馬為之，張 敏，張琛昱，劉奕群，馬少平

(清華大學 計算機科學與技術系，北京信息科學與技術國家研究中心，北京，100084)

0 引言

隨著計算機計算能力和互聯網的數據規(guī)模的提升，以深度學習為代表的人工智能算法在近年取得了越來越好的表現，特別是在文本處理、圖像識別等方面都有了很大的提升。然而，目前人工智能的發(fā)展水平與人類智能仍有很大差距。已有的研究工作對于人類的知識學習和認知等方面的研究和探索還不夠深入，我們對于人類認知過程的了解還很初步，近年來有更多的工作致力于人類的認知學研究，希望能夠從中找到前進的方向。

語言學習認知是人類學習認知的重要部分。雖然，這一過程受個體特征、個體成長環(huán)境等社會學因素和個體教育情況的影響，但是，語言知識本身具有一定的架構性和規(guī)則性，例如，存在語法規(guī)則和基本的組成單位；以字/字母為最小粒度的符號；以拼音/音標為最小粒度的發(fā)音等。人類在語言學習過程中受到這些規(guī)則的限制，且學習同一語言的不同個體學習目標相同。因此，研究語言學習認知的過程也成為了研究人類認知的重要手段。實際的研究過程中，往往可以通過控制變量和大規(guī)模調研，在不同個體之間進行語言學習認知結果的比較，更可以從語言學習的過程中，總結人類的認知規(guī)律，幫助識別人類的學習特性?？梢哉f，從語言學習認知的角度去嘗試了解人類的學習認知過程和知識構建過程是較好的研究切入點。

然而，人類的各個年齡階段都可能存在語言學習認知的過程，從嬰幼兒時期的母語學習模仿，到成年后的外語學習，單純從語言學習認知過程進行認知研究將面臨變量太多、因素不可控等問題。因此，不少工作將研究重點放在早期，特別是學齡前兒童時期的語言學習認知過程[1-3]。已有工作中，語言詞匯學習情況是研究語言學習與認知的重要根據，例如，1996年由Fenson等人提出的針對英文的CDI詞匯量表，被廣泛應用于英語學習認知過程的研究[4]。大部分已有工作以母語為語言學習的研究目標[1-3,5]，然而，本文更傾向于將第二語言作為語言學習認知研究的載體: 一方面，我們認為母語的學習研究將更可能受到復雜環(huán)境的影響，特別是對于嬰幼兒的語言學習過程，雖然他們開始模仿語言并開始有一定的理解能力，但是限于年齡發(fā)展水平，我們很難獲得他們的直接反饋；另一方面，我們也希望能夠進行第二語言的學習認知研究，可以與母語的一些研究結果進行對比，從而在更深層次比較語言學習發(fā)展的過程。

由于語言學習認知這一研究問題具有開放性的特點，研究過程中需要大量的數據統(tǒng)計結果作為支撐，而目前缺乏已有的大規(guī)模數據用于第二語言學習規(guī)律的發(fā)現與建模，更難以進行母語學習和第二語言的學習過程比較。本文致力于首先解決這一基礎性問題，為進一步的深入研究提供數據支撐，本文主要貢獻如下:

(1) 據我們所知，這是首個針對中國學齡前兒童的大規(guī)模第二語言外語學習認知過程的研究工作，我們明確了研究方向和需求，確立了在線收集詞匯認知數據的思路，為第二語言的學習研究和與母語學習的認知過程比較打下了基礎。

(2) 結合語言學和心理學等學科知識，我們設計了游戲性數據收集流程，能夠用于收集大規(guī)模的語言詞匯認知數據及被試基本情況，并且實現了以英語為第二語言的數據收集系統(tǒng)。

(3) 整個框架設計不局限于某種語言的應用，可以廣泛應用于設計不同語言的學習認知發(fā)展的數據收集系統(tǒng)。

1 相關工作

1.1 針對語言學習詞匯認知的相關研究

在語言學習認知的研究中，詞匯認知水平是評價語言學習情況的重要標準，它能夠被明確的定義和比較。其中，由Fenson等人在1996年提出的CDI(The MacAuthor Communicative Development Inventories)詞匯量表，對于近些年語言學習認知的研究起到了重要的作用[4]。

CDI是一套用來測量嬰幼兒和早期學齡前兒童語言發(fā)展水平的測試量表，具有高效、經濟的特點。它克服了其他測量手段的局限性——不需要嚴格的條件限制、不需要經過專業(yè)的訓練便可以使用等。該量表自提出后經過了長時間的數據統(tǒng)計與檢驗，被證明可以有效地體現學齡前兒童的真實語言水平。目前，由斯坦福大學發(fā)起的利用該量表的數據建立起的世界兒童語料數據庫WordBank，已有各國語言的母語CDI量表結果共計數十萬條。為心理學、語言學、生物學等學科的發(fā)展提供了寶貴的研究資料[1-3]。

在詞匯認知規(guī)律研究的基礎上，有部分工作嘗試了對人類的語言學習過程和詞匯網絡模型進行刻畫，Nicole與Eliana整理了已有的針對人類大腦中詞匯網絡構建和認知模型的研究工作: Nelson等人根據針對數千人的面對面調查，提出語義網絡的構建方式[7]；Hills等人根據CDI的詞匯研究結果，總結了人類學習新詞語順序的模型[5]。可以說，大規(guī)模數據是深入語言認知研究的重要助力。

1.2 針對第二語言學習的相關研究

WordBank中已有的CDI量表數據是通過統(tǒng)計學齡前兒童日常使用母語的情況得到的。目前，并沒有針對以英語不為官方語言地區(qū)且英語作為第二語言學習的相關數據，這使得已有的大量研究工作是基于母語的語言認知學習研究，或是不同地區(qū)的母語語言認知學習過程研究。對于第二語言學習的相關研究工作較少，但我們認為研究第二語言學習過程有著重要意義。已有許多針對第二語言的學習認知過程以推理和假說為主，試圖解釋第二語言學習與第一語言學習的異同，但還缺乏相應的大規(guī)模數據用于支撐其研究結果[8]，這其中也包括諸多研究中國學齡前兒童學習英語過程的研究[9-10]。

同時值得注意的是，大部分語言認知的研究會以學齡前兒童為目標研究群體。這是因為人類很早就開始接觸語言，而兒童時期的語言學習認知研究變量更可控，同時這段時間人類的接受能力和學習能力很強。如前所述，目前兒童的第二語言詞匯學習認知情況的大規(guī)模數據稀缺，故設計和創(chuàng)建兒童第二語言的學習數據庫對于相關研究有著非常重要的意義。

1.3 游戲性數據收集工作

大規(guī)模的數據收集，特別是需要人工標注確認的數據，如果采用雇傭標注的方式進行，往往需要耗費大量的人力和物力。因此，近年來涌現了一批利用網絡用戶實現數據高質量標注的游戲性數據收集工作。這類工作通過良好的流程和游戲性設計，使得用戶參與到標注過程中，不僅使自己得到了放松，還實現了數據收集者和標注者的雙贏。代表性工作有: Luis提出的reCAPTCHA字符識別系統(tǒng)，將難以識別的字符作為驗證碼讓用戶識別輸入，每年可以識別上十億條內容且正確率高達99.1%[11]；此外，他與Shiry等人還共同設計了ESP game[12]、Phetch[13]和Peekaboom[14]三個游戲性數據收集系統(tǒng)，以ESP game為例，它通過讓兩個不同的用戶對于同一幅圖片找出他們觀察到的物體，完成對于圖片物體的標注，而用戶在參與過程中則享受到了游戲的快樂，因而有動力主動完成更多的標注任務。

受到這些基于游戲性設計數據系統(tǒng)的啟發(fā)，我們考慮將學齡前兒童的語言學習過程中的詞匯認知水平也設計成類似的系統(tǒng)。讓參與者從中獲得激勵和快樂，以實現用戶主動參與數據收集過程，從而，不需要耗費大量的人力物力進行數據的收集工作。

2 研究目標分析

本文致力于設計并實現切實可靠的大規(guī)模數據收集系統(tǒng)，著重考慮研究人類早期第二語言學習認知發(fā)展過程的詞匯學習和網絡構建過程。目標研究群體為3—6歲的兒童，重點研究他們的第二語言的詞匯學習過程。結合研究目標和已有相關工作，本文首先進行了如下分析。

2.1 設計原則

在進行數據收集系統(tǒng)的設計過程中，我們將遵循以下幾條設計原則:

(1)無害性原則: 面向學齡前兒童的數據收集過程，不應當影響和危害兒童的身體和心理健康，也應當避免過程中對兒童產生負面反饋，避免影響其健康成長；

(2)有效性原則: 要保證數據收集過程和結果的有效性，特別是針對兒童的詞匯認知情況收集過程，需要保證與兒童有充分良好的溝通，最好能夠讓家長參與到數據收集的過程中；

(3)科學性原則: 由于語言學習和認知涉及了多門學科，有相對復雜的變量，因此，變量的選定和流程的設計均需要保證科學合理，且應盡量使得數據完整豐富；

(4)匿名性原則: 數據收集過程應當充分尊重兒童的隱私，注意避免收集敏感數據。

所有的框架設計和實現工作都將基于這四條原則開展。

2.2 數據收集方式

我們首先面臨的問題就是如何設計數據的收集方式，以收集到大規(guī)模具體到單詞級別的學齡前兒童詞匯認知情況用于進一步的研究。而針對語言學習認知的已有研究工作中，數據收集主要有兩種方式。

(1) 對于學齡前兒童學習過程進行音頻、視頻記錄，然后對內容進行人工分析，了解兒童的學習認知情況；

(2) 由數據采集人員與學齡前兒童或其家長進行當面交流，通過答題的方式了解相關信息。

然而，這兩類采集的方法都有著明顯的弊端。這也是數據收集過程中將面臨的主要難點:

(1) 無論是通過收集語音還是現場交流，都需要耗費大量的人力成本，傳統(tǒng)的收集方法受到此因素的限制，很難獲得大規(guī)模數據。

(2) 對學齡前兒童學習的音頻、視頻全程記錄有可能會侵犯到隱私。

(3) 學齡前兒童的認知交流能力有限，數據收集人員在溝通方面很可能遇到各種問題，引入家長輔助則有可能影響數據的收集效果。

在這種情況下，本文受啟發(fā)于已有的游戲性數據標注工作，設計了基于游戲性的數據收集方式，用于了解學齡前兒童在第二語言學習過程中的語言認知，特別是詞匯認知的水平。不同于已有的游戲性數據標注工作，若設計的收集實驗如果僅僅由學齡前兒童參與，可能很難確保數據收集結果的有效性，故設計的環(huán)節(jié)將要求家長參與以保證數據質量。

在綜合考慮以上困難和我們設計原則的基礎上，本文設計的游戲性數據收集方法主體思路如下: 了解兒童的第二語言學習水平和狀況為測試的游戲性吸引點，通過移動互聯網的界面實現交互。由家長發(fā)起實驗，對孩子進行詞匯認知的問答操作。最后，反饋該兒童的第二語言學習水平。一方面，反饋給用戶的兒童語言學習水平是收集過程游戲性的產出，也是家長和兒童參與游戲的激勵。另一方面，游戲過程中兒童的詞匯認知測試結果，則是作為開展相關研究的數據來源。

這樣的實驗設計能夠同時滿足數據收集方與參與方的需求: 對于數據收集方而言，在實驗過程中可以方便地得到詳細的兒童對第二語言詞匯的認知情況，同時家長的參與令測量結果更有可信度。線上收集的方式也令大規(guī)模的數據收集變得不再困難，能夠節(jié)約大量人力成本；對于參與方而言，家長對于孩子的各方面能力測試會有積極了解的心態(tài)，這樣的詞匯量測試的方式，加上最終能夠直接反饋的語言學習水平結果，能夠加深他們對于兒童的了解，也為游戲的大規(guī)模傳播提供了可能性。

2.3 問答詞匯選取

值得注意的是，即便采用了游戲性的數據收集方式，在交互過程中，受限于參與者的精力、耐心情況，實際的系統(tǒng)設計不能給予被測試的學齡前兒童及其家長太大規(guī)模的詞語列表并要求他們作答。因此，在設計的過程中，需要注意使用盡量少的單詞來實現對兒童詞匯認知情況的刻畫，同時也要保證所收集數據的覆蓋面情況。

在相關工作中，基于英文的CDI詞匯量表是一套非常成熟的詞匯量表。WordBank詞庫對于學齡前兒童的英語學習詞匯發(fā)展過程積累了大量的數據資源，有數萬兒童的CDI詞匯量表測試結果。因此，我們希望借助詞表中的詞語對兒童的詞匯認知情況進行相應的預測。以英文的詞匯認知研究為例，WordBank數據集中針對英語母語的幼兒詞匯認知情況，統(tǒng)計了558個最常用的CDI量表中的詞語，可以用于母語為英語的詞匯認知研究工作。

然而，即便是在第二語言學習的研究過程中僅使用WordBank中的558個詞語，考慮到家長和學齡前兒童的交互耗時，如果一次測驗要求檢測這些詞匯的認知情況將會花費被試大量的時間和經歷。因此，在設計過程中可以考慮引入難度分級制度，同時將待辨認的詞匯分為固定詞語(即一定會被要求回答的)和隨機詞語兩種，這樣可以保證收集來的數據在一定程度上集中，可以用于規(guī)律性的研究和發(fā)現，同時也可以做個體的學習情況研究。

此外，在選詞過程中，為了能夠進一步探究學齡前兒童的理解認知能力，我們在根據CDI選詞的過程中保留母語兒童的詞語認知難度，用于比較母語與第二語言學習的認知過程差異；另一方面，在詞語的選擇方面，也應考慮其覆蓋性和種類，例如，具體詞和抽象詞對比等。

2.4 影響語言學習認知的可能變量

確立了數據收集方式后，還需要明確的是除詞匯認知情況外其他研究過程中較為關注的變量，這些信息應該同時在詞匯認知情況收集過程中得到。本文將已知的有可能影響學齡前兒童進行第二語言學習的主要變量歸納為了以下三類。

(1)人口社會學變量: 學齡前兒童的社會學屬性及成長環(huán)境情況，包括性別、年齡、受教育情況、家庭經濟狀況、家庭中交流語言等；

(2)語言學習能力: 學齡前兒童在語言學習方面的學習能力，已有的測量方式包括短期記憶能力、聽力和聽覺水平等；

(3)非語言智力水平: 學齡前兒童對于事物和規(guī)律的辨析和發(fā)現的能力，以智力測驗為代表，被廣泛應用的有瑞文推理[15]等度量方式。

這些已知變量和尚未發(fā)現的其他變量的存在使得個體間的語言學習認知結果產生了差異。因此，對于這些變量的分析將能夠有助于我們了解和歸納不同變量對于語言學習認知過程中造成的正面和負面影響。在實驗的框架中，可以考慮收集兒童個體在這幾方面的表現情況，用于未來的深度比較分析。值得注意的是，這些變量和認知能力的情況是對于兒童第二語言詞匯認知情況的額外信息，考慮到兒童實際參與的時長和興趣程度，除了基本的信息，如: 兒童的性別、年齡外，其他的信息收集均可考慮作為問題體現在收集過程中。

綜合這幾方面的分析，本文設計了基于游戲性設定的數據收集框架，將在第三節(jié)中進行詳細介紹，同時也將介紹兒童第二語言詞匯認知研究模型的具體實現方法。

3 游戲性數據框架及實現

3.1 模型框架設計

圖1展示了基于游戲性設定的詞匯測試數據收集流程框架。除了在第二節(jié)進行的各方面分析，考慮到數據收集的過程中由于缺乏監(jiān)督和強制手段，用戶隨時都有可能中途退出。如果在進行詞匯能力測試之前有太多的信息收集環(huán)節(jié)，將很可能影響用戶參與的積極性，我們將框架分為了必選測試內容和可選測試內容兩個模塊:

必選測試內容在家長與孩子選擇參與后，首先收集最基本的信息，例如，孩子的年齡、性別及接觸第二語言的渠道。隨后將開始進行詞匯水平測試，在測試過程中將設計詞語難度分層和選詞策略，用于盡可能多且有效地收集到相關數據。在回答了一定數量(目前為20道)的詞匯測試題后，系統(tǒng)將會自動生成反饋報告，并引導用戶自主參與可選測試內容。必選測試是該數據收集系統(tǒng)的核心部分。

可選測試內容包含三部分，圖中的虛線框代表了這一環(huán)節(jié)是非必須參與的，這三部分對應了在2.4中提到的三類可能影響語言學習的主要變量，每個模塊后用戶也會得到相應的結果反饋。這三部分分別是: 更詳細的用戶信息調查問卷(如第二語言的使用頻率、孩子接受第二語言教育的方式和頻率、家庭基本狀況等)，用于進一步補充基本信息情況；以瑞文推理測驗為代表的非語言智力測驗和以短期記憶測驗為代表的語言學習能力測驗?？蛇x測試的目的是進一步收集測試者個體的各方面情況，用于分析各類變量對于第二語言學習認知的影響，為之后可能的建模和進一步探索提供更加詳細的數據支撐。

圖1 數據收集框架圖

3.2 基于中國學齡前兒童英語語言學習認知研究的數據收集框架實現

在3.1節(jié)框架圖的基礎上，我們針對母語為中文的中國學齡前兒童的英語學習評價，具體實現該流程。下面將各模塊的具體設計介紹如下:

3.2.1 詞語難度分級及選詞策略

如2.2節(jié)中所述，詞語的難度分級對于產生待回答的詞語和給予用戶評價反饋有重要意義。且由于針對的是英語學習的場景，因此我們沿用WordBank項目中用于兒童英語詞匯測驗的558個CDI測試詞語。通過比照以英語為母語的10 000余名年齡在16個月到30個月的學齡前兒童對于這500余詞語的掌握情況，我們將這些詞語劃分到了L1-L5五個難度級別。對于每個詞語w，fw(x)代表年齡為x的兒童認識詞語w的比例，找到x*滿足:

x*=argminx(fw(x)≥0.5)

(1)

在這個詞的難度級別w為

我們將英文母語的CDI測試結果作為初步的難度劃分依據，使得我們在收集到實驗結果后可以開展母語學習和第二語言學習認知過程的比較工作。最終，得到的L1-L5這五個難度級別的詞語數量分別為41，51，194，164和108。

在每個難度級別Li中，我們從中人工選取了四個詞語作為該等級的固定詞。這四個詞語將兼顧具象詞與抽象詞。以第四等級為例，我們選擇了ride、broken、hamburger和cloud四個詞語作為固定詞語。其他的詞語以隨機選取的方式出現在用戶的評測過程中。因此，難度級別為i的所有詞語將被劃分為由四個固定詞構成的集合Ci和剩余詞集合Ri。

此外，為了能夠在收集過程中動態(tài)調整學齡前兒童會面臨的詞語難度，主要考慮參與者在回答過程中收益Gain的變化情況，我們設計了如算法1的難度調整策略:

算法1 選詞難度的調整策略IF Cx!=?: #首先從固定詞集合中選詞,選取后將該詞移除集合 w=Random(Cx), Cx=Cx{w} result=Question(w) #根據答題正確與否得到Gain,有可能是正或者負 Gain+=(result==TRUE)?Aw:-Aw #如果固定詞集合回答完畢,進行評價 IFCx==?: IF Gain>α: x+=1 ELSEIFGain<α: x-=1 #無論是否難度變化,清零Gain和K Gain=0,K=0ELSE: w=Random(Rx),Rx=Rx{w} result=Question(w),K+=1 Gain+=(result==TRUE)?Aw:-Aw #回答兩道題之后,考慮是否需要跳轉 IFK>=2: IF Gain>β: x+=1,Gain=0,K=0 ELSEIF Gain<β: x-=1,Gain=0,K=0 #如未滿足跳轉條件,只保留當前步獲得的Gain值 Gain=(result==TRUE)?Aw:-Aw

每次要選詞時算法1都會被運行一次: 算法會先從固定詞集合產生詞語，回答所有固定詞后將會進行回答初步評分，如果評估結果不足以進行難度調整，則會從剩余詞語中隨機生成詞語繼續(xù)評價。Question(w)函數表示向用戶詢問詞語w。新用戶進入系統(tǒng)時初始的難度等級x=1，Aw代表詞語w的評分。實際系統(tǒng)中，Gain和K的初始值均為0，且每個詞語的評分都設定為1，α和β是兩個參數在實際系統(tǒng)中我們將其分別設為2和1。

在每個單詞的測驗中，需要家長在手機上播放單詞發(fā)音*單詞的音頻文件收集自http: //fanyi.baidu.com，美式發(fā)音方法。，學齡前兒童聆聽后將需要從頁面中的四幅圖片中選擇與之最相關的一幅后完成提交。其他三幅圖將通過從收集的圖片庫中采用隨機的方法產生，所有的題目都已經經過三輪的人工檢驗，保證每道問題的正確答案唯一。在收集系統(tǒng)中，我們將每個用戶需要回答的詞匯題目數量定為25道。

3.2.2 非語言智力測驗及短期記憶測驗

在系統(tǒng)實現過程中，我們選取了瑞文標準推理測驗[15]和工作記憶測驗[16]作為兒童的非語言智力測驗及短期記憶測驗的具體方式。瑞文標準推理測驗是由英國心理學家瑞文于1938年創(chuàng)制，在世界各國沿用至今，它用于測驗一個人的觀察能力及思維能力，是純粹的非文字智力測驗，所以廣泛應用于無國界的智力/推理能力測試。我們從標準的瑞文推理測試中選擇了適合兒童的八道代表性的題目作為測驗內容[17]。

工作記憶測驗是認知心理學提出的有關人腦中存儲信息的活動方式，工作記憶是指短期的記憶場景下的記憶結果，已有工作的研究結果發(fā)現較強的工作記憶能力能夠幫助用戶的語言學習[18]。通常的工作記憶是通過短時間內記憶正確的最長隨機數字的長度來進行測量，成年人平均的記憶長度為7左右。本系統(tǒng)中工作記憶測驗在韋氏智力測驗中的數字廣度測驗的基礎上略作調整，使得測驗時間更短，并采用了如下的策略動態(tài)調整測驗數據的長度。初始的數字長度為L=3。

算法2 工作記憶測驗的數字長度調整策略IF能夠在聽音后完全復述正確: L+=1ELSEIF連續(xù)復述錯兩次: L-=1

3.2.3 系統(tǒng)反饋內容的設計

由于框架采用了游戲性設計的思路，特別是在反饋過程中需要遵循我們的無害性設計原則，因此，除了考慮數據收集過程中的變量設計和科學性設計外，還需要關注用戶反饋內容的設計，以滿足測驗者的興趣和使用需求，確保不會對兒童的成長造成負面的影響和打擊。這對于數據收集系統(tǒng)的推廣有著關鍵作用。

值得注意的是，在測驗過程中我們并不會顯示的對于單道題目給予正確或錯誤的反饋，避免打擊參與者的積極性。而在詞匯學習評估、瑞文推理測驗結果和工作測驗結果的反饋內容中，分別采用了以下三種反饋的方法，用于激發(fā)和引起參與者的興趣。

(1) 詞匯學習評估結果的反饋: 根據回答者答對的最難單詞對應的級別，反饋告知用戶內容如下: 您家寶貝已經開始掌握X個月大的英語母語孩子開始掌握的單詞啦！如果出現極端情況，全部答錯，則反饋“看來寶貝剛開始接觸英語，不妨從簡單的日常用語開始學習吧～7歲以前是兒童學習語言的黃金時期，加油呀！”

(2) 瑞文推理測驗結果: 給出孩子答題正確率及完整瑞文推理量表中不同周歲孩子正確率的中位數。

(3) 工作記憶測驗結果: 反饋孩子在數字記憶中記住的最長數字長度，并告知普通成年人的平均記憶長度為7。

系統(tǒng)反饋內容的設計是數據收集系統(tǒng)游戲性的重要體現，也是參與者幫助進行推廣的重要驅動力，因此，對于每條反饋都需要進行仔細的斟酌，給參與者以足夠的激勵。

圖2 首頁頁面

3.3 系統(tǒng)展示

我們根據3.1和3.2的設計內容，完成了數據收集系統(tǒng)的搭建，開發(fā)了適配手機頁面的游戲性數據收集接口，圖2—圖5是目前完成的系統(tǒng)設計的截圖，展示了首頁、詞匯評測頁面、瑞文推理測驗頁面和工作記憶測驗頁面。

整個系統(tǒng)已經開放用于數據收集，我們會將收集到的數據集進行脫敏處理后進行發(fā)布，用于支持相關的語言認知發(fā)展研究工作。

圖3 詞匯評測頁面

圖4 瑞文推理測驗頁面

圖5 工作記憶測驗頁面

4 結論與未來工作

本文針對語言認知學習過程的研究工作，提出了一個基于游戲性設計的人類早期第二語言學習認知過程的數據收集系統(tǒng)框架，并結合心理學、語言學的已有研究工作，針對中文母語學齡前兒童的英語第二語言學習設計了完整的數據收集系統(tǒng)，現已投入實際的數據收集。

游戲性設計使得用戶從游戲反饋中能夠了解孩子的英語詞匯發(fā)展水平相較于母語學齡前兒童學習的狀況，同時可以輕松地從中收集到大規(guī)模數據用于相關研究。

值得強調的是，這一框架可以實現低成本的在線大規(guī)模數據收集，不受地域限制且不涉及個人隱私。收集過程中可以充分考慮將非語言智力、語言學習能力等變量融入到交互過程中，給用戶的反饋內容也將包括對語言的學習指導，可以更好地實現雙贏。此外，由于框架并不局限于某種語言或者場景的研究，該框架對于相關的實驗設計有較好的借鑒意義。

未來我們將公布收集到的數據集，并且基于此數據集將初步的研究結果發(fā)布出來，積極促進語言學習認知方面研究的發(fā)展和進步。

[2] Braginsky M, Yurovsky D, Marchman V A, et al. Developmental Changes in the Relationship Between Grammar and the Lexicon[C]//Proceedings of the CogSci. 2015, 256-261.

[3] Schneider R, Yurovsky D, Frank M. Large-scale investigations of variability in children’s first words[C]//Proceedings of the CogSci. 2015, 2110-2115.

[4] Fenson L, Bates E, Dale P S, et al. The MacArthur communicative development inventories[M]. Singular publishing Gruop, Incorporated, 1996.

[5] Hills T T, Maouene M, Maouene J, et al. Longitudinal Analysis of Early Semantic Networks Preferential Attachment or Preferential Acquisition?[J]. Psychological Science, 2009, 20(6): 729-739.

[6] Beckage N M, Colunga E. Language Networks as Models of Cognition: Understanding Cognition through Language[M]. Towards a Theoretical Framework for Analyzing Complex Linguistic Networks. Springer Berlin Heidelberg, 2016: 3-28.

[7] Nelson D L, Mcevoy C L, Schreiber T A. The University of South Florida word association[J]. Alternative Higher Education, 1999, 3(3): 154-160.

[8] Macwhinney B. Second Language Acquisition and the Competition Model[J]. Tutorials in Bilingualism Psychological Perspectives, 1997, 21: 113-142.

[9] 文敏琳. 論兒童母語習得與外語學習的異同[J]. 四川文理學院學報,2012,03: 151-153.

[10] 彭堅. 二語習得“關鍵期假說”的研究對兒童外語學習的啟示[D].湖南: 湖南師范大學碩士學位論文,2010.

[11] Von A L, Maurer B, Mcmillen C, et al. reCAPTCHA: human-based character recognition via Web security measures[J]. Science, 2008, 321(5895): 1465-1468.

[12] Von Ahn L, Dabbish L. Designing games with a purpose[J]. Communications of the Acm, 2008, 51(8): 58-67.

[13] Von Ahn L, Ginosar S, Kedia M, et al. Improving Image Search with PHETCH[C]//Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE Xplore, 2007: IV-1209 - IV-1212.

[14] Ahn L V, Liu R, Blum M. Peekaboom: a game for locating objects in images[C]//Proceedings of the Sigchi Conference on Human Factors in Computing Systems. ACM, 2006: 55-64.

[15] Raven J C. Mental tests used in genetic studies: The performance of related individuals on tests mainly educative and mainly reproductive[D]. Unpublished master’s thesis, University of London, 1936.

[16] Miyake A, Shah P. Models of working memory: Mechanisms of active maintenance and executive control[M]. Cambridge University Press, 1999.

[17] Kaplan R M, Saccuzzo D P. Standardized tests in education, civil service, and the military[J]. Psychological testing: Principles, applications, and issues 2009, 7: 325-327.

[18] Ellis N C. Working memory in the acquisition of vocabulary and syntax: Putting language in good order[J]. The Quarterly Journal of Experimental Psychology: Section A, 1996, 49(1): 234-250.

E-mail: zhangcy73@qq.com