ASP在二语习得中的应用：形式化输入加工理论

2.1. 答案集编程 (ASP)

ASP是一种基于逻辑编程的稳定模型（答案集）语义的声明式编程范式。它擅长表示默认推理、不完全信息和动态领域——这些是模拟人类认知过程的核心特征。ASP中的规则形式为：head :- body.，其中若主体得到满足，则头部为真。默认情况可以使用否定即失败 (not) 来优雅地表示。

2.2. 输入加工理论

由VanPatten提出的IP理论认为，第二语言学习者，尤其是初学者，由于加工资源（工作记忆）有限和语法知识不完整，会使用一套默认启发式方法从输入中提取意义。一个关键原则是首名词原则：学习者倾向于将施事/主语角色分配给他们在一个句子中遇到的第一个名词或代词。这会导致系统性的误解，例如将被动句“The cat was bitten by the dog”误解为“The cat bit the dog”。

3.1. 默认策略建模

IP原则被编码为ASP规则。例如，首名词原则可以表示为一个默认规则，当由于资源限制而未能处理语法线索（如被动语态标记）时适用：

% 默认：将施事角色分配给第一个名词
assign_agent(FirstNoun, Event) :-
    sentence_word(FirstNoun, Position1, Noun),
    sentence_word(Verb, Position2, VerbLex),
    Position1 < Position2,
    event(Event, VerbLex),
    not processed(grammatical_cue(passive, Verb)),
    not overridden_by_grammar(Event).

not processed(...) 条件捕捉了资源限制，使得该规则成为非单调的。

3.2. 表征学习者知识与资源

该模型整合了学习者状态的动态表征：

• 词汇知识： 诸如 knows_word(learner, 'dog', noun, animal). 的事实。
• 语法知识： 内化的规则（例如，关于被动语态的规则）。
• 加工资源： 建模为限制在给定句子中可以同时处理的语法特征数量的约束。

默认策略与习得的语法知识之间的相互作用通过规则优先级或取消规则进行建模。

4.1. 系统架构

PIas（Processing Input as a System）是一个原型系统，它以英语句子和学习者档案（近似熟练度水平、已知词汇/语法）作为输入。它使用形式化的ASP模型来生成一个或多个预测的解读（答案集）。

4.2. 实验预测与验证

本文展示了系统对经典示例的输出。对于被动句“The cat was bitten by the dog”和一个初学者档案：

• 预测解读1（默认）： 施事=猫，动作=咬，受事=狗。（错误的主动语态解读）。
• 正确解读的条件： 只有当学习者档案包含已处理的被动语态形态知识 (processed(grammatical_cue(passive, 'bitten'))) 时，模型才会预测出正确的被动语态解读，从而覆盖默认规则。

这些计算预测与SLA研究中的实证观察结果一致，验证了模型的表面效度。这种形式化还揭示了自然语言理论中潜在的模糊性，提出了改进建议。

5.1. 核心逻辑形式体系

模型的核心可以使用逻辑约束进行抽象。令 $L$ 为学习者的知识状态，$S$ 为输入句子，$R$ 为可用加工资源。一个解读 $I$ 是一组语义角色和关系。IP理论 $T$ 定义了一个受默认规则 $D$ 约束的映射函数 $F_T$：

$I = F_T(S, L, R) \quad \text{subject to} \quad \sum_{g \in G(S)} \text{cost}(g) \leq R$

其中 $G(S)$ 是 $S$ 中语法特征的集合，$\text{cost}(g)$ 是处理 $g$ 的认知负荷。如果 $g \notin \text{processed}(L, R, S)$，则默认规则 $D$ 适用。

5.2. 分析框架示例

案例分析：不同句法结构中的首名词原则。

输入： “The book was given to Mary by John.”（含双及物动词的复杂被动句）。
学习者档案： 初学者；认识单词‘book’、‘give’、‘Mary’、‘John’；未处理被动语态形态或与格结构。
ASP模型执行：
1. 词汇检索：BOOK, GIVE, MARY, JOHN。
2. 对被动语态（‘was given’）和间接宾语（‘to Mary’）的语法处理失败。
3. 默认首名词原则触发：BOOK被分配施事角色。
4. 默认线性顺序策略：序列被解读为施事-动作-接受者-？（JOHN的角色是模糊的）。
预测输出： 可能出现多个答案集，例如 {agent(BOOK), action(GIVE), recipient(MARY), other_participant(JOHN)}，导致诸如“书给了玛丽某物（约翰也参与其中）”的混乱解读。这精确定位了学习者可能产生混淆的具体领域，教师可以针对此进行教学。