基于儿童自然体验扩展跨情境词汇学习

研究人员在包含 48 名儿童、2,441 小时第一人称视频的 BabyView 语料库上训练对比视觉-语言模型，证实跨情境学习能有效实现早期名词映射。实验发现，结合互联网预训练视觉表征的模型表现远优于纯视频训练，且大部分学习信号来自描述可见参照物的少量话语。模型虽学到了类人语义结构，但学习轨迹仍与儿童存在显著差异。