经训练用于识别单词的卷积神经网络对视觉字形启动效应给出惊人良好的解释
计算机视觉与模式识别
2023-03-15 v3
摘要
为解释提供字母串之间正字法相似度量的掩蔽启动数据，已开发出多种正字法编码方案与视觉单词识别模型。这些模型往往包含手工编码的正字法表征，以单单元编码特定形式的知识（例如，编码特定位置字母的单元）。在此，我们评估了一系列此类编码方案与模型对取自 Form Priming Project 的字形启动效应模式的解释程度，并将这些发现与计算机科学中开发的 11 个标准深度神经网络模型（DNNs）的结果进行比较。我们发现深度卷积网络（CNNs）的表现与这些编码方案和单词识别模型相当或更好，而 transformer 网络表现较差。CNNs 的成功引人注目，因为其架构并非为支持单词识别而开发（它们设计用于物体识别表现良好），它们对单词的像素图像进行分类（而非字母串的人工编码），且它们的训练高度简化（未遵循人类经验的许多关键方面）。除这些字形启动效应外，我们发现 DNNs 还能解释超出当前所有心理学启动模型的、启动中视觉相似度效应。这些发现补充了（Hannagan 等人，2021）的近期工作，并表明 CNNs 应作为人类视觉单词识别模型在心理学中获得更多关注。
引用
@article{arxiv.2302.03992,
title = {Convolutional Neural Networks Trained to Identify Words Provide a Surprisingly Good Account of Visual Form Priming Effects},
author = {Dong Yin and Valerio Biscione and Jeffrey Bowers},
journal= {arXiv preprint arXiv:2302.03992},
year = {2023}
}