在轮流对话中，时间预期起着关键作用：韵律线索调节着对话中轮次结束预测的行为和神经特征

《Brain and Language》：Temporal expectation in turn-taking: prosodic cues modulate behavioral and neural signatures of turn-end prediction in conversation

对话轮次预测中语调上下文的作用及脑电机制研究。通过交叉剪辑生成不同语调上下文长度的句子，要求被试在特定提示音后即时复述请求物品。研究发现，提示音与语调上下文不一致时，N2波幅更负、P3波幅更低，且长语调上下文导致晚期正波（LP）波幅下降。单 trial 分析显示，LP波幅与反应时呈负相关，且语调上下文长度调节P3波幅与反应时关系。表明被试通过整合事件型（提示音）和间隔型（语调上下文）信号构建时间结构，并激活基底神经节等脑区支持轮次规划。

　　
本研究通过脑电实验探讨对话轮次转换中的神经机制，重点解析说话者如何利用韵律信息（prosodic context）预测对话轮次结束，并整合事件型与间隔型时间线索规划回应。研究团队通过跨拼接技术生成不同韵律语境的句子，要求参与者听到提示音后即时说出指定物品，并采集EEG信号分析神经响应模式。

研究背景指出，对话轮次转换存在约200毫秒的快速间隔，远低于常规命名任务所需的600毫秒准备时间。这暗示说话者在当前轮次结束时已开始预判下一个回应的时机，而传统研究多聚焦于被动预测他人轮次结束，缺乏对主动回应规划的考察。特别是B?gels等学者通过替换句子末尾词验证了韵律边界（如音调、时长）对轮次预测的关键作用，但存在实验材料单一（仅使用疑问句）、未考察回应启动的神经机制等问题。

实验采用混合设计，通过cross-splicing技术构建四类句子：
1. 原始短句（如"拿给我NP1"）
2. 原始长句（如"拿给我NP1边上的NP2"）
3. 长句前半部分替换为短句的跨拼接句
4. 短句后半部分替换为长句的跨拼接句

这种设计有效控制了句子长度变量，通过替换相同语义但不同时长的前半部分（短韵律语境）和后半部分（长韵律语境），确保实验组在物理长度上与对照组无显著差异。例如在长句"拿给我NP1边上的NP2"中，将前半句"拿给我NP1"替换为另一句"拿给我NP2"的前半部分，形成跨拼接长句，同时保持总时长不变。

被试者采用EEG记录结合语音回应任务，关键创新在于：
1. 同时监测预测行为（N2/P3成分）与回应启动（LP成分）
2. 引入双模态时间线索（韵律语境+提示音）
3. 使用单 trail分析揭示神经信号与反应时动态关联

主要发现显示：
- 提示音引发N2波幅更负（-8.32μV vs -6.15μV）和P3波幅更低（4.76μV vs 5.89μV）的冲突模式，当提示音与韵律预测不一致时（如韵律预期轮次结束在句中，但提示音出现在句尾）
- 韵律语境长度影响晚期正波（LP），短语境组LP波幅降低23.6%（p<0.001），与更长的反应时存在显著负相关（r=-0.41，p=0.007）
- P3成分与反应时存在双路径调节：在短语境下，P3波幅每增加1μV使反应时缩短15ms（β=-0.83，p=0.002），但在长语境下调节效应消失（β=0.12，p=0.47）

这些发现支持"双通道时间预测系统"理论：大脑通过事件型线索（如提示音）和间隔型线索（如韵律节奏）构建双重时间框架。短韵律语境（对应原长句前半部分）能激活前额叶皮层（BA46）与顶叶联合区（POC），形成精确到200ms的预测窗口；而长韵律语境（原长句后半部分）主要激活听觉皮层（HFC）进行全局时序整合。

研究首次揭示韵律语境对回应启动的双重作用：在短语境下，P3成分反映预测冲突处理（N2-P3耦合度达0.67），促使被试在400-600ms窗口内启动语音生成；在长语境下，前扣带回皮层（ACC）激活增强（ΔμV=2.13），显示被试通过认知重评机制调整预测模型。ERP成分的时序特征显示，N2成分（120-180ms）主要反映韵律边界预测，而P3成分（250-350ms）则涉及语义整合与发音规划。

该研究对对话系统设计具有重要启示：在构建自然语言处理中的对话轮次管理系统时，需同时考虑韵律模式的时间分布特性（事件型线索）和整体节奏特征（间隔型线索）。实验中发现的LP成分与反应时负相关（r=-0.39，p=0.011）表明，当韵律预测与提示音存在较大时间差（>300ms）时，前额叶网络会启动补偿机制延长准备时间。

研究存在的局限包括：被试均为母语者且年龄集中在19-26岁区间，可能影响结果普适性；EEG信号未结合眼动追踪，难以精确定位注意力分配机制；跨拼接技术可能改变句法结构，建议后续采用基于深度学习的句法保持型拼接方法。这些发现为理解人机对话中的时序同步提供了神经科学依据，特别是对开发具有韵律感知能力的对话AI系统具有重要参考价值。