计算语言学
Parent: ai_keywords
计算语言学
【核心定义】
计算语言学（Computational Linguistics, CL）是人工智能与语言学的交叉学科，旨在通过计算机可执行的算法与模型，对自然语言的语音、词汇、句法、语义及语用结构进行形式化建模与自动分析。其核心任务包括理解语言的内在生成规则、构建可处理人类语言的系统，并为机器翻译、问答系统、语音识别等提供理论基础。与自然语言处理（NLP）偏重工程应用不同，计算语言学更强调语言现象的认知与计算解释。
【关键技术点】
- 统计语言模型：基于大规模语料库，通过n-gram或神经网络（如Transformer）学习词语序列的概率分布，是语音识别、机器翻译的底层支撑。
- 依存与短语结构句法分析：自动解析句子中词语间的修饰关系（如主语-谓语-宾语）或层级构成，用于信息抽取与语义理解。
- 语义角色标注与知识图谱：识别句子中动作的施事、受事等语义角色，并关联实体间的逻辑关系，支撑更深入的推理。
- 深度学习语境化表示：如BERT、GPT等预训练模型，动态编码词在上下文中的语义，极大提升情感分析、指代消解等任务的性能。
【医学/神经科学应用场景】
结合首都医科大学神经病学研究，计算语言学在脑卒中后失语症的智能评估与康复中具有重要价值。
脑卒中常导致Broca区或Wernicke区损伤，患者出现构音障碍、语法缺失或语义混乱。通过采集患者自发言语的音频与转录文本，计算语言学技术可：
- 提取韵律特征（语速、停顿分布）与句法复杂度（从句嵌套深度、词性序列熵），量化语言缺损程度；
- 利用语义相似度模型（如Word2Vec距离）监测患者对物体命名或指令理解的正确率；
- 结合EEG神经电生理信号（如事件相关电位N400成分），建立语言加工神经机制与计算特征的关联，为个性化康复方案（如经颅磁刺激靶点选择）提供客观依据。这一跨学科路径已用于癫痫灶侧化定位（语言优势半球）及帕金森病早期语言-运动耦合障碍的筛查。
