語言習得過程中，嬰兒如何從連續的語音流中識別詞匯邊界一直是認知科學的核心問題。傳統理論認為統計學習(SL)通過計算音節間過渡概率(TP)自動切分詞匯并形成記憶，但這一假設缺乏直接證據。隨著研究發現SL可能僅支持預測加工而非記憶編碼，以及實際語言輸入中存在韻律分組的離散性特征，SL在詞匯習得中的真實作用亟待厘清。

為解答這一爭議，國外研究團隊在《Cognition》發表研究，通過計算建模結合行為實驗系統評估SL的功能邊界。研究首先構建Hebb神經網絡模型，模擬單元與子單元的識別偏好；隨后開展兩項實驗：實驗1采用Saffran經典詞匯切分范式，要求受試者回憶連續/預分割語音序列中的詞匯；實驗2操縱TP分布模式，測試受試者對連續/離散序列中高頻組塊的敏感性。關鍵技術包括：(1)基于mbrola語音合成器構建人工語言材料；(2)在線/實驗室結合的回憶與識別測試；(3)基于TP計算的響應模式分析；(4)使用PARSER模型驗證組塊理論。

統計學習vs詞匯記憶的神經模擬
通過Hebb網絡復現Giroux & Rey(2009)的單元優勢效應，證明抑制性連接可解釋單元偏好，無需依賴記憶編碼。模型顯示A-C連接強度低于A-B/B-C連接，導致子單元激活受抑制。

實驗1：連續序列中的記憶缺失
關鍵發現包括：(1)連續序列組僅30%受試者能回憶詞匯/部分詞匯，其中正確回憶詞匯者僅占半數；(2)預分割組回憶準確率達92.3%；(3)TP敏感性與回憶表現分離，顯示SL不自動轉化為陳述性記憶。神經網絡分析表明PARSER模型無法解釋部分詞匯回憶現象。

實驗2：序列連續性的調節作用
英國語音版本顯示統計學習在連續序列中顯著(58.5%正確率,p<0.02)，但在預分割序列中失效(51.7%,p=0.307)。美國語音版本重復驗證該效應，證實SL對序列結構的依賴性。

研究結論挑戰了SL作為詞匯習得基礎的傳統觀點：(1)SL通過Hebb機制積累TP信息，但不會自動形成可回憶的詞匯表征；(2)離散韻律分組阻礙SL效應，而連續序列促進預測加工；(3)詞匯記憶依賴明確的邊界線索而非統計規律。該發現為語言習得理論提供新框架，提示嬰兒可能優先利用韻律等非統計線索建立詞匯庫，而SL主要支持流利語音的實時預測。研究還啟示第二語言教學應注重詞匯的離散呈現，并重新評估SL在神經發育障礙干預中的應用策略。