CopCo

CopCo是由哥本哈根大学语言技术中心创建的第一个丹麦语眼动追踪语料库，包含1,832个句子，共计34,897个丹麦语词汇，数据来源于一系列演讲稿件。该数据集首次发布包含22名参与者的眼动追踪数据，并将持续扩展更多参与者和不同类型的文本。数据集主要用于自然语言处理和心理语言学研究，旨在解决语言理解和阅读过程中的认知问题。

CopCo is the first Danish eye-tracking corpus developed by the Center for Language Technology at the University of Copenhagen. It includes 1,832 sentences with a total of 34,897 Danish words, and the data is collected from a series of speech manuscripts. At its initial release, this corpus provides eye-tracking data from 22 participants, and it will be continuously expanded to incorporate more participants and texts of diverse types. This dataset is primarily used for natural language processing (NLP) and psycholinguistic research, with the goal of addressing cognitive issues related to language comprehension and reading processes.

搜集汇总

数据集介绍

构建方式

CopCo数据集的构建源于对丹麦语自然阅读过程中眼动记录的迫切需求，旨在填补该语言在此类资源上的空白。研究团队从丹麦语演讲手稿库中精选了2010至2019年间20篇面向普通听众的演讲，涵盖事件致辞、篝火晚会演讲及高中毕业致辞等体裁，以确保文本的自然性和生态效度。这些文本经母语者校对后，最终形成包含1,832个句子、总计34,897个词符的语料。实验招募了22名成年丹麦语母语者作为被试，在实验室环境中以自定步调阅读文本，同时使用EyeLink 1000 Plus眼动仪以1000 Hz采样率记录单眼注视数据。阅读过程中，约20%的段落随机穿插理解问题，以维持被试的专注度。所有原始数据经实时眼动事件检测后，通过自定义Python脚本将字符级注视信息映射至词级，提取出首次注视时长、总注视时长、跳读率等九项核心特征。

使用方法

CopCo的使用方式灵活多样，既服务于心理语言学基础研究，也赋能自然语言处理应用。研究人员可直接从开放科学框架平台（OSF）下载原始眼动数据、字符级注视与眼跳信息及词级特征文件，利用提供的Python处理脚本进行定制化分析。在心理语言学领域，可基于语料探究丹麦语母语者的阅读模式，分析词长、词频对跳读率的影响，或考察主语从句、否定结构等特定语言现象在自然阅读中的加工机制。在自然语言处理方面，眼动特征可作为辅助信号融入词性标注、命名实体识别等模型以提升性能，亦可作为解释性工具，用于评估和解释深度学习模型（如注意力机制）在丹麦语任务中的行为。跨语言研究者还能将CopCo与已有的英语、荷兰语等眼动语料库进行对比，揭示不同书写系统下阅读认知的共性与差异。

背景与挑战

背景概述

眼动追踪技术为揭示人类语言加工的认知机制提供了独特窗口，而自然阅读过程中的眼动记录更是承载着词汇识别、句法整合乃至语义理解等多层次加工信息。近年来，随着记录设备的进步与计算语言学的发展，构建大规模、生态效度高的自然阅读眼动语料库成为连接心理语言学与自然语言处理研究的重要桥梁。在此背景下，哥本哈根大学与丹麦IT大学的研究团队于2022年发布了CopCo语料库，这是首个针对丹麦语自然阅读的眼动追踪资源。该数据集由Nora Hollenstein、Maria Barrett和Marina Björnsdóttir主导创建，包含从20篇丹麦语演讲手稿中提取的1,832个句子、34,897个词汇，以及22名成年母语者的眼动记录。CopCo不仅填补了丹麦语在自然阅读眼动数据方面的空白，还为跨语言比较研究、认知语言模型评估以及阅读障碍等应用领域提供了基础资源，推动了低资源语言在认知计算方向的发展。

当前挑战

CopCo语料库面临的挑战主要体现在两个层面。在领域问题层面，如何利用有限规模的眼动数据有效建模复杂语言现象是一大难题：丹麦语作为形态丰富的语言，其词汇长度、词频分布与句法结构与英语等已有资源存在差异，使得基于其他语言的认知模型直接迁移效果受限。此外，自然阅读语料虽具生态效度，却难以精细控制语言学变量，导致对特定句法或语义效应的因果推断能力弱于实验条件下的研究。在构建过程中，挑战同样显著：实验设计需兼顾自然性与数据质量，包括如何平衡语料文本的多样性（如演讲体裁、说话者性别与年龄分布）、确保22名被试的阅读理解水平一致性（平均正确率82%，但个体差异显著），以及处理眼动数据校准误差（如P14因技术问题被剔除）。同时，将字符级注视特征自动映射到词汇级特征时，需应对不同文本排版与字体对注视位置的影响，这要求开发可靠的转换脚本并验证其与已有语料库特征范围的一致性。

常用场景

经典使用场景

CopCo作为首个丹麦语自然阅读眼动追踪语料库，其经典使用场景聚焦于心理语言学与认知科学领域，用于研究人类在自然文本阅读过程中的实时认知加工机制。该数据集通过记录22名母语者在自定步速阅读20篇演讲稿时的眼动轨迹，提供了包括首次注视时长、总注视时长、回视时间等精细化的词汇级与字符级特征，为分析词汇频率、词长、着陆位置等语言属性对阅读行为的影响提供了高生态效度的数据支撑。研究者可借此模拟从早期词汇通达到后期句法整合的完整阅读流程，弥补传统受控实验在自然性上的不足。

解决学术问题

该数据集解决了丹麦语自然阅读研究中缺乏大规模生态化眼动资源的学术困境，填补了斯堪的纳维亚语系在此领域的空白。它使研究者能够突破传统心理语言学依赖最小对比句对的局限，在真实语境中检验词汇频率效应、句法复杂性引发的包裹效应等经典理论。通过提供跨语言可比的标准眼动特征，CopCo推动了阅读模型的跨语言验证与修正，例如验证了词长与跳读率间的普遍负相关关系，同时揭示了丹麦语特有的字符级着陆位置模式，为构建更具语言特异性的认知计算模型奠定了基础。

实际应用

在实际应用层面，CopCo为自然语言处理（NLP）领域提供了认知启发的特征增强手段。其眼动数据可被直接用于优化词性标注、命名实体识别、情感分析等下游任务，例如通过注视时长特征提升模型对低频词或歧义词的判别能力。此外，该数据集还服务于可解释人工智能研究，用于评估和解释神经网络语言模型的注意力机制，通过对比人类注视模式与模型权重分布，揭示模型在丹麦语文本理解中的认知合理性，从而推动更符合人类阅读习惯的交互式阅读辅助系统的开发。

数据集最近研究

最新研究方向

CopCo数据集作为首个丹麦语自然阅读眼动追踪语料库，为认知科学和自然语言处理领域开辟了新的研究路径。当前前沿方向聚焦于利用该语料库中的眼动特征（如注视时长、跳读率与落点位置）来增强计算语言模型的可解释性，例如通过分析注意力机制与人类阅读行为的对齐程度，评估丹麦语模型的语义理解深度。同时，该数据集推动了跨语言眼动模式的比较研究，尤其在与MECO等现有语料库的对比中，揭示了丹麦语特有的词长与词频对阅读行为的调制效应。此外，CopCo的持续扩展计划——纳入不同阅读能力群体（如阅读障碍者）及多体裁文本（如社交媒体内容）——正催生对个体差异与语境适应性阅读模型的精细化探索，为构建更具生态效度的认知计算框架提供了关键资源。

相关研究论文

• The Copenhagen Corpus of Eye Tracking Recordings from Natural Reading of Danish Texts

  哥本哈根大学语言技术中心 · 2022年