线性判别学习中的词频效应

词频在大多数词汇加工任务中都是强预测因子。因此，任何词识别模型都需解释词频效应如何产生。判别词典模型（DLM; Baayen et al., 2018a, 2019）通过词形与词义间的线性映射建模词汇加工。迄今，这些映射既可通过误差驱动学习增量获得——一种能捕捉词频效应但计算昂贵的过程，也可通过高效但忽略词频的解来建模学习的理论终态（EL），其中所有词均被最优学习。本研究中，我们展示了如何获得高效且词频知情的形式-意义映射（词频知情学习；FIL）。我们发现 FIL 能很好地近似增量解，同时计算成本低得多。FIL 表现出较低的类型准确率和较高的 token 准确率，表明该模型能正确处理说话者日常生活中遇到的大部分词 token。我们利用 FIL 建模 Dutch Lexicon Project（Keuleers et al., 2010）中的反应时，发现 FIL 能较好预测频率与反应时均值间的 S 形关系，但低估了低频词反应时的方差。相较于 EL，FIL 也能更好地解释 Mandarin Chinese 听觉词汇决策任务中的启动效应（Lee, 2007）。最后，我们使用来自 CHILDES（Brown, 1973; Demuth et al., 2006）的有序数据比较 FIL 与增量学习获得的映射。两者高度相关，但 FIL 丢失了部分基于词序效应的细微差异。我们的结果显示了如何在学习模型中高效模拟词频效应，并引发关于如何在认知模型中最好地解释低频词的思考。