Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

📄 arXiv: 2604.09466v1 📥 PDF

作者: Sathvik Nair, Colin Phillips

分类: cs.CL

发布日期: 2026-04-10

备注: 9 pages, Behavioral & Brain Sciences Commentary on Futrell & Mahowald (forthcoming)

💡 一句话要点

批判性分析语言模型在人类语言处理中的作用，强调多层次分析的必要性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 语言模型 心理语言学 多层次分析 认知科学 自然语言处理

📋 核心要点

  1. 现有观点过度依赖语言模型在预测语言信息方面的能力，忽略了人类语言处理的复杂性。
  2. 本文提出需要超越单纯的概率预测，从多个分析层次理解人类语言处理，结合心理语言学模型。
  3. 文章并未提供实验结果，而是着重于理论分析和未来研究方向的展望，旨在促进跨学科研究。

📝 摘要（中文）

本文从Marr的分析层次角度出发，批判性地评估并扩展了关于语言模型（LMs）和语言处理的两个观点：首先，基于上下文预测即将到来的语言信息是语言处理的核心；其次，如果没有大型语言模型（LLMs），心理语言学领域的许多进展将是不可能的。此外，本文还概述了未来将LLMs的优势与心理语言学模型相结合的研究方向。

🔬 方法详解

问题定义：现有研究倾向于将大型语言模型（LLMs）的预测能力视为理解人类语言处理的关键，甚至认为LLMs是心理语言学进步不可或缺的工具。然而，这种观点可能过于简化了人类语言处理的复杂性，忽略了认知、神经等多个层面的因素。现有的痛点在于缺乏对语言处理过程进行多层次的综合分析。

核心思路：本文的核心思路是借鉴Marr的分析层次理论，强调理解人类语言处理需要超越单纯的概率预测，从计算、算法和实现等多个层次进行分析。这意味着需要考虑语言处理的认知机制、神经基础以及社会文化背景等因素，而不仅仅是依赖LLMs的预测能力。

技术框架：本文并未提出具体的技术框架，而是从理论层面探讨了如何将LLMs与心理语言学模型相结合。其核心在于构建一个能够整合不同层次信息的语言处理模型，该模型不仅能够进行概率预测，还能够模拟人类的认知过程和神经机制。这需要跨学科的合作，结合计算语言学、心理语言学、神经科学等领域的知识。

关键创新：本文的创新之处在于对现有研究范式的批判性反思，强调了多层次分析在理解人类语言处理中的重要性。与现有方法不同，本文不认为LLMs是解决所有问题的灵丹妙药，而是将其视为一种工具，需要与其他方法相结合才能更好地理解人类语言处理。

关键设计：由于本文主要关注理论分析，因此没有涉及具体的参数设置、损失函数或网络结构等技术细节。未来的研究方向可能包括设计能够模拟人类认知过程的计算模型，开发能够反映神经机制的语言处理算法，以及构建能够整合不同层次信息的跨学科研究框架。

📊 实验亮点

本文的亮点在于对当前语言模型在心理语言学研究中作用的深刻反思，强调了单一依赖概率预测的局限性，并呼吁采用多层次分析方法。虽然没有提供具体的实验数据，但其理论框架为未来的研究方向提供了重要的指导，鼓励研究者们超越技术层面，深入探索人类语言处理的本质。

🎯 应用场景

该研究对心理语言学、自然语言处理和人工智能领域具有潜在的应用价值。通过更深入地理解人类语言处理的机制，可以开发出更智能、更自然的语言交互系统，例如更人性化的聊天机器人、更有效的语言学习工具以及更精准的文本理解算法。此外，该研究还有助于揭示语言障碍的认知和神经机制，为语言康复提供新的思路。

📄 摘要（原文）

Under the lens of Marr's levels of analysis, we critique and extend two claims about language models (LMs) and language processing: first, that predicting upcoming linguistic information based on context is central to language processing, and second, that many advances in psycholinguistics would be impossible without large language models (LLMs). We further outline future directions that combine the strengths of LLMs with psycholinguistic models.