[論文レビュー] Feature overwriting as a finite mixture process: Evidence from comprehension data

Shravan Vasishth, Lena A. Jäger+1 more|arXiv (Cornell University)|Mar 12, 2017

Topic Modeling被引用数 9

ひとこと要約

本稿は、'The key to the cabinets are on the table' のような文で見られる文法的であると錯覚する現象が、類似した数の特徴を持つ名詞が一部の試行で混同されることによる特徴の上書き（feature overwriting）に起因すると提案する。10の既存データセットを用いて階層ベイジアン有限混合モデルを適用した結果、特徴の上書きに基づく非均一分散混合モデルが、特徴の伝搬（feature percolation）およびキューに基づく再取得（cue-based retrieval）の両者を上回り、読解時間の短縮をよりよく説明することが強く示された。

ABSTRACT

The ungrammatical sentence "The key to the cabinets are on the table" is known to lead to an illusion of grammaticality. As discussed in the meta-analysis by Jaeger et al., 2017, faster reading times are observed at the verb are in the agreement-attraction sentence above compared to the equally ungrammatical sentence "The key to the cabinet are on the table". One explanation for this facilitation effect is the feature percolation account: the plural feature on cabinets percolates up to the head noun key, leading to the illusion. An alternative account is in terms of cue-based retrieval (Lewis & Vasishth, 2005), which assumes that the non-subject noun cabinets is misretrieved due to a partial feature-match when a dependency completion process at the auxiliary initiates a memory access for a subject with plural marking. We present evidence for yet another explanation for the observed facilitation. Because the second sentence has two nouns with identical number, it is possible that these are, in some proportion of trials, more difficult to keep distinct, leading to slower reading times at the verb in the first sentence above; this is the feature overwriting account of Nairne, 1990. We show that the feature overwriting proposal can be implemented as a finite mixture process. We reanalysed ten published data-sets, fitting hierarchical Bayesian mixture models to these data assuming a two-mixture distribution. We show that in nine out of the ten studies, a mixture distribution corresponding to feature overwriting furnishes a superior fit over both the feature percolation and the cue-based retrieval accounts.

研究の動機と目的

• 特徴の上書き（同一の数の特徴を持つ名詞の混同）が、不文法的文における文法的であると錯覚する現象を説明できるかどうかを検討すること。
• 特徴の上書き、特徴の伝搬、キューに基づく再取得という3つの対立仮説の予測性能を比較すること。
• 階層ベイジアン枠組み内で有限混合分布を用いて、読解時間の促進を示す認知的プロセスをモデル化すること。
• 既存の仮説と比較して、特徴の上書きが公開済みの理解データに対してより良い統計的フィットを提供するかどうかを同定すること。

提案手法

• 10の既存の読解時間データセットに階層ベイジアン二成分混合モデルを適合させ、有限混合として2つの分布の組み合わせを仮定した。
• 一つの成分が特徴の上書きによって高い混同性を示す試行を表す、非均一分散混合モデルを用いた。
• 混合モデルを確率パラメータ（diffprob）で定義し、高混同性成分に属する試行の割合を示した。
• モデルのフィットを比較するためにPSIS-LOO交差検証を適用し、より高いelpdがより優れた予測性能を示した。
• 読解時間を対数正規分布としてモデル化し、被験者および項目ごとのランダム効果を含め、実験条件の和符号化予測子を導入した。
• Stanを用いて完全なベイジアン推論を行い、モデルのパラメータとその不確実性を推定した。

実験結果

リサーチクエスチョン

• RQ1 特徴の上書きが、特徴の伝搬やキューに基づく再取得よりも、不文法的文における動詞直後の読解時間が短くなる現象をよりよく統計的に説明できるか？
• RQ2 特徴の上書きによって生じる高混同性の試行は、他の試行と比較して読解時間の分散が大きいという証拠があるか？
• RQ3 2つの単数名詞を含む条件と、1つの単数名詞と1つの複数名詞を含む条件において、高混同性成分に割り当てられる試行の割合に差があるか？
• RQ4 特徴の上書きに基づく有限混合モデルは、理解データで観察された促進効果を説明できるか？

主な発見

• 10のデータセットのうち9つにおいて、非均一分散の特徴の上書き混合モデルが、特徴の伝搬モデルおよびキューに基づく再取得モデルの両方を上回るフィットを示した。
• 均一分散の特徴の上書きモデルは、1つのデータセットを除き、すべてのデータセットで標準の階層モデル（再取得干渉仮説）を上回った。これは、特徴の上書き仮説がより強く支持されることを示している。
• すべての研究で高混同性成分に属する試行の確率（diffprob）が0より大きいことが推定され、研究1を除き高い不確実性が見られた。これは、2つの単数名詞を含む条件で混同性が高まっているという一貫した証拠を示している。
• 高混同性分布の分散（sigmap_e）は、他の分散成分よりも著しく大きく、特徴の上書きが発生する際の試行ごとの変動が大きいことを示している。
• モデル比較は推移的であり、PSIS-LOO比較におけるより高いelpd値から、非均一分散の特徴の上書き混合モデルが全体として予測性能が最も優れていた。