自然语言理解中瞳孔扩张与神经惊讶之间的动态关系

预测性加工理论认为，大脑会持续生成预测，并根据信号误差更新内部模型；然而，预测表征与模型更新究竟反映的是单一的梯度式计算，还是由可分离系统实现的、在计算上彼此不同的操作，仍不明确。我们在参与者聆听连续自然语音时记录了脑磁图（MEG）和瞳孔测量数据，并借助 GPT-2 模型逐词量化词汇惊异度与语义预测误差。总体而言，词汇惊异度主要以梯度性方式被追踪，而对语义误差的反应则更适合由一种整流线性单元（ReLU）门控函数来刻画——即仅当误差超过近期语境基线时才产生反应。在这些相对效应的强度上，还存在一些值得注意的分离现象。听觉皮层以梯度性、连续性的方式追踪词汇惊异度，而较晚期的皮层阶段则反映语义误差。相比之下，基线性瞳孔直径和源定位的脑干反应主要表现为对语义误差的门控式反应。瞳孔耦合分析进一步证实，这种门控特征在与瞳孔相关的唤醒以及定位于脑干的反应之间具有统计学上的共享性，而在皮层反应中则不存在。综合来看，这些发现揭示了一种分工机制：皮层维持对预测信息的连续、高保真表征，而与瞳孔相关的模型更新系统则充当选择性门控器，仅在破坏意义且误差已跨越阈值的事件出现时被特异性激活。这种不对称性表明，用于持续解析预测误差的信号与用于修正模型的信号，在计算上可能是相互分离的；这一点对于我们理解服务于知觉与学习的机制之间的内在相互作用，具有一系列重要启示。

预测加工理论认为，大脑会持续生成预测，并根据误差信号更新内部模型；然而，预测表征与模型更新究竟是单一的渐变式计算，还是由可分离系统实现的、在计算上彼此不同的操作，目前仍不清楚。我们在受试者聆听连续自然语音时记录了脑磁图（MEG）和瞳孔测量数据，并借助 GPT-2 模型逐词量化了词汇惊异度和语义预测误差。总体而言，词汇惊异度主要以渐变方式被追踪，而对语义误差的反应则更适合由整流线性单元（ReLU）门控函数来刻画——即，仅当误差超过近期语境基线时才产生反应。此外，这些相对效应在强度上也表现出一些有趣的分离。

听觉皮层以渐变、连续的方式追踪词汇惊异度，而较晚期的皮层阶段则反映语义误差。相比之下，基线瞳孔直径和源定位的脑干反应主要表现为对语义误差的门控式反应。瞳孔耦合分析进一步证实，这种门控特征在与瞳孔相关的唤醒反应和定位于脑干的反应之间具有统计上的共享性，而在皮层反应中则不存在。综合来看，这些发现揭示了一种分工机制：皮层维持着对预测信息的连续、高保真表征，而与瞳孔相关的模型更新系统则充当选择性门控器，仅在扰乱意义且误差已跨越阈值的事件出现时被激活。这种不对称性表明，服务于预测误差连续解析的信号与服务于模型修正的信号在计算上可能是可分离的，这对于我们理解服务于知觉与学习的机制之间的内在相互作用具有一系列启示。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.12.731866v1?rss=1

🏷️ 自然语言理解 预测性加工 瞳孔扩张 脑磁图 语义预测误差 神经惊讶