理解特殊和一般的会话含义：心理理论是必要的吗？

文献：Feng.W.S., Yu.H.B., & Zhou.X.L. (2021).Understanding particularized and generalized conversational implicatures: Is theory-of-mind necessary?. Brain & Language, 212. https://doi.org/10.1016/j.bandl.2020.104878 论文原文

1.背景介绍 ¶

会话含义可以进一步分为特殊会话含义（particularized implicature，PI）和一般会话含义（generalized implicature，GI）。其中PI与语境密切相关，GI与语境的细节关系不大，通常间接地回答可能会传达PI。在语用学中，关于解释PI和GI是否涉及相同的认知过程，仍是一个有争议的话题，目前有三种最具影响力的理论：默认理论（Default Theory）侧重于GI的重要特征，认为GI由支持默认推断的（default inferences）自动且轻松的系统计算，而PI由支持语境敏感（context-sensitive）推断的单独系统计算；关联理论（Relevance Theory）认为，两种含义都可以通过一个单一的语用系统得到全面的理解，也就是说PI和GI源自相同的认知过程，并且从一开始就考虑了语境因素；语义极简主义（Semantic Minimalism）认为，PI是从完全基于语境的推断（context-based inferences）派生（derived from）的，而GI是从基于惯例的推断（constraint-based inferences）派生（derived from）的。 关于PI和GI神经认知机制的研究结果有助于我们选择理论方法。PI理解的神经底物可分为两个子系统：核心语言（core language）网络和心理理论（ToM）网络，背侧mPFC（dmPFC）和右TPJ可能是支持ToM进程的核心区域。GI处理可能与语义处理（IFG）和高阶认知功能（mPFC）相关。虽然关于PI和GI的研究已经取得了显著成就，但是二者之间的关系尚不清楚。

2.目的 ¶

通过比较同一实验中这两种类型的会话含义来识别PI和GI理解的共享和独特的神经认知过程，旨在探究PI和GI理解是否必须使用ToM。

3.方法 ¶

29名大学生，根据二元判断准确性（比组平均低3个SD），排除一名被试，最终将28名被试的数据进行分析。

图1

使用单回合对话方案作为刺激材料。每个对话场景均由三部分组成-封面故事、是/否问题以及对上一个问题的间接或直接回答（表1）。在关键（critical）条件下（即PI和GI），回答与问题间接相关。在PI控制条件下（即PIC），使用相同的句子作为对问题的直接回答；在GI控制条件下（即GIC），以其暗示的含义（例如，并非全部（not all））替换了GI条件的回复言语中的弱标量项（例如，某些（some of）），因此修改后的言语充当了（served）这个问题的直接回答。对于每种情况，都强烈希望该问题收到“是”或“否”的答案，并且答案给出了明确的回答。在每对场景中，直接回答和间接回答都等同于对前面的问题给出肯定的答案（“是”或“否”）。对于PI对，一半回答“是”，另一半回答“否”。但是，对于GI对，所有回答都会对问题给出否定答案，从而解释了理解说话者含义所必需的弱项（weak term）（即强项不成立）的标量含义。例如，在表1中，句子“有些观众喜欢您的表演”触发了对“每个人都喜欢我们的表演”这个问题的回答“否”。在这种情况下，为了理解回答，听众需要知道“有些”的使用有“部分但并非全部”的含义。但是，相同的话语对“是否有人喜欢我们的演奏”这个问题给出了“是”的答案，听众就没有必要注意到“有些”具有“并非全部”的含义。 除了以上四种条件下的场景，研究者还设计了填充器（filler）场景，内容和形式与关键条件下的场景相似，以平衡被试对场景的是/否判断，并以强项/弱项（“全部”，“某些”，“始终”，“有时”等）平衡对是/否响应， 这使得资料更加多样化，并阻止了被试制定某种应对策略。 为了模拟日常生活中的自然对话，通过音频形式呈现了对话场景，对话双方分别是一位男性和一位女性。

被试首先执行了听理解任务：屏幕上出现一个十字，持续1.5到5.5s，然后黑屏0.1s，接下来被试清楚地听到了封面故事、问题和答案，问题和答案之间间隔0.5到1.5s，最后屏幕上呈现两个选项（左侧为“是”，右侧为“否”），在屏幕上停留3s，被试必须判断最后一个人是否真的想用“是/否”回答问题。测量反应时间（RT）作为被试做出选择的反应潜伏期。 听理解完成后，被试还进行了ToM任务，其中包括10个错误信念故事和10个控制故事，被试根据故事陈述作出是否判断。

4.数据预处理 ¶

首先在被试级别上，其次在组级别上，使用SPM8的广义线性模型（GLM）进行了全脑分析。

在被试级别的GLM中定义了九个/十个回归变量，以对以下事件进行建模：封面故事的听觉陈述、问题和回答以及被试的回答。分别针对两种类型的会话含义定义了两种对比，将PI和GI条件与其相应的控制条件进行了比较。

使用包含错误信念和控制条件的GLM作为感兴趣的回归变量来创建被试级别的模型，将错误信念条件与对照进行比较的对比。

为了探究在解释两种类型的会话含义时都被激活的区域，使用（PI> PIC）∩（GI> GIC）进行了SPM的“联合无效（conjunction null）”分析。

为了进一步揭示dmPFC在理解PI和GI期间的功能，研究者使用dmPFC感兴趣区域（ROI）内的小体积校正进行了组间参数分析，以探讨PI / GI处理中的dmPFC激活是否与社会技能的个体差异有关。

鉴于发现dmPFC同时参与了PI和GI的理解，研究者想要知道dmPFC与其他区域之间的功能相互作用是否受到会话含义（implicature）类型的调节。

为了识别PI和GI处理的分布式神经表示，研究者使用线性支持向量机（SVM）分别训练了PI和GI的多元fMRI模式分类器。一方面，如果PI和GI理解共享神经，则PI分类器应准确区分GI和GIC，而GI分类器应准确区分PI和PIC。另一方面，如果经过训练以区分PI和GI的分类器的交叉验证准确性很高，则PI和GI理解之间可能会有不同的认知过程。 接下来，研究者使用Neurosynth图像解码器来量化模式分类器和从先前研究中获得的反向推断图之间的神经表示相似度，重点关注PI / GI理解与心理学和心理语言学的15个核心概念之间的模式相关性：注意力、记忆力、知识、认知控制、决策、情感、推理、意图、心智理论、语言、正字法、语音、词汇、句法和语义。此外还研究了语言和ToM处理可在多大程度上参与PI和GI理解。 研究者还训练了一个ToM分类器，以区分全脑和dmPFC ROI内ToM任务中的错误信念和控制条件。

5.结果 ¶

针对被试任务准确性的2（场景对：PI对vs.GI对）×2（暗示：关键（critical）与对照）重复测量方差分析得出显著的交互作用：对于GI对，GI条件下的准确度低于相应对照条件下的准确度；对于PI对，此影响不显著。 被试RT的2×2重复测量方差分析得出显著的交互作用：对于PI对，PI条件下的RT比其相应的对照条件下的更长； GI对的效应较小。这表明，相对于没有会话含义的话语，理解具有会话含义的话语涉及更复杂的语用推理过程，并且理解PI似乎比理解GI困难。 实验结束后又对被试进行了7点视觉模拟量表（从“最直接”到“最间接”），对回复与上一个问题的间接关系进行了评估。得分2×2重复测量方差分析得出显著的交互作用：对于PI对，在PI条件下的回复比在其相应的对照条件下的回复更为间接； GI对的影响较小。这表明，具有会话含意的回答比没有此类含意的回答更间接。

为了确定PI和GI理解的神经相关性，研究者分别检查了全脑水平的PI> PIC和GI> GIC的对比。结果表明，PI和GI的理解可能涉及重叠和不同的神经相关性。 为了确定由ToM处理激活的大脑区域，研究者将全脑水平的错误信念>对照进行比较，结果发现的ToM网络与先前的研究高度一致。

经过训练的PI与PIC分类器区分PI与PIC的准确率为96％，区分GI与GIC的准确率接近100%；同样经过训练的GI与GIC分类器区分GI与GIC以及PI与PIC的准确率为96%。这些发现为PI和GI的功能共享神经的存在提供了证据。通过双侧IFG，左前颞叶，右前MTG，双侧TPJ和mPFC的激活来预测PI与PIC，而双侧IFG，左后MTG和mPFC的活动性增加可预测GI与GIC。PI分类器与与语言或ToM处理相关的原型大脑模式（与语言、语义、理论思维、意图相关）正相关，而GI分类器仅与与语言处理相关的原型大脑模式相关（语言，语义）。PI和GI理解本质上是语言处理的神经模，与ToM相关的推理过程可能是PI理解所独有的。

全脑MVPA显示PI和GI处理之间的差异在于与ToM和意图有关的神经表示。PI（而不是GI）的表示可能涉及与ToM相关的推理成分。在PI处理期间，dmPFC的激活幅度与社交技能核心呈负相关；个人的社交技能在PI处理期间调节了dmPFC激活，但对GI处理没有影响。与GI处理相比，在PI处理过程中，dmPFC与几个脑区(包括中央前回、左侧顶下小叶(IPL)、右侧IFG额襞部和眶部(延伸至右侧岛前)、sma前区)的功能相互作用明显增强。

6.总结 ¶

研究了PI和GI理解的神经表示（representations），单变量和多变量fMRI数据分析的结果一致表明，对PI和GI的理解共享语言处理组件，但不同之处在于PI（而非GI）的理解进一步依赖于ToM相关的推理过程。