Similarity-based interference and faulty encoding accounts of sentence processing

Interferenzmodelle vs. fehlerhafte Enkodierungsansätze von Satzverarbeitung

  • The goal of this dissertation is to empirically evaluate the predictions of two classes of models applied to language processing: the similarity-based interference models (Lewis & Vasishth, 2005; McElree, 2000) and the group of smaller-scale accounts that we will refer to as faulty encoding accounts (Eberhard, Cutting, & Bock, 2005; Bock & Eberhard, 1993). Both types of accounts make predictions with regard to processing the same class of structures: sentences containing a non-subject (interfering) noun in addition to a subject noun and a verb. Both accounts make the same predictions for processing ungrammatical sentences with a number-mismatching interfering noun, and this prediction finds consistent support in the data. However, the similarity-based interference accounts predict similar effects not only for morphosyntactic, but also for the semantic level of language organization. We verified this prediction in three single-trial online experiments, where we found consistent support for the predictions of the similarity-basedThe goal of this dissertation is to empirically evaluate the predictions of two classes of models applied to language processing: the similarity-based interference models (Lewis & Vasishth, 2005; McElree, 2000) and the group of smaller-scale accounts that we will refer to as faulty encoding accounts (Eberhard, Cutting, & Bock, 2005; Bock & Eberhard, 1993). Both types of accounts make predictions with regard to processing the same class of structures: sentences containing a non-subject (interfering) noun in addition to a subject noun and a verb. Both accounts make the same predictions for processing ungrammatical sentences with a number-mismatching interfering noun, and this prediction finds consistent support in the data. However, the similarity-based interference accounts predict similar effects not only for morphosyntactic, but also for the semantic level of language organization. We verified this prediction in three single-trial online experiments, where we found consistent support for the predictions of the similarity-based interference account. In addition, we report computational simulations further supporting the similarity-based interference accounts. The combined evidence suggests that the faulty encoding accounts are not required to explain comprehension of ill-formed sentences. For the processing of grammatical sentences, the accounts make conflicting predictions, and neither the slowdown predicted by the similarity-based interference account, nor the complementary slowdown predicted by the faulty encoding accounts were systematically observed. The majority of studies found no difference between the compared configurations. We tested one possible explanation for the lack of predicted difference, namely, that both slowdowns are present simultaneously and thus conceal each other. We decreased the amount of similarity-based interference: if the effects were concealing each other, decreasing one of them should allow the other to surface. Surprisingly, throughout three larger-sample single-trial online experiments, we consistently found the slowdown predicted by the faulty encoding accounts, but no effects consistent with the presence of inhibitory interference. The overall pattern of the results observed across all the experiments reported in this dissertation is consistent with previous findings: predictions of the interference accounts for the processing of ungrammatical sentences receive consistent support, but the predictions for the processing of grammatical sentences are not always met. Recent proposals by Nicenboim et al. (2016) and Mertzen et al. (2020) suggest that interference might arise only in people with high working memory capacity or under deep processing mode. Following these proposals, we tested whether interference effects might depend on the depth of processing: we manipulated the complexity of the training materials preceding the grammatical experimental sentences while making no changes to the experimental materials themselves. We found that the slowdown predicted by the faulty encoding accounts disappears in the deep processing mode, but the effects consistent with the predictions of the similarity-based interference account do not arise. Independently of whether similarity-based interference arises under deep processing mode or not, our results suggest that the faulty encoding accounts cannot be dismissed since they make unique predictions with regard to processing grammatical sentences, which are supported by data. At the same time, the support is not unequivocal: the slowdowns are present only in the superficial processing mode, which is not predicted by the faulty encoding accounts. Our results might therefore favor a much simpler system that superficially tracks number features and is distracted by every plural feature.show moreshow less
  • Das Ziel dieser Dissertation ist es, die Vorhersagen zweier Klassen von Modellen, die in der Sprachverarbeitung Anwendung finden, empirisch zu evaluieren: die Interferenzmodelle (Lewis & Vasishth, 2005; McElree, 2000) und die Gruppe der Ansätze, die wir als fehlerhafte Enkodierungsansätze bezeichnen werden (Eberhard, Cutting, & Bock, 2005; Bock & Eberhard, 1993). Beide Arten von Modellen machen Vorhersagen bezüglich der Verarbeitung derselben Klassen von Strukturen: Sätze, die neben einem Subjekt und einem Verb auch ein (interferierendes) Substantiv, das aber kein Subjekt ist, enthalten. Beide Ansätze machen die gleiche Vorhersage für die Verarbeitung von ungrammatischen Sätzen, in denen ein zusätzliches, nicht im Numerus übereinstimmendes Substantiv interferiert. Diese Vorhersage findet konsistente Unterstützung in den Daten. Die Interferenzmodelle sagen jedoch ähnliche Effekte nicht nur für die morphosyntaktische, sondern auch für die semantische Ebene der Sprachorganisation voraus. Wir überprüften diese Vorhersage in dreiDas Ziel dieser Dissertation ist es, die Vorhersagen zweier Klassen von Modellen, die in der Sprachverarbeitung Anwendung finden, empirisch zu evaluieren: die Interferenzmodelle (Lewis & Vasishth, 2005; McElree, 2000) und die Gruppe der Ansätze, die wir als fehlerhafte Enkodierungsansätze bezeichnen werden (Eberhard, Cutting, & Bock, 2005; Bock & Eberhard, 1993). Beide Arten von Modellen machen Vorhersagen bezüglich der Verarbeitung derselben Klassen von Strukturen: Sätze, die neben einem Subjekt und einem Verb auch ein (interferierendes) Substantiv, das aber kein Subjekt ist, enthalten. Beide Ansätze machen die gleiche Vorhersage für die Verarbeitung von ungrammatischen Sätzen, in denen ein zusätzliches, nicht im Numerus übereinstimmendes Substantiv interferiert. Diese Vorhersage findet konsistente Unterstützung in den Daten. Die Interferenzmodelle sagen jedoch ähnliche Effekte nicht nur für die morphosyntaktische, sondern auch für die semantische Ebene der Sprachorganisation voraus. Wir überprüften diese Vorhersage in drei Online-Experimenten, in denen wir konsistente Unterstützung für die Vorhersagen des Interferenzmodells fanden. Darüber hinaus berichten wir über computergestützte Simulationen, die Interferenzansätze weiter unterstützen. Die kombinierte Evidenz deutet darauf hin, dass die fehlerhaften Enkodierungsansätze nicht erforderlich sind, um das Verständnis von schlecht geformten Sätzen zu erklären. Für die Verarbeitung von grammatikalischen Sätzen machen die Modelle widersprüchliche Vorhersagen. Weder die Verlangsamung, die von dem Interferenzmodell vorhergesagt wird, noch die komplementäre Verlangsamung, die von den fehlerhaften Enkodierungsansätzen vorhergesagt wird, wurden systematisch beobachtet. Die Mehrheit der Studien fand keinen Unterschied zwischen den verglichenen Konfigurationen. Wir haben eine mögliche Erklärung für das Fehlen des vorhergesagten Unterschieds getestet, nämlich, dass beide Verlangsamungen gleichzeitig vorhanden sind und sich somit gegenseitig verdecken. Wir haben die Stärke der ähnlichkeitsbasierten Interferenz verringert: Wenn sich die Effekte gegenseitig verdecken, sollte die Verringerung eines der Effekte den anderen an die Oberfläche kommen lassen. Überraschenderweise fanden wir in drei Online-Experimenten mit einer größeren Stichprobe durchweg die Verlangsamung, die durch die fehlerhaften Enkodierungsansätze vorhergesagt wurde, aber keine Effekte, die mit dem Vorhandensein von inhibitorischer Interferenz übereinstimmen. Das Gesamtmuster der Ergebnisse, das über alle in dieser Dissertation berichteten Experimente hinweg beobachtet wurde, stimmt mit früheren Erkenntnissen überein: Vorhersagen der Interferenzmodelle für die Verarbeitung von ungrammatischen Sätzen erhalten konsistente Unterstützung, aber die Vorhersagen für die Verarbeitung von grammatischen Sätzen sind nicht immer zutreffend. Aktuelle Vorschläge von Nicenboim et al. (2016) und Mertzen et al. (2020) legen nahe, dass Interferenzen nur bei Personen mit hoher Arbeitsgedächtniskapazität oder im tiefen Verarbeitungsmodus auftreten könnten. Diesen Vorschlägen folgend, testeten wir, ob Interferenzeffekte von der Verarbeitungstiefe abhängen könnten: wir manipulierten die Komplexität der Trainingssätze, die den grammatikalischen Experimentalsätzen vorausgingen, während wir an den Experimentalsätzen selbst keine Änderungen vornahmen. Wir fanden heraus, dass die Verlangsamung, die von den fehlerhaften Enkodierungsansätzen vorhergesagt wurde, im tiefen Verarbeitungsmodus verschwindet, aber die Effekte, die mit den Vorhersagen des Interferenzansatzes übereinstimmen, treten nicht auf. Unabhängig davon, ob ähnlichkeitsbasierte Interferenzen im tiefen Verarbeitungsmodus auftreten oder nicht, legen unsere Ergebnisse nahe, dass die fehlerhaften Enkodierungsansätzen nicht verworfen werden können, da sie einzigartige Vorhersagen in Bezug auf die Verarbeitung grammatikalischer Sätze machen, die von den Daten unterstützt werden. Gleichzeitig ist die Unterstützung nicht eindeutig: Die Verlangsamungen sind nur im oberflächlichen Verarbeitungsmodus vorhanden, was von den fehlerhaften Enkodierungsansätzen nicht vorhergesagt wird. Unsere Ergebnisse könnten daher für ein viel einfacheres System sprechen, das vordergründig Numerusmerkmale berücksichtigt und von jedem Pluralmerkmal abgelenkt wird.show moreshow less

Download full text files

  • SHA-512:51229f2ba05244d5791ee6a3388e5f0dd6559896b1d96dc6fc5b892a5bca1487896e04850286e6fc76e2ab060d1d1ab7d73479e2cc33a61656fa788cdc224e9b

Export metadata

Metadaten
Author details:Anna LaurinavichyuteORCiDGND
URN:urn:nbn:de:kobv:517-opus4-509669
DOI:https://doi.org/10.25932/publishup-50966
Reviewer(s):Shravan VasishthORCiDGND, Dan Parker
Supervisor(s):Shravan Vasishth, Titus Raban von der Malsburg
Publication type:Doctoral Thesis
Language:English
Date of first publication:2021/07/13
Publication year:2021
Publishing institution:Universität Potsdam
Granting institution:Universität Potsdam
Date of final exam:2021/06/08
Release date:2021/07/13
Tag:ACT-R; Kognitive Modellierung; Satzverarbeitung; Vereinbarung; die Interferenzmodelle; fehlerhafte Vereinbarung
ACT-R; agreement attraction; cognitive modeling; morphosyntactic agreement; sentence comprehension; sentence processing; similarity-based interference
Number of pages:237
RVK - Regensburg classification:CP 4000, ER 985, CP 2500
Organizational units:Humanwissenschaftliche Fakultät / Strukturbereich Kognitionswissenschaften / Department Linguistik / Psycholinguistics and Neurolinguistics
DDC classification:4 Sprache / 41 Linguistik / 410 Linguistik
License (German):License LogoCC-BY - Namensnennung 4.0 International
Accept ✔
This website uses technically necessary session cookies. By continuing to use the website, you agree to this. You can find our privacy policy here.