On the dissociation of structural and linear operations in sentence processing - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

On the dissociation of structural and linear operations in sentence processing

Sur la dissociation des opérations structurelles et linéaires dans le traitement des phrases

Résumé

This thesis seeks to answer an open question in the field of language processing and comprehension: Is language a phenomenon based on statistical regularities, such as transition probabilities, or is it a phenomenon deeply rooted in a uniquely human ability to represent nested, symbolic structures? This question essentially contrasts two distinct mechanisms of language processing. The first mechanism is attributed to probabilistic modeling at the sequence level, and presupposes no structural bias (linear mechanism), whereas the second is sensitive to the syntactic structure of the sentence (structural mechanism). Evidence from previous studies on human, non-linguistic sequence processing, and artificial neural language models, suggests that these two mechanisms might co-exist, however, for language processing, their isolation remains a challenge. To disentangle the two mechanisms, we created a new design that utilizes the classical psycholinguistic phenomenon of subject-verb agreement, and in particular, the modulation of this agreement in the presence of a noun that does not intervene structurally with the agreement configuration (attractor). To identify neural correlates of these mechanisms, we analyzed data collected from two neuroimaging, and one online-behavioral experiment. Additionally, we employed comparisons between human subjects and deep neural networks, to draw a comparative picture between two systems that are assumed to have a different underlying language apparatus.
Cette thèse cherche à répondre une question ouverte dans le domaine du traitement et de la compréhension du langage: le langage est-il un phénomène basé sur des régularités statistiques, telles que les probabilités de transition, ou est-ce un phénomène enraciné dans une capacité humaine unique à représenter des structures imbriquées et symboliques ? Cette question met essentiellement en contraste deux mécanismes distincts du traitement du langage. Le premier mécanisme est attribué à la modélisation probabiliste au niveau de la séquence et il ne présuppose aucun biais structurel (ci-après mécanisme linéaire), tandis que le deuxième est sensible à la structure syntaxique de la phrase (ci-après mécanisme structurel). Les preuves d'études antérieures sur le traitement des séquences humaines non linguistiques et des modèles de langage neuronal artificiel suggèrent que ces deux mécanismes pourraient coexister, mais pour le traitement du langage, leur isolement reste un défi. Pour démêler les deux mécanismes, nous avons créé un nouveau design qui utilise le phénomène psycholinguistique classique de l'accord sujet-verbe, et en particulier, la modulation de cet accord en présence d'un nom qui n'intervient pas structurellement avec la configuration de l'accord (ci-après attracteur). Pour identifier les corrélats neuronaux de ces mécanismes, nous avons analysé les données recueillies à partir de deux expériences de neuro-imagerie et d'une expérience comportementale en ligne. De plus, nous avons utilisé des comparaisons entre des sujets humains et des réseaux de neurones profonds pour construire un tableau comparatif entre deux systèmes supposés avoir un appareil linguistique sous-jacent différent.

Domaines

Neurosciences
Fichier principal
Vignette du fichier
ZACHAROPOULOS_these_2022.pdf (19.44 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04520984 , version 1 (26-03-2024)

Identifiants

  • HAL Id : tel-04520984 , version 1

Citer

Christos-Nikolaos Zacharopoulos. On the dissociation of structural and linear operations in sentence processing. Neuroscience. Sorbonne Université, 2022. English. ⟨NNT : 2022SORUS040⟩. ⟨tel-04520984⟩
0 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More