(The Emergence of the New Paradigm: From Acquisition Hypothesis and SoR to AI)
第一節 理論基礎的轉向：習得與學習的不可共量性
如果說舊典範建立在行為主義的經驗法則之上，新典範則奠基於第二語言習得（SLA）理論對人類語言機制的認知革命。Krashen (1985) 在其奠基之作《輸入假說》（The Input Hypothesis）中提出的「習得—學習假說（Acquisition-Learning Hypothesis）」，為新舊典範劃下了第一道不可逾越的界線。Krashen 區分了兩種截然不同的心理歷程：
- 學習（Learning）： 透過顯性教學掌握規則（即舊典範的核心）。
- 習得（Acquisition）： 透過理解訊息而自然內化語言（即新典範的核心）。
Krashen 提出了一個讓舊典範無法接受的論點：「學習」無法轉化為「習得」。也就是說，無論學生背誦了多少文法規則（Learning），這些知識永遠只會停留在負責監控（Monitor）的意識層，而不會轉化為流暢溝通所需的潛意識語感。他稱這個立場為「非介面立場（Non-interface Position）」：明示知識與隱性語感之間，不存在任何可以雙向流通的通道。
這個主張在提出之初就引發了持續至今的爭論。例如，DeKeyser（2007）的技能習得理論（Skill Acquisition Theory）與VanPatten（1996）的處理教學法（Processing Instruction）都在某種程度上挑戰了這個絕對立場，顯示在特定條件下，明示知識確實可以轉化為程序性能力。然而，理解這些挑戰的有效性，需要一個更精確的分析框架。
1.1 用統計學習的視角重新詮釋 Krashen
我們主張，Krashen 的核心洞見，可以透過當代統計學習理論獲得更嚴謹的理論支撐，從而超越原本那種「行為觀察的直覺」層次。
從神經網路的學習模型來看，語言習得本質上是大腦對語言輸入進行機率模型建構的過程。大腦透過大量的、多樣化的輸入樣本，逐漸歸納出語言系統的機率分布——哪些詞彙會共現、哪些語法結構在何種語境中出現、哪些語用模式對應哪些溝通意圖。這個過程並不需要依賴明示規則的講授，反而是依賴訓練樣本的涵蓋性（Coverage）與訓練頻率（Frequency）。
在這個框架下，Krashen 的非介面立場獲得了計算理論層面的必然性：自然語言是一個極高維度的機率系統，其統計結構存在於一個涵蓋無數語境、語用、文化維度的巨大空間裡。任何有限的規則集合，在這個空間裡的覆蓋率趨近於零。更白話的說，就是「規則這種表徵方式，在計算的規模上根本無法捕捉自然語言的複雜度」。
1.2 重新定位 DeKeyser 與 VanPatten 的貢獻
上述的分析框架可以同時解釋為什麼 DeKeyser 和 VanPatten 的研究結果是真實有效的，卻也不能被用來否定 Krashen 在自然語言習得上的根本主張：
- DeKeyser 的實驗研究，大量使用人造語言（Artificial Language）或高度控制的語言系統作為研究材料。人造語言是一個低維度系統——規則少、例外少、語境變異有限。在這樣的系統裡，一套設計精良的明示規則加上刻意練習，確實可以在短時間內提供足夠代表性的輸入樣本，讓大腦完成針對該系統的統計學習。這個過程是真實發生的，但其成立條件就內建在「低維度系統」這個設定裡。
- VanPatten 的處理教學法，則是透過刻意設計的活動，強迫學習者在處理輸入時必須注意那些通常被忽略的語法形式。在統計學習的框架下，這相當於對某個特定維度進行局部的「樣本增強」——它修正的是採樣偏差，讓大腦對某個語言特徵獲得更均衡的接觸頻率，本質上仍然是在服務習得過程，而非繞過它。
透過以上兩個例子，我們可以看到，SLA這個領域內部的爭論，並非「規則有用vs規則無用」的二元對立，而是反映了一個更細緻的問題：在語言系統的複雜度連續譜上，明示規則介入的有效性會隨著系統維度的上升而遞減。對於自然語言這個極高維度的系統而言，Krashen 的非介面立場在計算上是個合理的預測。
整體而言，Krashen 在1985年的理論率先解釋了舊典範下最巨大的異常現象（Anomaly）：學生明明通過了文法考試，卻在真實對話中張口結舌。所以，用Kuhn 的視角來說，Krashen 的理論正是新典範的起點。
第二節 閱讀機制的解密：閱讀科學對「翻譯法」的否定
進入 21 世紀，閱讀科學（Science of Reading, SoR）進一步從認知心理學的角度，否定了舊典範中「翻譯即閱讀」的假設。
更具殺傷力的證據來自 Scarborough (2001) 的「閱讀繩索（Reading Rope）」模型。該模型展示了熟練的閱讀必須建立在「解碼自動化（Automaticity）」之上。SoR 研究指出，大腦必須透過「正字法映射（Orthographic Mapping）」建立字形到語音再到語意的瞬間連結，閱讀才能流暢。然而，台灣舊典範盛行的「逐句翻譯」與「文法拆解」，迫使大腦忙於進行低階的英中解碼，反而阻斷自動化神經迴路的形成。這從認知科學上解釋了為何舊典範教學會產出「閱讀速度極慢」且「持續依賴中文中介」的英語使用者。
第三節 計算理論的收斂：從 Symbolic AI 到 Connectionist AI 的典範轉移
新典範最深層的科學支撐，來自一個意想不到的方向——人工智慧領域在過去半個世紀所經歷的典範轉移。這段歷史不只是技術發展的旁證，而是對語言本質的一次大規模計算實驗，其結果直接支持了 Krashen 的核心洞見。
3.1 Symbolic AI 的天花板：規則的本質性局限
20 世紀後期，計算機科學領域裡人工智慧研究的主流典範是「符號主義（Symbolic AI）」，或稱「規則導向系統（Rule-based Systems）」。這個典範的基本信念和本文所稱的語言教育的舊典範幾乎是同構的：智能行為可以被分解成一組有限的、明示的規則；只要規則夠完備，系統就能運作。
事實上，自然語言處理正是這個典範最雄心勃勃的應用領域之一。電腦科學家嘗試以人工撰寫的文法規則、詞彙規則與語用規則，建構能夠理解和生成自然語言的系統。然而，數十年的努力揭示了一個殘酷的現實：這條路徑存在一個原理性的天花板。由於自然語言的語境依賴性、歧義性、語用彈性，以及不斷演化的慣用法，使得規則集合的複雜度呈現指數級的爆炸式增長——即便窮盡人類所能撰寫的規則，所能覆蓋的語言現象仍只是冰山一角。
換言之，以符號及規則來讓機器具備智慧的企圖，從沒實現過。
3.2 Connectionist AI 的湧現：統計學習作為語言的根本機制
1980 年代末期，從人類大腦神經元連結所得到的啟發，聯結主義（Connectionism）與類神經網路開始為人工智慧的研究揭示完全不同的方向，並在 2010 年代後以大型語言模型（Large Language Models, LLM）的形式取得了壓倒性的突破。這個典範的基本假設截然不同：智能行為（包括語言能力）不是規則的執行結果，而是從海量數據的統計學習中湧現（Emerge）出來的機率結構。
套用Kuhn 的用語，LLM 的巨大成功為第二語言教育的新典範提供了最宏觀的示範（Exemplar）。Christiansen & Chater（2016）在《創造語言》（Creating Language）中論證，語言本質上是一個機率系統而非邏輯規則系統。LLM 沒有被輸入任何一條文法規則，僅憑海量數據的統計學習，就掌握了跨越無數語境的語言能力。其所展現的語言流暢度，遠超任何規則系統所能達到的上限。
兩種路線在計算規模上的差別說明了一個關鍵事實：當代最小規模的 LLM，其參數量也以數十億計，遠遠超過任何人類可能撰寫的規則集合數個數的量級。簡單的說，這已經不是「如何增加更多規則」或「如何更細緻表達規則」的問題，而根本就是兩種截然不同的典範之間的本質差異。用Kuhn 的話與來說，就是典範間的不可共量性。
3.3 對 Krashen 的計算理論支持
這段 AI 發展史，恰恰為 Krashen 的非介面立場提供了一個超越心理語言學觀察的理論支撐。Symbolic AI 的困境，正是「語言作為知識（規則集合）」這個本體論假設在計算實踐中的失敗——而這恰好就是舊典範的核心語言觀。相反的，Connectionist AI 的成功，則驗證了「語言能力作為統計學習的湧現結果」這個假設的有效性——而這恰好就是 Krashen 習得假說的核心信念。
當然，人類大腦與 LLM 在物理機制上並不相同。但兩者在處理自然語言理解的模式與數學機制則呈現高度類似性：都依賴大量樣本的統計學習；都不依賴明示規則的輸入；都用大量節點間的連結權重的變化來進行平行計算；都在累積足夠的訓練數據之後展現出難以用規則描述的流暢表現。
第四節 Krashen理論的神經生理學解釋
Krashen 的可理解輸入假說在提出之初，是一個建立在行為觀察與心理語言學直覺上的理論構念，缺乏直接的生理機制支撐。然而，近數十年來神經語言學的研究，為這個假說提供了意想不到的神經生理層次的佐證。
例如Ullman (2004) 的「陳述性/程序性模型（Declarative/Procedural Model）」指出：舊典範依賴的規則記憶屬於「陳述性記憶（由海馬迴負責）」，其特徵是提取緩慢且需耗費注意力；而流暢的語言使用則屬於「程序性記憶（由基底核負責）」，其特徵是快速且自動化。換言之，舊典範試圖用海馬迴來執行基底核的任務，在生理機制上注定是低效的。這點完全呼應了Krashen 對於「語言知識學習」與「語言能力習得」的差別。
4.1 Monitor 假說的核心主張
Krashen 的理論中也主張，明示的語言知識（Learning）在實際語言使用中扮演的角色是「監控者（Monitor）」：它在輸出之前或之後介入，有意識地檢查語言形式是否符合規則。這個監控機制有三個關鍵特徵：它需要時間（Time）、它需要注意力資源（Focus on Form）、以及它需要對規則的明確認識（Knowledge of Rules）。正因如此，Monitor 在即時對話中往往來不及啟動，但在有充裕時間的書面寫作中則較為活躍。
4.2 DLPFC：Monitor 的神經基質
背外側前額葉皮質（Dorsolateral Prefrontal Cortex, DLPFC）是工作記憶與高階認知控制的核心區域。神經語言學的 fMRI 研究（Abutalebi & Green, 2007）顯示，當雙語者必須在兩個語言系統之間進行有意識的規則提取、語言切換、或語法形式的刻意檢索時，DLPFC 的活化程度顯著升高。
這個神經活動模式，在功能上精確對應了 Krashen 所描述的「Monitor 啟動」狀態：說話者有意識地暫停、提取一條文法規則、並據此檢查或修正輸出。DLPFC 的高度活化，正是這個有意識的認知控制過程在神經層面的具象表現。
4.3 ACC：觸發 Monitor 的衝突偵測器
前扣帶迴皮質（Anterior Cingulate Cortex, ACC）的功能則更為精細。它是大腦的「衝突監控器」，負責偵測認知系統中的競爭與衝突，並據此動態分配注意力資源。在語言使用的情境下，當說話者的隱性語感與明示規則之間出現張力時——例如說話者「感覺這句話不太對」，但又無法立即說清楚為什麼——ACC 就會活化，觸發對 DLPFC 的調用，啟動有意識的語言監控程序。
這個機制，正好解釋了 Krashen 理論中一個長期難以被行為觀察捕捉的細節：Monitor 不是隨時都在運作的，而是在特定條件下被觸發的。ACC 的衝突偵測功能，提供了這個「觸發機制」的神經生理解釋。
4.4 兩個傳統的匯流
儘管兩個研究傳統從未明確對話過，但如果我們將兩組研究並排來看，其對應關係是清晰的：
Krashen 在心理語言學層次描述的 Monitor，是有意識的、耗費注意力資源的、依賴明示規則的語言監控機制。這與 ACC/DLPFC 在神經生理層次描述的認知控制系統，本質上是同一個現象在不同描述層次上的呈現。前者是功能性的描述，後者是機制性的描述，兩者互為表裡。
這個匯流具有重要的理論意涵。它把 Krashen 的 Monitor 假說從一個「難以被直接驗證的心理語言學推論」，提升為一個「可觀察的神經生理現象」。它同時也強化了非介面立場的論證基礎：ACC/DLPFC 系統的高度活化，代表的是認知負荷的顯著增加。在自然、流暢的語言使用情境中，這個系統的持續介入是不可持續的——它會佔用大量的認知資源，干擾即時溝通所需的自動化處理。這從神經科學的角度，這解釋了為什麼依賴 Monitor 的語言使用者，在面對真實溝通壓力時總是「來不及想」：他們的大腦正在用錯誤的神經系統來執行一個需要不同神經系統才能勝任的任務。
第五節 本章小結
本章透過整合 SLA、閱讀科學、認知神經科學與人工智慧四個領域的證據，勾勒出新典範的科學輪廓：
在本體論上，語言是機率性的隱性知識（Implicit Knowledge），其複雜度根本上超出了任何規則集合可能達到的表徵範疇。
在方法論上，語言能力的形成依賴大量可理解輸入（Comprehensible Input）所引發的統計學習，而非文法分析；閱讀流暢度依賴解碼的自動化，而非翻譯的精確度。
在理論整合上，SLA 內部關於明示教學角色的爭論（Krashen vs. DeKeyser/VanPatten），可以在統計學習框架下獲得更清晰的解讀：明示介入的有效性，隨語言系統維度的升高而遞減；對於自然語言這個極高維度的系統，大量可理解輸入才是唯一能夠系統性建構語言能力的路徑。
這不僅僅是教學法的歧異，而是對「人類如何習得語言」這一科學事實的重新定義——一個有計算理論、神經科學與人工智慧研究共同支撐的定義。尤其值得注意的是，神經語言學對 ACC/DLPFC 機制的研究，與 Krashen 的 Monitor 假說在功能層次上高度吻合——前者為後者提供了神經生理基礎，使其從心理語言學的推論，成為跨層次驗證的科學陳述。面對如此收斂的跨領域證據，繼續堅持舊典範已經不再是一種「傳統」，是一種與當代科學知識相悖的執著。
章節引用文獻列表 (References for this chapter)：
- Krashen, S. D. (1985). The Input Hypothesis: Issues and Implications. Longman.
- DeKeyser, R. M. (2007). Skill acquisition theory. In B. VanPatten & J. Williams (Eds.), Theories in second language acquisition (pp. 97–113). Lawrence Erlbaum.
- VanPatten, B. (1996). Input Processing and Grammar Instruction. Ablex.
- Gough, P. B., & Tunmer, W. E. (1986). Decoding, reading, and reading disability. Remedial and Special Education, 7(1), 6–10.
- Scarborough, H. S. (2001). Connecting early language and literacy to later reading (dis)abilities. In S. B. Neuman & D. K. Dickinson (Eds.), Handbook of Early Literacy Research (pp. 97–110). Guilford Press.
- Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.
- Ullman, M. T. (2004). Contributions of memory circuits to language: The declarative/procedural model. Cognition, 92(1–2), 231–270.
- Christiansen, M. H., & Chater, N. (2016). Creating Language: Integrating Evolution, Acquisition, and Processing. MIT Press.
- Abutalebi, J., & Green, D. (2007). Bilingual language production: The neurocognition of language representation and control. Journal of Neurolinguistics, 20(3), 242–275.
- Perani, D., & Abutalebi, J. (2005). The neural basis of first and second language processing. Current Opinion in Neurobiology, 15(2), 202–206.