用基于神经网络的注意力建模人类阅读中的任务效应
计算与语言
2022-09-19 v5
摘要
关于人类阅读的研究早已表明阅读行为表现出任务特定的效应，但构建能够预测人类在给定任务中将会表现出何种阅读行为的通用模型一直具有挑战性。我们提出NEAT，一种关于人类阅读中注意力分配的计算模型，其基于如下假设：人类阅读在注意力经济性与任务成功之间优化权衡。我们的模型使用当代神经网络建模技术实现，并对注意力分配如何随不同任务变化做出明确且可检验的预测。我们在一个眼动追踪研究中对此进行了检验，比较了阅读理解任务的两种版本，发现我们的模型成功解释了跨任务的阅读行为。因此，我们的工作提供了证据，表明任务效应可被建模为对任务需求的最优适应。
引用
@article{arxiv.1808.00054,
title = {Modeling Task Effects in Human Reading with Neural Network-based Attention},
author = {Michael Hahn and Frank Keller},
journal= {arXiv preprint arXiv:1808.00054},
year = {2022}
}
备注
Accepted by Cognition