不同阅读加工阶段，还是不同脑区？关于 N400、P600 和 PNP 的计算认知研究

基于摘要分析。研究探讨 N400、P600 与额叶 P600（PNP）究竟反映不同阅读加工阶段，还是不同脑区的加工功能，通过 Chinese GPT-2 提供的计算指标解释普通话句子阅读中的 EEG/ERP 变化。其贡献是将词语预测、预测不确定性与语义匹配纳入同一分析框架，并扩展到无语义违规的汉语阅读情境。 研究分析了 38 名参与者阅读 280 个语法正确、无语义违规的普通话句子时的 EEG，按既有研究选定的通道提取 N400、P600 和 PNP。作者利用 Chinese GPT-2 的条件概率和词嵌入计算 surprisal、entropy、entropy variation，以及三种语义相似度：上下文与当前词的 sentword、当前词与最可能后续词的 cosk1、当前词与概率最高的五个后续词所形成概念的 cosk5。 作者建立了 10 个线性混合效应模型，包括仅含词级特征的基线、分别加入单个计算指标的六个模型，以及三个包含全部特征的综合模型；将基线信号作为非关注协变量，词 ID 与参与者 ID 作为随机截距。指标解释力以目标模型相对基线模型的对数似然差 ΔLL 衡量，并非解码 Accuracy 或其他 BCI 性能指标。 作者报告，在上述阅读数据与模型比较条件下，surprisal 是 N400 振幅最强的预测指标（ΔLL = 6.94，p < 0.001）；entropy variation 与 cosk5 可预测 PNP（分别为 ΔLL = 4.43，p = 0.001；ΔLL = 3.30，p = 0.004）。作者还报告，sentword 可预测 P600 和 PNP，entropy 显著调节全部三类 ERP，但摘要未提供这些关联的具体效应量。 作者据此提出多阶段解释：早期加工关注词语是否符合上下文预测及候选延续的不确定性，晚期加工涉及句子约束更新、语义整合，以及当前词与预期概念的比较。该解释属于计算指标与 ERP 的关联性证据，摘要不足以确证脑区分工或因果过程；也未展示 BCI 解码或控制效果。ERP 时间窗、预处理、词级协变量细节、指标间相关性、多重比较处理及模型验证协议尚未验证，复现前需核对全文与数据、模型配置的可获得性。