冲突为基础的错误监测不仅可以用于口语产生，更普遍地，可以应用于更加自然和复杂的任务，像说话。这就指向了一个普遍领域的错误监测系统,思考,1、文中模型是模拟单个词的产生，如果是一连串的语言产生，比如口头作文，或是言语交际对话，又是怎样进行错误监测的呢？ 2、文中的被试都是母语使用者，那么第二语言的错误监测又是怎样的呢？能否研究二语口语的错误监测？,参考文献： Levelt,W.J.M

17、.(1983).Monitor ing and self-repair in speech. Cognition, 14,41104. Yeung,N.,Botvinick,M.M.,&Cohen,J.D.(2004).The neural basis of error detection:Conict monitoring and the error-related negativity. Psychological Review,111(4),931959. Kac,M.(1962).A note on learning signal detection. IRET ransactions

18、 on InformationTheory,IT-8,126128. Howard,D.,&Patterson,K.(1992). Pyramids and Palm Trees:A test of semantic access from pictures and words.BurySt.Edmunds, Suffolk: ThamesValleyTestCompany. Saffran,E.M.,Schwartz,M.F.,Linebarger,M.,Martin,N.,&Bochetto,P.(1988).The Philadelphia comprehension battery. Unpublished test Dunn,L.M.,&Dunn,L.M.(1997). Examiners manual for thePPVT-III:Peabody picture vocabula