联结主义与二语习得中的输入与输出-教育论文

摘要：联结主义是起源于对大脑结构和功能的模拟，因而具有符号主义所不具有的一些功能和特点。本文在分析联结主义网络的基本特征的基础上，从联结主义网络模型的运作机制角度探讨了联结主义与二语习得中输入与输出的关系。

关键词：联结主义、并行处理机制、分布表征 、浮现特征、输入与输出

引言：联结主义是20世纪80年代随着神经生物学，计算机科学和心理学的发展而重新复兴的一门认知科学的研究范式。联结主义，或称“平行分布处理”（parallel distributed  processing 简称PDP），又称神经网络，源于人们尝试根据人脑的结构设计计算机模型（Chater & Christiansen,1999.235）。联结主义模型与心理语言学实验结果的结合导致了联结主义心理语言学（connectionist psycholinguistics）的诞生(Christiansen& Chater,2001.1)。20 多年来，连接主义的认知理论得到了迅速的发展，联结主义模型在语言的习得、语言产生和语言理解等方面产生了巨大的影响。本文拟就介绍联结主义理论特点并探讨这些特点与二语习得中输入与输出的关系。

一：联结主义是对人类神经网络结构和功能的模拟。

1.人脑是完善的信息处理器官。

联结主义神经网络的提出源于认知学家对人脑结构和处理模式的模拟。现代自然科学对人脑的研究发现，人类大脑的神经元数量达到1000亿之多，神经元之间存在着极为复杂的联结。平均说来，每个神经元都要和其他10000个神经元相连接。脑内信息的处理时时刻刻都在进行着。信息在神经元里面是以电脉冲的形式传递的。神经元由细胞体和轴突组成，发射的电信号经由轴突传递给其他的神经元。此外，神经元还有许多用来接收其他神经元信号的树突。一个神经元的轴突与另一个神经元的树突连接而成的特殊结构叫做突触。神经元之间的信号传递就是通过突触来进行的。每个神经细胞都可以被看做是一个简单处理器，神经细胞之间通过由神经细胞的触发频率而产生的数值进行相互之间的联系，它接收来自于其他细胞的数字输入符号并转化为传递到其他神经细胞的数字输出信号（崔刚，2006）。神经细胞具有6个基本功能（Dudai，1998）第一，输入功能，可以接收来自外部环境或其他细胞的信号；第二，合成功能，可以对于接收的信号进行合成与加工；第三，传导功能，可以把合成的信息传递一定的距离；第四，输出功能，可以把信息传递个其他的细胞；第五，计算功能，可以把一种信息映射转化为另一种信息；第六，表象功能，促进内部表象的形成。

并行工作是脑内信息处理的主要方式。即每一级的细胞都接收成千上万个不同的输入，并输入到下一级成千上万个细胞去，通过复杂的联系，对并行的信息进行处理。这意味着大量的信息处理工作是同时进行的，因此就不难理解，虽然每个神经细胞间的信息传递比计算机慢得多，但人们通常能在不到一秒的时间内对外界事物做出判断和决策。牛津大学神经科学家Susan Greenfield（1988.107）在谈到并行处理的重要性时写到：“我们看到，脑并不是以一群微型脑的集合进行活动的，而是多个脑区以某种方式行使不同的功能（并行性处理）。但是，无人知晓脑的不同区是怎样来产生一个完整的东西的，诸如运动和视觉这样的功能，它不单是部分的总和。”

人脑一方面与神经网络系统相连接，一方面它本身就是一个高度优化的、复杂的动态网络系统。人脑所表现出来的许多神奇的功能，不是单个神经元或者某一局部脑组织所固有，而是由脑的许多部分相互协调和相互配合的结果。大脑并不是一团相互纠缠在一起的细胞，它具有高度的组织性，分成许许多多的层次。

2.联结主义认知模式体现了大脑结构的特点

联结主义理论认为可以模拟大脑的结构建立起联结主义的认知模型，这样的模型是大脑可能功能的简化和理想化，联结主义系统，也叫神经网络系统，是由类似于神经元的基本单位（units）或节点(nodes)构成,每个单元从别的单元接受多个输入，但只产出单个输出。网络是个动态系统，单元彼此相互联结在一起，信息处理通过大量单元交互进行。每个单元都有不同的激活度，既可以兴奋和抑制其他单元，也可以受到其他单元的兴奋和抑制。当网络有一个初始的输入，其兴奋和抑制便在单元之间扩散，直到形成一个稳定的状态。单元之间联结的强度被称为权重，权重值的大小可以通过学习来调节。联结主义认为，网络虽然包含很多单元，但单元中并不包含任何信息，信息就是参与交互活动的单元之间的激活模式，知识信息存在于神经网络的联结中或权重里，通过调整权重就可以改变网络的联结关系，进而改变网络的功能，这就是“联结主义”概念的基本内涵（贾林祥，2002）。

Rumelhart , Hinton 和McClellan d( 1986) 列举了并行分布处理( Parallel Dist ributed Process ing, PDP) 模型的八个基本特征: 一系列的处理单元、激活状态、每个单元的输出功能、单元之间的联结模式、通过网络联结的激活传播模式的传播规则、把一个单元所接受的输入与该单元的现行状态相结合产生新的激活状态的激活规则、通过经验调整联结模式的学习规则、系统运行所处的环境。这八个特征可以很容易地与神经细胞的六个功能对应起来。处理单元就是细胞本身, 激活状态和激活规则属于细胞输入和合成功能的一部分, 输出功能与细胞的输出功能相对应, 联结模式和传播规则与细胞的传导功能相对应, 而学习规则与环境则与细胞的计算和表象功能相对应。

Becht el 和Abrahamsen( 1991) 在上述八种特征的基础上, 总结了联结主义模型的四个基本特征: 单元之间的联结、单元的激活功能、用于调节单元之间联结的学习程序和对网络进行语义解释的方式。上述四个特征可以被概括为联结主义的三个基本原则( Medler, 1998) : 第一, 信号的处理由基本的单元进行; 第二, 处理单元与其他单元并行联结; 第三, 处理单元之间的联结具有不同的权重值。上述三个基本原则可以应用于各种联结主义模型, 从而成为衡量各种联结主义模型的基本标准。

二．联结主义网络模型的特点

  要分析联结主义网络模型的特点， 我们先来看看最基本的单向网络输入模型，

单向网络输入模型是目前使用最广泛的联结主义模型，这个模型由三个层次组成，输入层、内隐层和输出层，激活是按照一个方向在三个层次间流动的（崔刚）。输入单元层接受外界的刺激，某些单元被激活，然后通过连接权重的调整，激活或者抑制内隐层的一些单元，最后激活输出层的单元。再把实际的输出与需要的输出相比较通过学习算法来决定从一个单元到另一个单元之见的加权量。理论上说，只要能够有足够多的内隐单元，就能够找到一种内部表达，使网络能够执行从任何输入通过内隐单元到输出的匹配。由单向网络模型的动态变化特征我们可以发现联结主义神经网络普遍具有如下特征：

1.平行结构和平行处理机制

从结构上来说，网络中的每一个单元都与上一层的单元以不同的权重相联结，构成一个平行的网络系统。从信息处理方式来看，每个单元都同时工作，不断的修改和调整联结单元之间的权重，最终达到稳定状态，得到输出。这种并行处理机制反映了大脑工作的特性。通过这种处理方式，网络就能对输入的信息快速反应并作出判断。

2.分布式表征

表征是指在实物不在的情况下重新指代这类实物的任何符号或符号集，心理表征处理所贮存知识的内容和形式[1]艾森克M W，基恩M T.认知心理学[M]. 高定国,等译.上海：华东师范大学出版社，2002:361-368..。人们可以通过一个背影或手势这样非常有限的信息认出一个人来，就是因为大脑具有联想或者直观的把储存在大脑中的知识和记忆结合起来的能力。联结主义就是模拟了人脑的这一特点，网络中的信息分散的表示和存储在每个单元及其之间的联结上，每个单元及其联结只表示一部分信息，而不是一个完整具体的概念。想要提取信息就要采用联想的方分，把分布在各个单元和其联结上的信息加以综合才能表达特定的概念或知识。

正如McClelland、Rumelhart 和Hinton 所说，“尤其内部表征是分布的，它是隐藏单元上的激活模式，任何重要的特殊单元都是没有含义的⋯集合中的单元群⋯作为个体没有特殊的含义。”Elman 也指出，“在整个隐藏单元上表述模式⋯观察单个单元的活动是无用的；它们甚至不对应于称之为微观特征的东西。

3.浮现特征

联结主义模式的一个核心思想就是规则具有“浮现特性”emergent properties）。也就是说，联结主义网络通过单元、激活、抑制、联结等特征能够有效地表征言语行为，而这种表征达到的有效程度使人觉得仿佛其背后有语法规则的支配。（沈家煊。2004） 规则本身不需要在系统中明确表征，但却通过网络学习，（即权重的调节）“浮现”而出。语法规则的浮现可以通过一个简单的例子来解释（Bates,1984）。语法规则的浮现就像蜜蜂构造的那个六角形蜂窝一样。每个蜜蜂从不同的角度挤进一点点蜂蜜，整体蜂窝的形状就自然形成了六角形。我破门说六角形的蜂窝就是“浮现特征”，却不需要假定每个蜜蜂都拥有一个制造六角形的规则系统 。语言的学习也是如此，单元之间通过联结权重的调节，把无数个单元上表征的信息加以综合，最终形成一个合乎规则的输出。这个规则并不是一开始就具有的，而是通过不停的输入，激活，再把输出与预期的正确输出加以对比，不断的调整权重，减少误差而来的。联结主义的浮现特征解释了语言的获得与语言材料之间本质的联系。因此也有研究者将联结主义称之为浮现主义（ emergentism）。

二。联结主义与二语习得中的输入与输出

联结主义认为，知识的学习过程就是学习分布表征的过程。也就是说，学习是通过调节单元与单元之间的关系来完成的，而单元与单元之间关系的调节又是通过调整单元之间的联结强度，即权重来实现的（李平，2002）。因此可以说，联结主义的学习就是连接权重的变化，是原来的联结消失而产生一种新的联结关系。或者说，联结主义所谓的学习就是对连接权重的适应性变化，通过联结权重的改变，使输出符合期望（贾林祥，2003）。

Rumelhart与McClland(1986)提出的英语过去时态的PDP模型，验证了联结主义网络对语法规则的学习呈现U-型学习效应。Li和MacWhinney(1999)模拟了联结主义网络学习隐形范畴的过程，揭示了网络对语义范畴的学习结果与对语法规则的学习结果非常的一致。即学习的过程就是语言材料中抽取特征的过程，通过特征获得规则，而不是直接学习规则。从实验我们可以看出，语言规则的获得是在不断的学习过程中表现出的一种浮现特征，这种浮现过程可以基于对大量输入语料的统计学习而获得。语言习得的过程是一个复杂的、非线性的、动态的系统。语言行为是语言使用者与他周围环境的交互作用下而产生的。规则系统就是在人、大脑、自我、社会和文化相互作用下通过不停的输入与输出的权重调节而浮现出来的。

由联结主义的学习观可以看出，二语习得中输入起着至关重要的作用，因为二语学习者在接收第二语言输入信息之前，网络单元间中已经有了第一语言长期学习和应用中形成的联结，因此想要习得第二语言，就得首先改变学习者头脑中固有的联结权重，形成适应第二语言规则的权重。也就是说，两种语言的分布特征和权重之间寻在着防守与竞争的关系。Meara(2006)认为双语者存在着“语言转换”，如果一种语言习得很快，就会导致另一种语言的钝化。这种转换是简单词汇网络的浮现特征，而不是固有的设计特征。也就是说学习者习得某一语言项目时，需要反复接触该项目的相关输入，才能加强联结中的权重，继而习得这一项目。Pallier（2003）等人的fMRI 实验表明了如果没有第一语言的制约作用，就不会表现出第二语言获得的困难。我们可以说，当输入的信息量达到一定的程度时，与其相应的输出模式就得到了相应的增长，第二语言的习得就是这样逐渐获得的。

我们也应该看到，第一语言不仅只对第二语言的习得有抑制的作用，学习者网络结构中的模式也会对二语的习得有一定的促进做用。当两种语言规则的分布模式比较相似，单元间联结权重一样的时候，学习者就不需要再花费更大的时间和精力去改变分布，形成新的联结了。例如, Bialystok 等人发现,与第一语言相似的第二语言句法结构的句法判断成绩可以达到母语者的水平。郭晶晶、陈宝国（2007）的实验表明，汉、英句法结构的相似性是影响英语句法加工的重要因素, 与汉语句法相似性越高的英语句法,加工得越容易, 句法判断的正确率越高。因此在我们以后的教学中，应当强化汉英两种语言的对比研究成果的应用，对两种语言中不同的规则要强化输入，只有输入的量积累到一定程度才能引起输出的质变，第二语言规则的掌握才能得以实现。对两种语言中相似的东西，则可以充分利用网络中已经形成的联结关系，激活相应的联结，加快相似规则的掌握。

同时我们也不应忽略语言学习中输出的作用。从联结主义的网络模型我们可以看到，网络在每次输入后都会经由内隐层形成一个相应的输出。一开始，因为输入的频率和输入量都不够，网络就无法形成正确网络联结和特征分布，因而也不能给出正确的输出。所以在第二语言学习的初期阶段，我们必须在网络输出之后，把它和正确输出加以比较，找出误差，再把这个结果反馈给网络。通过这样的不断反馈，网络就会对单元间的联结权重做出相应的调整。直到能够给出正确的输出。因此，语言学习中的输出能够对语言的学习产生积极的影响。Swan提出输出具有如下四个方面的作用：输出能引起学习者对语言问题的注意、输出能对目标语的结构和语义进行假设检验、输出具有元语言功能、输出能使目标语的表达成为自动化（卢仁顺，2002）。Chee 等人的fMRI 研究发现，在词汇加工和句子生成任务中均发现, 晚获得但熟练度很高的双语者在加工第二语言时的脑激活模式与加工第一语言时脑激活模式没有差异。这些说明第二语言的熟练度也是影响第二语言获得的一个重要的因素,只要被试加以足够的练习, 第二语言还是可以达到类似于母语的水平。Perani 等人的fMRI 研究发现, 听第一语言和第二语言时, 低熟练的双语者脑激活的区域不同, 但高熟练的被试无论获得年龄早晚, 脑区的激活没有差异, 这说明第二语言的熟练度对第二语言的最终获得程度具有决定性作用。因此在第二语言的习得中，通过强化输出，调节网络联结中的权重，使网络达到一种新的平衡，这样第二语言的输出就会尽可能的接近正确的输出，提高语言应用的准确性；同时，也可以通过不断的练习，不断提高语言使用的熟练度，进而促进第二语言的真正掌握。

可见，在第二语言的习得中，输入是基础，有了足够强度和足够频率的信息输入，网络才能形成新的联结和特征分布。但同时我们也不能忽视输出的重要性，有了足够的输出，网络才能在反馈信息的指导下，及时调整联结的权重，形成正确的分布，习得第二语言的规则系统

结语

联结主义网络模型正是因为模拟了大脑的结构和功能才具有了极强的学习能力。不断输入的信息在经过不同层次单元的处理后，形成一种对应于正确输出的联结及其权重，使学习达到了一种动态的平衡。只有通过不断的输入，网络才可以积累到足够的输入信息，发现其中的规律，形成正确的联结，掌握语言规则。同时，输出则可以提供能动的反馈，使联结的形成，权重的调整方向更加明确，加快规则的掌握，进而促进第二语言的习得。

参考文献：

（1）Bates, E. Bioprograms and the innateness hypothesis. behavioral and brain sciences, 1984, 7: 188- 190

（2）Becht el, W. & Abrahamsen, A. Connectionism and the Brain :An Introduction to Parallel

Distributed Processing in Networks [ M] .Cambridge, MA: Blackwell, 1991.

（3）Rumelhart, D. E. , Hint on, G. E. and Williams, R. J. L earning Internal Representation by Error Propagation[ A] . In McClelland, J .L.and Rumelhart , D. E. ( E ds. ) Parallel Distributed Processing Vol,I [ C] . Cambridge, MA: MIT Press, 1986. Vol, I : 318 -362.

（4）Rumelhart, D. & James L. McClelland, 1986. On learning the past tenses of English verbs[A]. In Rumelhart, et al. 1986, Vol. 2.

（5）艾森克M W，基恩M T.认知心理学[M]. 高定国,等译.上海：华东师范大学出版社，2002:361-368.

（6）崔刚，姚平平，联结主义引论，[J] 外语与外语教学， 2006（2）

（7）郭晶晶，陈宝国，浮现理论及其对第二语言获得年龄效应的新解释  [J] 心理科学， 2007，(2)

（8） 郭晶晶，陈宝国，汉、英句法结构相似性对英语句法加工的影响 [J] 心理科学，2009（2）

（9）贾林祥 一种新的学习和记忆理论：联结主义论学习和记忆[J]  宁波大学学报（教育科学版），2002，（6）

（10）李平， 语言习得的联结主义模式，[J] 当代语言学 ，2002（3）

（11）卢仁顺，“输出假设”研究对我国英语教学的启示，[J] 外语与外语教学，2002（4）

（12）沈家煊，人工智能中的“联结主义”和语法理论[J] 外国语，2004 （3）