深度学习模型揭示语义饱和机制

语义饱和（semantic satiation），即一个词或短语在被重复很多次后失去意义这一现象，是一种众所周知的心理学现象。然而，导致这一机制的微观神经计算原理仍然未知。本文使用连续耦合神经网络（continuous coupled neural network, CCNN）建立深度学习模型，研究语义饱和的机制，并用神经元成分精确描述这一过程。研究结果表明，从介观角度来看，语义饱和可能是一个自下而上的过程，与现有的宏观心理学研究认为语义饱和是一个自上而下的过程不同，本文的模拟采用与经典心理学实验类似的实验范式，观察到相似的结果。语义目标的饱和类似于本文网络模型用于物体识别的学习过程，依赖于对象的连续学习和切换，神经耦合的增强或削弱影响饱和。综上，神经和网络机制在控制语义饱和中均发挥作用。

研究背景

在日常生活中，是否曾因长时间沉思某个语言实体，而让其语义本质开始模糊退却呢？例如，当反复凝视单词“cat”（猫）时，这个传统上代表可爱家养猫科动物的词，可能会产生一种奇怪的脱离感。这种现象，不仅仅存在于语言领域，事实上，通过不同的实验协议和技术，这一现象也在多种实验中被观察到。而近年来，随着更高级方法的开发，这一现象也在不断被研究，发现了新的生物标志物。

论文来源

本研究由西北工业大学、兰州交通大学等多家研究机构合作完成，相关研究成果发表在2024年的《Communications Biology》期刊上。

全部研究详情

研究流程

程序一：语义饱和的实验设计与验证

研究的第一步是设计实验范式，通过连续输入相同的视觉刺激，模拟经典心理学中关于语义饱和的实验。这部分研究采用MNIST和Fashion-MNIST数据集，这些数据集分别包含手写数字和时尚物品的图像，作为输入的测试对象。

程序二：模型的具体实现

研究利用连续耦合神经网络（CCNN）构建人工神经网络模型，模拟初级视觉皮层（primary visual cortex）的神经元行为。模型包含多个层次，通过设定不同参数，逐步实现对视觉信号的处理和分类。

程序三：模型模拟与数据处理

为了实现对神经元复杂行为的模拟，模型输出作为电生理信号，这些信号与经典实验中记录的大脑波形对比，验证其有效性。具体实验将在分类任务中进行，包括连续输入同一个刺激，以及输入相似但不同的刺激，以考察模型在语义饱和过程中的表现。

研究结果

实验结果一：相同刺激引起的语义饱和

通过对模型时间的增加，研究发现模型的分类精度呈现先上升后下降的趋势，这种模式与心理学实验中的语义饱和现象一致。同样，受体场的大小变化并未对总体趋势产生根本影响，验证了模型在模拟语义饱和过程中的有效性。

实验结果二：相似刺激引起的语义饱和

对于分类任务，输入的刺激以高相关度、低相关度和无关的方式进行。这部分实验同样使用MNIST和Fashion-MNIST数据集，研究发现，与初次输入刺激1有不同相关度的输入2，其分类准确率存在明显差异，这与心理学实验中参与者对不同类别刺激的反应一致。

视觉信息处理的中间状态可视化

实验进一步通过可视化图像信号在模型时刻变化的输出特征，观察语义饱和现象。发现随着时间推进，输入信号逐渐模糊不清，特别是与语义相关的部分变得更大且更加模糊。这一现象同样影响了随后的图像处理和分类准确性。

研究结论和价值

研究揭示了语义饱和这一现象背后的神经机制，并提出其本质是一个自下而上的过程，挑战了传统心理学对这一现象的看法。通过仿真结果，研究为心理研究提供了新的范式和数值参考，并提出了可以与真实神经元实验进行验证的基础。

研究亮点与价值

• 新颖性：研究首次从介观角度揭示了语义饱和的神经机制。
• 方法创新：采用连续耦合神经网络模拟初级视觉皮层中的神经元行为，展示了这种方法在模拟语义饱和过程中的有效性。
• 研究范式：为心理学研究提供了新颖的数值范式，有望在脑科学与计算神经科学领域开辟新的研究方向。

参考文献

本研究引用了大量相关领域的文献，可以在《Communications Biology》期刊的在线版本中找到。

通过这项研究，语义饱和这一长期困扰心理学和神经科学的现象得到了新的解释，也为未来的研究和应用提供了新方向。