놀람 이론은 언어 단위의 처리 난이도가 특정 언어 모델의 놀람과 선형 함수 관계를 가진다고 주장해요. 하지만 이 주장은 추가적인 제약 없이는 타당적이며, 어떤 난이도 측정 방식에든 그에 맞는 언어 모델이 존재해요.
이전 연구에서는 언어 모델이 학습 코퍼스를 생성하는 분포라고 가정했지만, 최근 연구에서 이 가정이 틀렸음을 보여주며, 코퍼스 적합도가 높다고 해서 처리 난이도 예측이 향상되는 것은 아니에요.
타당적 오류를 해결하려면 기억 제약이나 처리 목표와 같은 이해자의 비-경험적 모델에서 파생된 언어 모델을 사용해야 하며, 이는 놀람 이론이 설명하려는 행동 데이터에 의존하지 않아야 해요.