西班牙语动词识别大型数据集：4,562个动词与假动词的准确率、反应时与词汇普及度研究

《Scientific Data》：A dataset of word recognition accuracy, times, and prevalence for 4,562 verbs and 4,562 pseudoverbs of Spanish

本研究针对西班牙语动词行为数据匮乏问题，开发了SpaVerb-LD数据库。研究人员通过实验室视觉词汇决策任务，采集267名健康成人的动词识别数据，涵盖4,562个动词及对应假动词。结果显示出优异信效度（ICC>0.85），并首次提供西班牙语动词普及度指标。该数据集为语言认知模型构建、临床康复材料筛选及跨语言比较研究提供重要资源。

　　

在语言认知研究领域，动词处理一直是个特殊而有趣的课题。与名词相比，动词不仅语法功能复杂，其认知加工过程也展现出独特特征。多项研究表明，大脑对动词和名词的处理存在神经层面的分离现象，动词识别通常需要更长的反应时间。这种差异不能完全用词频、词形等表面特征解释，而与动词所蕴含的动作语义密切相关——这就是著名的“具身认知”理论，认为动作词的语义根植于感觉运动神经回路。

西班牙语作为全球使用最广泛的语言之一，其近乎完全透明的正字法体系（orthographic transparency）为研究词汇识别提供了理想窗口。与英语等不规则拼写系统不同，西班牙语具有高度一致的形音对应关系，重音位置和音节划分都能从拼写中可靠推断。然而，令人惊讶的是，尽管西班牙语使用者众多，针对其动词系统的大规模行为学研究却相对匮乏。

现有西班牙语词汇数据库中，SPALEX虽覆盖约45,000个单词，但存在数据质量隐忧：平均反应时超过1000毫秒，远高于实验室研究的548毫秒；超过36%的参与者准确率低于80%的常用标准；且仅包含3,571个动词的可用数据。在线研究虽然样本量大，但缺乏对实验环境的控制，可能影响数据可靠性。这种数据缺口限制了研究人员对西班牙语动词处理机制的深入探索，也阻碍了跨语言比较研究的开展。

正是在这样的背景下，由米格尔·安赫尔·佩雷斯-桑切斯（Miguel ángel Pérez-Sánchez）领衔的研究团队在《Scientific Data》上发表了这项开创性工作。他们通过精心设计的实验室研究，构建了迄今为止最全面的西班牙语动词行为数据库——SpaVerb-LD，为解开动词处理之谜提供了宝贵资源。

研究方法的核心要素

研究团队采用多中心协作模式，在穆尔西亚大学（University of Murcia）和奥维耶多大学（University of Oviedo）的隔音实验室内，使用DMDX软件精确控制实验流程。267名18-51岁的健康母语者完成了视觉词汇决策任务（visual lexical decision task），通过对4,562个动词及其对应假动词的反应，共产生252,879条行为记录。

技术方法上，研究采用了模拟驱动的效能分析确定样本量，通过三字母组合频率算法生成匹配的假动词，运用项目反应理论（item response theory）计算词汇普及度（word prevalence），并采用线性混合模型（linear mixed model）进行统计验证。数据可靠性通过组内相关系数（intraclass correlation coefficient, ICC）评估，同时与已有数据库进行效标效度和建构效度比较。

数据质量与可靠性

基本数据清洗

原始数据经过严格质量控制：首先排除准确率低于中位数1.5倍四分位距的参与者记录（8条记录，占1.6%），保留248,871条反应。针对反应时分析，进一步剔除极端值（RT<200ms或>1500ms），最终得到197,610条有效反应时数据，确保每词至少有24个不同参与者的反应。

可靠性分析

数据表现出优异的内部一致性：18个词块的标准误均值高度均匀（准确率：0.05-0.06；反应时：38.5-47.8ms），变异系数稳定（准确率：0.40-0.49；反应时：0.23-0.26）。最重要的是，组内相关系数显示“良好”到“优秀”的信度水平（准确率ICC均值：0.87-0.92；反应时ICC均值：0.85-0.90），证明测量结果的稳定性和可重复性。

数据库的效度验证

效标效度

与现有数据库的相关分析证实了数据的外部有效性：与SPALEX的准确率相关性达r(3562)=0.618（p<0.001），反应时相关性为r(3556)=0.421（p<0.001）。与另一实验室研究相比，反应时相关性提高至r(529)=0.665（p<0.001）。与近期在线研究的相关性更高：准确率r(1027)=0.635，反应时r(1027)=0.710（均p<0.001）。

建构效度

三方面证据支持数据库的建构效度：首先，与同批动词的朗读任务数据呈中度相关（准确率r=0.457，反应时r=0.353）；其次，成功复现了词汇普及度与反应时的负相关关系（r=-0.472，与荷兰语r=-0.53和英语r=-0.51相当）；最关键的是，比较分析显示SpaVerb-LD在检测心理语言学效应方面表现最优。

创新性比较分析

研究团队进行了开创性的四数据库比较：将SpaVerb-LD与SPALEX、Gonzalez-Nosti等（2014）和Haro等（2024）三个现有数据库在相同指标上进行回归模型对比。结果令人印象深刻：SpaVerb-LD模型调整R2最高，效应量均值最大（0.041），且检测到12个效应中的11个，而其他数据库仅检测到5-6个。尤为重要的是，SpaVerb-LD是唯一能捕捉“动作内容”（motor content）语义效应的数据库——这对动词处理研究至关重要。相比之下，SPALEX模型调整R2最低，效应量均值最小（0.019），预测能力最弱。

词汇普及度的创新应用

本研究首次将词汇普及度这一相对新兴的指标引入西班牙语动词研究。普及度反映了认识某个词的人口比例，通过词汇决策任务中的准确率计算得出。研究表明，普及度对词汇识别和产生具有独立的促进作用，超越词频、习得年龄等传统变量的影响。研究者采用逻辑线性混合模型，将词汇性（lexicality）作为固定效应，参与者、项目和区块的截距以及参与者的词汇性斜率作为随机效应，计算出每个动词的普及度概率和logit转换值。这一指标为评估动词认知难度提供了新视角，在语言评估和康复训练中具有实用价值。

数据资源的结构与可及性

数据库通过开放科学框架（Open Science Framework）公开提供，包含两种格式：原始数据集记录每个试次的反应准确率和反应时（含超时和错误反应）；过滤数据集仅包含正确反应且去除异常值后的反应时。数据列包括参与者信息、项目属性、反应准确率、反应时、普及度指标等完整元数据。

这种细粒度的数据组织方式使研究人员能够根据特定需求灵活提取子集，进行虚拟实验、刺激材料选择或认知模型构建。对于临床工作者，可根据准确率和反应时数据对动词难度进行分级，为语言障碍患者的康复训练提供科学依据。

研究结论与重要意义

这项研究成功构建了西班牙语动词处理领域规模最大、质量最高的行为数据库。通过严格的实验室控制和充分效能验证，SpaVerb-LD提供了4,562个动词及其假动词的识别准确率、反应时和词汇普及度数据，填补了西班牙语动词实证研究的重大空白。

数据库的多重比较分析证明其具有优异的心理测量特性：高解释力、低预测误差、可接受的共线性以及检测广泛效应（包括语义变量）的能力。特别是其检测动作内容语义效应的敏感性，使该数据库特别适合进行词汇-语义分析，为动词处理的具身理论提供实证支持。

SpaVerb-LD与同批动词的朗读数据库SpaVerb-WN形成互补，使研究人员能够直接比较动词识别与朗读的认知过程，探索语言产生与理解之间的关系。这种双重数据库的可用性为西班牙语认知研究提供了独特资源。

在临床应用方面，动词作为句子的核心成分，其处理障碍常见于失语症、阿尔茨海默病等神经性疾病。该数据库提供的客观难度指标，有助于临床工作者科学地选择康复材料，个性化地制定训练方案，提高干预效果。

从方法论角度看，本研究为大型行为数据库的建立设立了新标准：通过模拟驱动的效能分析确定最优样本量，采用项目反应理论计算普及度，进行多维度效度验证。这些方法学创新为未来类似研究提供了可借鉴的框架。

随着语言认知研究向更精细、更生态化的方向发展，SpaVerb-LD这样的高质量行为数据库将成为推动理论进步的重要基石。它不仅服务于基础研究，也为人工智能领域的语言模型开发、教育领域的语言教学优化、临床领域的语言评估康复提供了宝贵的数据支持和理论参考。这项工作的真正价值，将在未来众多衍生研究和应用中持续显现。