A Review of Mechanistic Models of Event Comprehension

要約

このレビューでは、談話理解理論から現代の出来事認識フレームワークへの進化を追跡しながら、出来事理解の理論的仮定と計算モデルを検証します。
このレビューでは、構築統合、イベント索引付け、因果ネットワーク、共鳴モデルなどの主要な談話理解の説明が取り上げられ、理解における認知プロセスの理解への貢献に焦点が当てられています。
次に、イベント セグメンテーション理論 (Zacks et al., 2007)、イベント ホライゾン モデル (Radvansky & Zacks, 2014)、予測と因果関係を重視する階層生成フレームワーク (Kuperberg, 2021) など、イベント理解の現代の理論的枠組みについて説明します。
、イベント理解におけるマルチレベル表現。
これらの理論に基づいて、私はイベント理解の 5 つの計算モデルを評価します。REPRISE (Butz et al., 2019)、Structured Event Memory (SEM; Franklin et al., 2020)、Lu モデル (Lu et al., 2022)、
Gumbsch モデル (Gumbsch et al., 2022)、および Elman および McRae モデル
モデル（2019）。
分析は、階層処理、予測メカニズム、表現学習へのアプローチに焦点を当てています。
浮かび上がってくる主なテーマには、帰納的バイアスとしての階層構造の使用、理解における予測の重要性、イベントダイナミクスを学習するための多様な戦略などが含まれます。
このレビューでは、構造化表現の学習、エピソード記憶メカニズムの統合、動作イベントモデルの適応更新アルゴリズムの開発に対するより洗練されたアプローチの必要性など、将来の研究にとって重要な領域が特定されています。
このレビューは、理論的枠組みと計算実装の両方からの洞察を総合することにより、人間のイベント理解についての理解を進め、認知科学における将来のモデリングの取り組みを導くことを目的としています。

要約(オリジナル)

This review examines theoretical assumptions and computational models of event comprehension, tracing the evolution from discourse comprehension theories to contemporary event cognition frameworks. The review covers key discourse comprehension accounts, including Construction-Integration, Event Indexing, Causal Network, and Resonance models, highlighting their contributions to understanding cognitive processes in comprehension. I then discuss contemporary theoretical frameworks of event comprehension, including Event Segmentation Theory (Zacks et al., 2007), the Event Horizon Model (Radvansky & Zacks, 2014), and Hierarchical Generative Framework (Kuperberg, 2021), which emphasize prediction, causality, and multilevel representations in event understanding. Building on these theories, I evaluate five computational models of event comprehension: REPRISE (Butz et al., 2019), Structured Event Memory (SEM; Franklin et al., 2020), the Lu model (Lu et al., 2022), the Gumbsch model (Gumbsch et al., 2022), and the Elman and McRae model (2019). The analysis focuses on their approaches to hierarchical processing, prediction mechanisms, and representation learning. Key themes that emerge include the use of hierarchical structures as inductive biases, the importance of prediction in comprehension, and diverse strategies for learning event dynamics. The review identifies critical areas for future research, including the need for more sophisticated approaches to learning structured representations, integrating episodic memory mechanisms, and developing adaptive updating algorithms for working event models. By synthesizing insights from both theoretical frameworks and computational implementations, this review aims to advance our understanding of human event comprehension and guide future modeling efforts in cognitive science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google