加工非预期信息：多个语义维度的贡献

基于摘要分析。该研究关注在线语言理解中，语义记忆及其表征结构如何支持对非预期后续词的加工，并考察三类语义违背诱发的 EEG 响应是具有统一模式，还是对不同语义知识维度呈现差异化敏感性。核心思路是结合 GPT2 surprisal 与 BERT、ImageBind 嵌入空间中的表征距离，比较它们对违背词诱发 EEG 响应的解释能力。 方法上，GPT2 surprisal 用于刻画后续词的意外程度，BERT 与 ImageBind 的表征距离则用于量化预期后续内容与实际后续内容之间的语义偏离，分别引入语言表征与多模态表征视角。这一设计旨在区分词汇可预测性与不同语义相似性维度的贡献，而非提出新的 EEG 解码模型。 作者报告，在摘要所述三类语义违背条件下，surprisal 未能完全解释神经响应；相较于仅考虑词汇可预测性，语言表征距离和多模态表征距离带来的解释改善具有选择性，取决于实际后续内容偏离预期内容的方式。摘要未提供具体效应量、预测指标或各条件的统计结果，因此不能据此判断改善幅度，也不能推断某一种表征整体更优。 三类语义违背的具体定义、刺激构造、被试数量、EEG 分析时窗与电极、表征距离计算方式、预测模型及验证划分尚未验证，实验协议、消融及统计信息亦需查阅全文。研究的直接对象是语言理解中的语义加工机制，摘要未提供其可改善 BCI 性能的证据。