Estimadores computacionales de la predicción humana durante la lectura

Abstract

El estudio de los movimientos oculares es de gran interés para la neurociencia, ya que reflejan procesos cognitivos que subyacen a la ejecución de cualquier tarea visual, en particular a la lectura. Una variable muy importante que determina estos movimientos es la Predictibilidad. Esta variable representa la predicción que va haciendo el lector sobre la palabra que viene a continuación. Actualmente, en campos como la neurolingüística, esta variable no se estima a partir del texto sino de las respuestas de otros lectores completando la palabra que sigue a un contexto dado. En paralelo, el desarrollo del campo de procesamiento de lenguaje natural ha tenido estimar este tipo de predicciones de manera automática como una de sus metas. Uno de los ejemplos más simples y a la vez más exitosos son los n-grams. Donde la probabilidad de predecir una palabra se construye a partir de la aparición del contexto en un corpus grande de texto, que representa el conocimiento del lenguaje que tiene el lector. Este modelo puede extenderse utilizando el texto recientemente leído para actualizar dichas probabilidades (cache n-gram). En este trabajo se propone estimar la predictibilidad de una palabra de forma automática a partir de distintas variantes de modelos de lenguaje. Para nuestro conjunto de datos mostramos que la nueva predictibilidad autom´atica es igual de efectiva que la predictibilidad humana para explicar los movimientos oculares, siendo mucho m´as sencilla, barata y rápida de obtener por no requerir experimentos que involucren una gran cantidad de personas.