事件理解的机制模型综述

本综述考察了事件理解的理论假设与计算模型，追溯了从话语理解理论到当代事件认知框架的演变。综述涵盖了关键的话语理解学说，包括建构-整合（Construction-Integration）、事件索引（Event Indexing）、因果网络（Causal Network）和共振（Resonance）模型，突出了它们对理解认知过程的贡献。随后，我讨论了当代事件理解的理论框架，包括事件分割理论（Zacks 等，2007）、事件视界模型（Radvansky & Zacks，2014）和分层生成框架（Kuperberg，2021），这些框架强调了事件理解中的预测、因果性和多层级表征。在这些理论的基础上，我评估了五个事件理解的计算模型：REPRISE（Butz 等，2019）、结构化事件记忆（SEM；Franklin 等，2020）、Lu 模型（Lu 等，2022）、Gumbsch 模型（Gumbsch 等，2022）以及 Elman 和 McRae 模型（2019）。分析重点关注它们在分层处理、预测机制和表征学习方面的方法。由此涌现的关键主题包括：将分层结构作为归纳偏置、预测在理解中的重要性，以及学习事件动态的多样化策略。本综述识别了未来研究的关键领域，包括需要更复杂的方法来学习结构化表征、整合情景记忆机制，以及为工作事件模型开发自适应更新算法。通过综合来自理论框架和计算实现的见解，本综述旨在推进我们对人类事件理解的认识，并指导认知科学中未来的建模工作。