目錄
1 緒論
過去數年，神經科學在探究語言習得、理解與產出方面取得了豐碩的研究成果。非侵入性、安全的腦功能測量已被證實可行，可用於嬰兒與成人的神經資料擷取。在語音層面的學習效應之神經特徵能夠被高精度地識別。語言發展的連續性意味著，即使對語音層面刺激的大腦反應也能被觀察到，這具有重要的理論與臨床意義。
2 語言習得
語言習得是人類最重要的特質之一，大腦在此發展過程中經歷顯著變化。文法規則的根源被歸因於人腦中的一個隱性過程。
2.1 第一語言（L1）習得
語言學家發現，說話、手語和語言理解是關鍵的語言技能——是自然、天生且由生物學決定的。閱讀與寫作則被視為次要技能。兒童在生命最初幾年透過主要能力習得其母語或第一語言（L1），逐步建立語言知識。言語發展從牙牙學語（6-8個月）到單詞階段（10-12個月），再到雙詞階段（約2歲）。
2.2 第二語言（L2）習得
L1與L2之間存在深刻差異。L2可以在生命中的任何時間點學習，但若在預測的「敏感期」（從幼兒期到青春期，約12歲）之後習得，L2能力很少能與L1匹敵。
2.3 手語與技能習得
本綜述亦涵蓋手語習得與基於技能的語言學習，並指出不同類型的習得涉及不同的大腦區域。
3 語言理解
理解涉及不同的大腦區域，取決於句子或詞語的語義與句法。
3.1 母語理解
母語理解通常涉及已穩固建立的神經通路，對大多數人而言主要位於左腦半球。
3.2 雙語理解
雙語理解已被納入考量，研究顯示大腦如何管理多個語言系統，有時涉及重疊、有時涉及不同的神經網絡。
4 實驗技術與分析
本文討論用於神經語言學習得偵測的實驗技術，以及這些實驗的發現。
4.1 神經造影方法（fMRI/PET/EEG）
眾多fMRI與PET研究顯示，聽覺語音處理與後上顳回（STG）[BA 22]的活化相關，而詞彙語義處理則與左側西爾維亞裂外側的顳頂葉區域（包括角回）的活化相關。
4.2 計算分析工具
本綜述論述了不同的fMRI/EEG分析技術（統計/圖論）以及用於神經語言學計算的工具（前處理/計算/分析）。
5 關鍵大腦區域
人腦作為指揮中心，控制著心律、記憶、語言及所有人類活動。
- 布洛卡區：位於額下回（IFG）的區域，對語言產出與協調至關重要，大多數人位於左腦半球。由BA44（島蓋部）和BA45（三角部）組成。
- 韋尼克區：位於上顳回（STG），負責語言理解（書面與口語）。BA22涵蓋了此區域的一部分。
圖1（參見PDF）：人腦語言區包含布洛卡區與韋尼克區。
6 核心見解與分析師觀點
核心見解：本綜述整合了一個關鍵但零散的論述：語言處理並非單一整體，而是由專門神經迴路組成的聯合體。本文的真正價值在於其隱含的論點——反對「語言模組」說，支持一個動態、依賴經驗的網絡模型。L1與L2神經特徵之間的區別不僅在於熟練度；它更是處理架構上的根本差異，L2通常需要更多的認知控制，並更大量地動用前額葉區域，這得到了如發表於NeuroImage等期刊的統合分析支持。
邏輯脈絡：本文遵循標準的綜述結構——緒論、習得、理解、方法——但其邏輯力量來自於將發展時間線（L1的敏感期）與神經造影證據並置。它有效地展示了時間限制（Lenneberg的關鍵期假說）如何在大腦中表現為解剖與功能上的限制。從宏觀解剖（布洛卡/韋尼克區）到微觀過程（語音層面的fMRI偵測）的脈絡處理得當。
優點與缺點：其優點在於廣度，涵蓋了習得、理解與工具。一個主要缺點是對計算技術的處理流於表面。一口氣提及GLM、ICA、PCA和圖論，卻未詳細說明它們在神經語言學資料中的具體應用，是一個重大疏漏。讀起來像是關鍵字堆砌。相較於認知神經科學中關於表徵相似性分析（RSA）等方法論的深度探討，本節缺乏可操作的細節。此外，本綜述過度依賴古典模型（布洛卡、韋尼克），未能充分代表當代網絡神經科學的觀點，後者將語言視為全腦現象，正如馬克斯·普朗克研究所的研究人員所倡導的那樣。
可操作見解：對研究人員而言，可操作的見解是超越單純的定位。未來在於建模這些區域之間的互動。本文透過「圖論」方法暗示了這一點，但未詳細闡述。實際上，應設計使用動態因果模型（DCM）或有效連接性分析的實驗，以測試資訊在顳葉、額葉和頂葉樞紐之間的流動，例如在句法解析與語義檢索期間。對於神經語言學AI等應用領域，其見解在於建構模仿這種差異性招募的神經網絡——使用獨立的子網絡進行基於規則（句法）和聯想（語義）的處理，類似於GPT-4等系統使用注意力機制來權衡語言的不同面向，而非使用單一均質的處理層。
7 技術細節與數學框架
本綜述提及了幾項關鍵分析技術。一般線性模型（GLM）是fMRI分析的基礎，它將大腦的血氧濃度相依（BOLD）訊號建模為實驗預測因子的線性組合：
$Y = X\beta + \epsilon$
其中 $Y$ 是觀測到的BOLD訊號，$X$ 是包含任務回歸因子的設計矩陣，$\beta$ 代表估計係數（神經活化），$\epsilon$ 是誤差項。
用於分離神經訊號的獨立成分分析（ICA）公式為：$X = AS$，其中觀測訊號 $X$ 被分解為混合矩陣 $A$ 和統計上獨立的來源成分 $S$。
腦電圖（EEG）中的事件相關電位（ERP）分析通常涉及對刺激後特定時間窗口的電壓振幅或潛時進行統計比較（t檢定、z分數）。
8 實驗結果與圖表說明
主要發現：本文總結指出，不同類型的語言習得（L1、L2、手語）會活化不同但重疊的大腦區域。L1習得大量動用經典的西爾維亞裂周邊語言網絡（左側IFG、STG）。L2習得，特別是在敏感期之後，顯示出更多的雙側或右腦半球參與，以及在背外側前額葉皮質（DLPFC）等區域有更強的活化，這與增加的認知控制和工作記憶負荷相關。
圖表說明（根據所述發現綜合）：一個假設的長條圖將顯示四個關鍵區域的相對活化水平（例如，% BOLD訊號變化）：左側IFG（布洛卡區）、左側STG（韋尼克區）、右側IFG和DLPFC，針對三種條件：L1處理、早期L2習得和晚期L2習得。我們預期L1在左側IFG/STG有高活化。早期L2可能在左腦半球區域顯示相似但略為減弱的模式。晚期L2與L1相比，在右側IFG和DLPFC會顯示顯著更高的活化，表明補償機制和增加的認知努力。
9 分析框架：案例範例
案例：探究雙語者的句法與語義處理。
目標：使用結合fMRI/ERP的方法，剖析L1和L2中句法與語義的神經網絡。
框架：
- 刺激材料： L1和L2的句子，包含（a）正確句法/語義，（b）句法違例（例如，詞序錯誤），（c）語義違例（例如，「天空正在喝東西。」）。
- fMRI分析流程：
- 前處理：切片時間校正、重新對齊、標準化（至MNI空間）、平滑化。
- 第一層級GLM：為每個條件（SyntaxViolation_L1, SemanticViolation_L2等）設定獨立回歸因子。
- 對比：[SyntaxViolation > Correct] 和 [SemanticViolation > Correct]，針對每種語言。
- 第二層級群組分析：隨機效應模型，以識別一致的活化圖譜。
- 感興趣區域分析：從解剖定義的布洛卡區（BA44/45）和韋尼克區（BA22）遮罩中提取平均活化值。
- ERP分析流程：
- 前處理：濾波、分段、基線校正、偽跡剔除。
- 成分分析：識別P600成分（與句法再分析相關）和N400成分（與語義不一致相關）。
- 統計檢定：使用重複測量變異數分析比較L1與L2條件下P600/N400的平均振幅。
- 整合： 在參與者與語言之間，將布洛卡區的fMRI活化強度與P600振幅相關聯，並將顳葉區域的活化與N400振幅相關聯。
此框架允許對語言處理的神經基礎進行多模態、條件特定的研究。
10 未來應用與研究方向
- 個人化語言學習： 使用即時fMRI或fNIRS神經回饋，訓練L2習得的最佳大腦狀態。
- 神經語言學人工智慧： 為開發更類似大腦的人工神經網絡以進行自然語言處理（NLP）提供資訊。受大腦雙流處理模型啟發，將「快速」句法路由與「緩慢」語義整合分離的架構，可以提高效率與穩健性。
- 臨床診斷與復健： 基於特定的網絡功能障礙（而不僅僅是病變位置）來精煉語言障礙（失語症、閱讀障礙）的生物標記。開發針對性的神經調控（TMS、tDCS）方案，以刺激語言網絡的特定節點。
- 縱向發展研究： 追蹤同一個體從嬰兒期到成年期，以繪製語言網絡鞏固的動態軌跡，超越橫斷面的快照。
- 多語言大腦圖譜： 大規模合作計畫，創建支援數十種語言的大腦詳細功能與結構圖譜，並考量語言多樣性（例如，聲調語言與非聲調語言）。
11 參考文獻
- Brodmann, K. (1909). Vergleichende Lokalisationslehre der Grosshirnrinde. Barth.
- Hickok, G., & Poeppel, D. (2007). The cortical organization of speech processing. Nature Reviews Neuroscience, 8(5), 393-402.
- Lenneberg, E. H. (1967). Biological foundations of language. Wiley.
- Price, C. J. (2012). A review and synthesis of the first 20 years of PET and fMRI studies of heard speech, spoken language and reading. NeuroImage, 62(2), 816-847.
- Fedorenko, E., & Thompson-Schill, S. L. (2014). Reworking the language network. Trends in Cognitive Sciences, 18(3), 120-126.
- Kriegeskorte, N., Mur, M., & Bandettini, P. A. (2008). Representational similarity analysis – connecting the branches of systems neuroscience. Frontiers in Systems Neuroscience, 2, 4.
- Max Planck Institute for Human Cognitive and Brain Sciences. (n.d.). Language and Computation in Neural Systems Group. Retrieved from https://www.cbs.mpg.de
- Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.