猴对语法的敏感

恒河猴对人工语法表现出元认知敏感性

Rohini Murugan, Angelle Antoun,

Kathleen J. Bostick, Tristan S. Correa,

Benjamin Wilson

简介：Murugan等人将人工语法实验与恒河猴的元认知范式相结合，发现猴子在回答正确时会“押注”更多时间，而在会出错的试验中则会提前中止。这表明非人灵长类动物在与语言相关的任务中具有元认知意识。

亮点

·猴子完成了一项结合元认知范式的人工语法任务

·猴子在正确回答时会坚持并“押注”更多时间

·押注时间揭示了猴子对人工语法的元认知敏感性

·在与语言相关的任务中，人类在元认知觉知方面并非独有

摘要

人类语言，以及更广泛的认知，由两个相互作用的系统所支撑：一个快速且自动化运作的内隐系统，以及一个允许对知识进行意识访问的外显系统。虽然语法规则最初是内隐习得的，但外显觉知会随着时间发展，以支持错误监控和更灵活的学习。至关重要的是，即使是前语言阶段的婴儿也表现出元认知（metacognition），即对其内部认知状态的敏感性。因此，这种形式的元认知可能代表了人类所见更外显表征的一种发育上的，乃至可能是进化上的前体。事实上，已有研究表明，非人动物在知觉（perceptual）和工作记忆任务中具有元认知敏感性。此外，人工语法学习范式已经证明，非人动物可以学习语言语法规则的简单类似物。在此，我们将人工语法范式与非人灵长类动物的元认知敏感性测试相结合。六只恒河猴（rhesus macaques）被呈现了符合不同人工语法的三组静态视觉刺激序列，并被要求既选择“正确”的序列，又要维持其反应（触摸屏幕上的刺激）一段可变等待时间（5-12秒）以获得奖励。猴子在正确反应后的等待时间显著长于错误反应后，这证明了它们在进行人工语法任务时表现出元认知敏感性。

结果与讨论

人类语言由一套可能并非语言所特有的认知机制所支持，每种机制都有其自身的进化历史。人工语法学习范式（artificial grammar learning paradigms）最初是为了模拟人类语言句法的某些方面而开发的，现已被用于证明-构成人类语言网络一部分的认知过程甚至神经系统也与非人灵长类动物共享，从而为我们提供了关于语言进化基础的信息。

人类婴儿在生命的最初几个月就开始习得支撑语言的语法规则。这种早期习得似乎很大程度上依赖于自动运作且无需意识觉知的内隐学习机制。然而，随着时间的推移，至少部分知识变得可以外显访问，从而允许对语法规则进行可报告的理解。但是，即使在发展出允许口头报告的语言官能之前，前语言阶段的婴儿就已表现出元认知的证据。因此，元认知敏感性甚至可以在没有外显和口头报告知识能力的情况下出现。为了区分这些过程，在婴儿中观察到的元认知形式被称为内隐元认知或系统I元认知（implicit metacognition or system I metacognition）。这与外显的、可言语化的知识（称为外显元认知或系统II元认知，explicit metacognition or systemII metacognition）相关但不同。这些元认知能力在整个童年期的发展，例如在2-3岁儿童中通过错误监控和支持的泛化（errormonitoringand supporting generalization），继续促进进一步的语言习得和能力，这强调了元认知在语言持续发展中的重要性。

然而，尽管元认知敏感性似乎是人类语言习得中的关键组成部分，但关于非人动物对语言相关过程的元认知敏感性的研究却很少，尽管有证据表明它们能够学习人工语法。据我们所知，尚无研究成功地在非人动物的人工语法学习任务中识别出元认知敏感性。事实上，长期以来人们一直认为，在动物中，人工语法学习是内隐发生的，部分原因是通常用于评估人类外显觉知的方法（如口头报告和置信度判断）不易应用于非人动物。因此，动物对类语法规则的元认知敏感性在很大程度上仍未被探索。然而，如同前语言阶段的婴儿一样，非人灵长类动物已被证明在知觉和工作记忆领域具有元认知能力，因此它们有可能在人工语法学习任务中获得元认知敏感性。

在此，我们探究猴子是否在人工语法任务中表现出元认知敏感性。我们开发了一种新方法，将人工语法实验与基于等待或“押注（wagering）”时间范式的元认知测量相结合。六只恒河猴完成了一项三选一强迫选择的人工语法任务（以下简称主任务primary task，用于评估人工语法知识）。它们以视觉刺激序列被呈现在触屏上，这些序列基于三种人工语法规则（“AAB”、“ABA”和“BAA”；STAR方法），针对每只猴子，其中一种（例如ABA）被指定为“正确规则”。鉴于猴子之前已接受过主任务版本的训练，如预期的那样，所有六只猴子都表现得非常出色，选择正确刺激序列的比例显著高于机会水平（33%），无论是在个体水平（卡方检验，所有情况下p<0.0001；表1）还是群体水平（单样本t检验，均值 ±标准误：0.81±0.04， t5=13.83， p<0.001），表明它们已经学会了选择符合正确语法的序列。

至关重要的是，猴子被训练去选择，然后继续按住所选序列保持一段可变的时间（5-12秒；STAR方法）。在整个等待期间维持其反应的行为被称为次任务（secondary task），它测量关于主人工语法任务的元认知敏感性。如果猴子具有元认知敏感性，它们应该愿意在选择了正确刺激（例如ABA）的试验中，比在做出错误反应（AAB或BAA）的试验中等待更长的时间（实际上，是押注更多的时间）。相反，如果猴子没有元认知能力，我们预期无论它们在人工语法任务中的准确性如何，等待持续时间都相似。为了检验这一假设，我们以四种不同方式分析了数据。首先，在群体水平上，我们比较了猴子在正确和错误试验中的平均等待持续时间。猴子在正确试验中的等待时间显著长于错误试验（正确试验的押注时间：均值±标准误 =5.40±0.39 秒；错误试验：均值 ±标准误 =4.42±0.59 秒；配对样本t检验：t5=3.61， p=0.015；图1B）。其次，我们测试了猴子在主任务中的表现是否能预测其押注时间。我们运行了两个线性混合效应（LME）模型（见STAR方法），以押注时间作为因变量。我们运行了一个全模型，以主任务表现作为固定因子，猴子身份作为随机因子，以考虑个体间变异性。我们还运行了一个简化模型，仅以猴子身份作为随机因子。为了评估主任务表现是否对预测等待时间有显著贡献，我们比较了全模型和简化模型的赤池信息准则（Akaike Information Criterion ，AIC）值。全模型的表现显著优于简化模型（对数似然比检验：χ2=749.01，p<0.001；简化模型的AIC =99.295；全模型的AIC =98.548），表明全模型（包含主任务表现）在预测押注时间方面优于简化模型。此外，在全模型中，押注时间受主任务表现显著预测（表2；估计值 ± 标准误：0.506±0.036， t=14.13， p<0.001），这与该任务中的元认知敏感性一致。第三，为了在个体水平上检验我们的假设，我们还进行了置换检验，结果显示六只猴子中有五只在正确反应时的押注时间显著长于错误反应时（每种情况下p<0.001），第六只猴子显示出接近显著的趨勢（p=0.07，表1；图1C）。最后，我们使用双样本Kolmogorov-Smirnov（K-S）检验比较了每只猴子在正确和错误试验中的押注时间分布。对于所有六只猴子，我们发现这些分布存在显著差异（所有情况下p<0.01，表1）。虽然我们使用K-S检验来比较分布，但我们注意到这些检验未考虑重复测量。此外，我们还对每只猴子进行了双样本Anderson-Darling检验，据报道该检验在某些条件下更合适。这些分析完全重复了上述结果（所有情况下p<0.01，表1）。然而，尽管具有这种一致性，我们对K-S检验和Anderson-Darling检验的结果都持谨慎态度，并主要依赖混合效应模型和置换检验，这些方法适当地考虑了受试者水平的变异性。

基于先前的研究，我们通过分析两个试验子集进一步探究了数据：猴子在所需等待时间结束前释放触摸的试验（中止试验）和“捕获试验”（占试验的10%），后者仅在猴子释放触摸时才结束，因此猴子理论上可以等待无限长的时间（见STAR方法）。我们运行了上述相同的分析，并在两个试验子集中都发现了类似的结果。基于置换检验，所有六只猴子在中止试验中的押注时间均显示出显著差异（表S1和表S2；图S1），六只猴子中的三只在捕获试验中显示出这种效应（表S1和表S2；图S1）。注意，这些分析必然包含比上述主要分析更少的数据，因此检验效能较低，这解释了较小的效应量。此外，使用LME模型，在这两种条件下，全模型预测押注时间的效果都优于简化模型，并且主任务表现（选择正确的刺激序列）显著预测了押注时间（表S2）。最后，使用配对样本t检验的群体水平分析也显示，平均而言，在中止试验中，猴子在正确试验中的押注时间多于错误试验（正确试验的押注时间：均值 ±±标准误 =2.48±0.22秒；错误试验：均值 ±标准误 =1.60±0.18 秒；配对样本t检验： t5=5.36， p=0.0030）。然而，对于捕获试验，这种效应未达到统计学显著性，但显示出预期方向的趋势（正确试验的押注时间：均值 ±标准误 =9.35±1.28 秒；错误试验：均值 ±标准误 =7.79±1.57秒；配对样本t检验： t5=1.93， p=0.1122）。

综上所述，来自完整数据集以及中止试验和捕获试验的所有这些结果表明，猴子在准确反应时等待时间更长，证明了恒河猴在此人工语法任务中具有元认知敏感性。

二十多年来，在语言进化领域，人们对理解非人动物能够学习哪些类型的人工语法一直有着浓厚的兴趣。然而，关于动物如何学习它们，以及动物在这些任务中是否可能对其自身知识有任何“元认知”访问的研究却少得多。部分原因在于，研究动物如何学习人工语法的障碍是，大多数用于评估人类人工语法学习任务中外显学习的方法都依赖于口头报告，而非人动物无法实现。因此，开发允许我们评估非人动物元认知敏感性的方法，代表着一种重要且及时的创新，有助于更好地理解人类和其他物种在语言相关认知能力上的异同。

本研究旨在探究猕猴关于简单人工语法的知识是否可用于元认知。为实现此目的，我们将先前开发的人工语法学习任务（基于Marcus等人、Spierings和Ten Cate以及Murphy等人的研究）与基于押注时间的元认知敏感性测量相结合（受Cai等人和Lak等人研究的启发）。在这项研究中，我们发现猴子在正确反应的试验中，无论是在群体水平还是个体水平，都显著等待了更长时间（押注了更多时间），这表明猴子在人工语法任务中对其决策表现出了元认知敏感性。这表明在此类人工语法任务中对表现的元认知监控可以出现在非人动物中，因此并非人类语言所独有。

尽管我们的结果表明猴子对它们在本实验中所做的决策表现出了元认知敏感性，但重要的是要注意，猴子是使用差别强化方法进行训练和测试的，并且因正确反应而获得奖励。相比之下，非人灵长类动物（以及人类婴儿）中的大多数人工语法学习实验依赖于内隐测试方法（例如，习惯化/去习惯化任务），在这些任务中，参与者被动地接触序列，并且无需明确反应即可推断学习情况。然而，操作性训练方法在鸟类和啮齿动物的人工语法学习研究中很常见（go/no-go范式），并且最近已成功用于猴子（系列回忆范式）。此外，本实验的目标是探究猴子是否具有在人工语法范式背景下进行元认知敏感性的认知能力，并且我们发现了与这种解释一致的证据。如果使用更被动的方法进行测试，猴子是否可能依赖更内隐的系统仍然是一个悬而未决的问题。我们希望我们的研究能鼓励未来对其它动物如何学习和表征类语言规则性，以及这些过程与人类的相似或不同之处进行探究。

先前证明非人动物具有元认知敏感性的比较研究经常受到挑战，人们提出了可能的联想解释，例如反应竞争、行为关联和刺激关联。尽管这些替代解释并不能明确排除动物真正依赖元认知过程的可能性，但在某些研究中，非元认知解释至少可以解释部分效应仍有可能。例如，在某些研究中，动物被呈现一个主任务（例如，知觉辨别），同时有机会选择一个“退出”反应，该反应会带来少量、有保证的奖励。如果动物在知觉辨别困难时更频繁地选择退出，这将与动物表现出元认知一致。然而，困难的试验可能与较低的准确性同时发生，这意味着退出反应的价值在困难试验中不成比例地增加。因此，动物可能优先退出困难试验并非由于元认知，而仅仅基于过去的奖励历史。由于我们的范式在每次试验中都要求一个主反应，并且不提供退出的机会，因此这种解释不能轻易解释我们的结果。同样，动物可能使用行为线索（例如，自身反应的速度）来做出其次级决策。例如，如果某个试验特别困难，那么动物可能反应得更慢，进而可能根据这种反应潜伏期来做出其次级的、推定的元认知反应。同样，这将产生与元认知解释一致的行为，而无需动物访问其自身的内部认知状态。再次，在我们的数据中，正确和错误反应之间的反应时间没有显著差异（图S2），这表明猴子不可能以这种方式将反应时间用作行为线索。

最后，在过去二十年中，自最初的批评提出以来，比较元认知研究已经提供了大量证据，证明非人动物在多个领域表现出元认知敏感性。因此，有人认为，即使可以产生有效的非元认知解释，鉴于猴子能够思考其自身的内部状态，将其行为归因于元认知而非其他相关机制可能更为简洁。因此，我们认为有理由得出结论，我们的数据代表了猕猴在人工语法范式中具有元认知敏感性的证据。

在本研究中，我们证明了猴子在人工语法任务中对其决策具有元认知敏感性。然而，重要的是要注意这些任务中可能产生的不同类型元认知知识之间的区别。我们的数据表明，猴子对于何时犯错与何时正确反应具有元认知敏感性。在人类文献中，这被描述为“判断知识（judgment knowledge）”。然而，这并不一定意味着猴子对人工语法背后的规则具有元认知表征。这被称为“结构知识（structural knowledge）”。这在某种程度上类似于人类知道一个句子是合乎语法的（判断知识）与知道一个句子为何合乎语法（结构知识）之间的区别。从这个意义上说，这些发现与系统I元认知的论述一致，该元认知在不需要完全外显的、可报告的知识的情况下运作。注意，猕猴在本实验中确实有可能获得了结构知识，但本实验不足以明确证明这一点，这也不是我们的目标。此外，针对人类的研究得出结论，参与者获得了内隐知识，而没有直接检验这种区别，即使进行了检验，更常见的也只是评估判断知识，而非结构知识。

我们的结果不仅表明恒河猴能够学习语言相关规则和进行元认知，而且还提供了这两种认知系统在猴子中整合的证据，从而修正了当前关于元认知过程如何与跨物种语言相关认知相关联的观点。

图1. 方法与结果

（A）试验设计和刺激：每次试验开始时，屏幕上呈现三个刺激序列（彩色方块），每个序列遵循一个抽象规则（AAB、BAA和ABA；在此示例中，ABA是正确规则）。序列呈现后，猴子通过触摸三个序列之一来做出其主反应。一旦做出反应，猴子必须继续保持其触摸直到试验所需的等待时间结束。猴子保持触摸的持续时间是其二级决策，被称为“押注时间”。仅当猴子选择了正确的刺激序列（主任务）并在整个试验所需等待时间（次任务，i）内保持触摸时，该试验才被视为正确。如果猴子做对了试验，它将获得一个灵长类动物饲料颗粒、一个绿色屏幕和一声“叮”的提示音作为奖励。然而，如果猴子在所需等待时间结束前释放了触摸（ii和iii），或者如果它选择了错误的刺激序列，无论等待了多长时间，该试验都被视为不正确（iii和iv）。在这种情况下，猴子不会获得食物奖励，而是会看到一个红色屏幕、一声蜂鸣提示音和一个5秒的暂停期，在此期间屏幕保持红色。

（B）正确和错误试验中的平均押注时间。图中绘制了所有猴子和所有试验中正确（蓝色条）和错误（橙色条）试验的平均押注时间。平均而言，猴子在主任务正确时的试验中等待时间更长，而在反应错误时过早中止试验的时间显著更早（描述性统计见表1，中止试验和捕获试验的结果见图S1）。每个灰色圆圈代表一只猴子的数据。误差线表示平均值的标准误。* 表示p<0.05

（C）个体押注时间分布。所有六只猴子在正确试验（蓝色）和错误试验（橙色）中的押注时间分布。所需等待时间的范围落在粉色矩形内。在所有猴子中，两种押注时间分布之间存在显著差异，错误反应的分布偏向于较短的押注时间（橙色，“早期中止”），而正确反应的分布偏向于较长的押注时间（蓝色，峰值在5秒左右或略高于5秒）。* 表示p<0.001，* 表示p<0.01。另见图S3。

表1. 描述性统计和个体统计检验

表格列出了每只猴子的正确和错误试验次数（第一列）、用于检验个体猴子表现的统计检验结果（第二列，卡方检验）、所有试验的元认知敏感性（第三列，置换检验）以及押注时间分布（第四列，Kolmogorov-Smirnov拟合优度检验；和第五列，Anderson-Darling检验）。关于中止试验和捕获试验的额外分析，请参见表S1。

表2. LME模型

LME全模型的结果，用于测试主任务表现对所有试验中参与者等待持续时间的影响。β代表基于Z得分预测变量的估计值；SE，标准误；CI，置信区间。关于中止试验和捕获试验的额外分析，请参见表S2。