主动的字母解码

我们再深入探讨一下这个计算机比喻。在传统的计算机程序中，信息的处理通常是通过一系列步骤来完成的，不论是最简单的还是最抽象的处理过程都是如此。我们可以合理地想象，应该有一段子程序是用来识别单个字母的，然后另一段子程序将它们组成字素，最后，第三段子程序检查该字母串可能是哪一个单词。然而，这样的程序通常来说容错能力非常低。第一阶段的一点错误往往会导致整个认知过程的瓦解。实际上，即使是我们现在购买扫描仪时所附赠的最好的自动文字识别软件，也仍然对图像质量的下降非常敏感。哪怕只是扫描窗口上一点点的尘埃，也会使一页人类阅读起来完全无碍的文字变成电脑“无法识别”的乱码。

与电脑不一样，视觉系统善于解决那些不确定的问题。我们来做一个小实验，你可以自己读一下下面的句子：

Honey bccs sovovr sweet ncctar （蜜蜂品尝甜花蜜）。

在你不知道的情况下，你的眼睛成功地跨越了一系列的障碍，而这些障碍完全可以难倒传统的电脑程序。你是否注意到了，在单词“bee”当中，那个重复的字母其实是“c”？实际上，在拼写“nectar”（花蜜）这个词时，我也用了两个“c”，但是你的视觉系统把第一个“c”当作了“e”，而第二个才当作“c”。“savour”（品尝）这个词更糟糕，“a”和“o”一模一样，“v”和“u”也没有差别！上下文帮我们解决了这种不确定性：因为“souour”这个字母串在英文中没有意义，而如果把它理解为动词“savour”的话，整个句子就通顺了。

简言之，对于这些可以难住当今任何软件的不确定性，人类阅读者可能都感觉不到。这种容错性与传统计算机软件相冲突，然而却非常符合鬼蜮假设的框架，因为字母、字素与单词可以通过大量冗余的连接而互相支持。字母、单词与上下文的合作，足以让脑中的阅读机器更为“强健”。阿尔维托·曼古埃尔说得很对：是阅读者赋予了书面文字意义，阅读者的“有能之眼”给那些本来僵死的字母带来了生命。字母与单词的识别来自一种主动的、自上而下的解码过程，通过这一过程，脑在视觉信息中加入了新的信息。

心理学家们发现，这种主动的解码过程在词优效应（word superiority effect）中得到了很好的体现。在杰拉尔德·赖歇尔（Gerald Reicher）的经典实验中 ³² ，主试要求成年阅读者从两个可能出现的字母，如D或T中，找出哪一个曾短暂地出现在电脑屏幕上。通过调整难度，实验保证被试只能偶尔给出正确的答案。在一些试次中，字母单独呈现。在另一些试次中，同样的字母（D或T）在其他字母的伴随下出现，组成一个词，如HEAD或HEAT。注意，其他字母并没有带来有用的信息。因为两种情况下前面所出现的字母串“HEA”都是一样的，被试只能根据最后一个字母来判断。然而，令人惊奇的是，相比字母单独呈现的情况，有其他字母出现时被试的成绩要好得多！也就是说，在有上下文的情况下，字母识别的效果要好很多。看起来，由单词层级所提供的额外支持扫清了输入信息中的一些干扰。即使把字母插入一个假词中（如GERD或GERT），甚至是插入一个看起来像单词的辅音字母串中（如SPRD或SPRT），词优效应都依然存在，但如果字母串由随机的字母组成（如GQSD或GQST），这个效应就消失了 ³³ 。

这一现象也难以用严格的线性信息处理模型来解释，因为在这些模型中，必须先识别单个字母才能将字母组合成更大的单元。相反，赖歇尔的词优效应却支持视觉单词识别中的冗余连接和并行加工。即使将注意力集中于单个字母上，我们也会自动地从这个字母所在的上下文中获益。当这种上下文环境是一个单词或单词的一部分时，我们可以进行更多层级的编码（字素、音节和词素），而来自这些层级的“选票”，为这些字母识别单元提供了支持，从而加快了对字母的知觉。很多阅读模型对赖歇尔效应的解释是字母与单词在双向加工过程中有交互作用：那些较高层级的字素和单词探测单元协同工作，一致更倾向于识别那些与他们对输入字母串的理解相匹配的字母。我们看见什么，取决我们认为自己看见了什么。 WLyHZw7oeV7HO8ePvd3V5TmF2ux/K83cC96DHudAJ/vDO5Z57LiBAzrSLK8ikXmO