词形学习与表征的大规模建模

基于摘要分析。该研究针对词汇加工模型难以覆盖真实词形词库的规模与异质性这一问题，使用名为 sequence encoder 的联结主义架构，从带重音标记的音素串或字母串中学习词形表征。作者报告，该架构能够学习近 75,000 个词形的表征，并在语音词形与正字法词形的两项大规模模拟中捕捉词库的统计规律；摘要未细分这一规模在两项模拟中的分配。 机制与对照方面，论文先展示 sequence encoder 的工作机制与有效性，作者认为其克服了传统基于槽位的编码所面临的问题，再分别模拟语音词库和正字法词库的表征学习。摘要未提供具体编码结构、学习目标、训练过程或槽位编码的对照设置，因而尚不能确定性能差异来自哪些机制。 结果方面，作者报告，模型对合式伪词的加工优于对不合式、打乱顺序伪词的加工，并能解释合式性评分中的部分方差。这些证据对应的是词形结构与词库统计规律的学习，不应扩展为对完整语言理解能力的验证。具体加工指标、方差解释量、词库来源、数据划分、消融及统计信息尚未验证。 论文讨论了将 sequence encoder 整合进更广泛词汇加工模型的可能性。其主要研究对象是文本与语音中的词形表征，而非神经信号解码；摘要未提供 EEG/BCI 的具体机制对应或验证结果，故不据此提出迁移结论。复现前需取得全文，核对词形预处理、重音标记、伪词构造、训练配置及评分评估协议；代码与数据可用性尚未验证。