Hibajavító mechanizmusok a nyelvtanulásban: Egyének modellezése 2. rész

Nyelvtanulási feladat

Egyszerűsített természetes nyelvtanulási feladatunkat a tárgy–ige megegyezés többes számú múlt időben történő tanulásának kihívása ihlette lengyelül. Befejezésben az igék az alany nyelvtani neméhez vannak jelölve a következő szabályok szerint:

1. Ha az egyik referens hímnemű személy (pl. "férfi"), akkor az alany neme összességében –li, amelyet néha férfiszemélyes végződésnek is neveznek.

A természetes nyelvtanulás egy olyan képesség, amely segít a nyelv jobb megértésében és alkalmazásában. A memória ugyanolyan fontos képesség, amely segít jobban elsajátítani tudásunkat és készségeinket. Kettejük kapcsolata szoros, kiegészítik egymást.

Először is, a természetes nyelvtanulás javíthatja a memóriánkat. Amikor új szókincs- és nyelvtani szabályokat tanulunk, azokat ismételten gyakorolnunk és memorizálnunk kell, ami fejlesztheti memóriaképességünket. Ha értelmes és logikus nyelvi modellt tudunk felépíteni, könnyebben megjegyezhetjük és megérthetjük a releváns ismereteket.

Emellett a memória segíthet abban is, hogy jobban megtanuljuk a természetes nyelvet. Ha memorizálunk és elsajátítunk néhány alapvető nyelvi szerkezetet és szókincset, könnyebben értjük és alkalmazzuk a nyelvet, ami egyben több tapasztalatot és készségeket is felhalmoz a természetes nyelvtanulási képességek fejlesztése során.

Röviden, a természetes nyelvtanulás és a memória nagyon fontos képességek, amelyeket folyamatosan gyakorolnunk és fejlesztenünk kell. Csak úgy tanulhatjuk meg és sajátíthatjuk el a nyelvet könnyebben, ha teljes mértékben kihasználjuk mindkettő előnyeit, ezáltal jobbá és színesebbé téve életünket. Látható, hogy javítanunk kell a memóriánkat. A Cistanche deserticola jelentősen javíthatja a memóriánkat, mert a Cistanche deserticola szabályozhatja a neurotranszmitterek egyensúlyát is, például növeli az acetilkolin és a növekedési faktorok szintjét. Ezek az anyagok nagyon fontosak a memória és a tanulás szempontjából. Fontos, hogy a húsból származó hús javítja a véráramlást és elősegíti az oxigénszállítást, ami biztosítja, hogy az agy elegendő tápanyagot és energiát kapjon, ezáltal javítva az agy vitalitását és állóképességét.

Kattintson a know-kiegészítőkre a memória javítása érdekében

2. Ha a referensek nőnemű animált (pl. "kacsa"), nőnemű személyes (pl. "lány") vagy semleges (pl. "gyerek"), akkor a tárgy neme –ły, amelyre néha hivatkoznak mint a nem maszkulin személyeskedés.

3. A preskriptív nyelvtanok és a lengyel anyanyelvűek nem értenek egyet abban, hogy milyen formát kell hozzárendelni egy olyan tárgyhoz, amely több hímnemű hivatkozást tartalmaz, amelyek nem személyek (pl. "a kutya és a macska elment sétálni") vagy keveredik a férfias, animált és női személyes referens (pl. "a lány és a kutya sétálni mentek"). Kiełkiewicz-Janowiak és Pawelczyk (2014) szerint a nyelvtani tankönyvek előírják a –ły használatát, míg az anyanyelvi beszélők a –li használatát részesítik előnyben.

Az egyszerűsített természetes nyelvtanulási feladatunk megtervezéséhez az első két szabályt megvalósítottuk, de feltételeztük, hogy egy hímnemű, animált referensekből álló tantárgyat kell használni a férfias személyi formával, amint azt Kiełkiewicz-Janowiak és Pawelczyk (2014) javasolja. Ilyen engedményt tettünk annak érdekében, hogy javítsuk a feladatunk tesztelhetőségét tanulási szempontból, amint azt az alábbi feladatterv ismerteti.

ingerek

A tanulási feladatunkban szereplő minden esemény egy jelenetből állt, amely emberi és/vagy állati szereplők csoportja által végrehajtott közös cselekvést ábrázolt, és minden tanulási eseménynél a résztvevők láthattak egy képet, amely a jelenetet ábrázolta (1. ábra), valamint egy hangfelvételt egy lengyel záradék, amely leírja. Egy új próba egy rögzítési ponttal kezdődött, amely körülbelül 500 ms-ig a képernyő közepén volt látható, majd a jelenet képének egyidejű megjelenítése következett. A résztvevők a jelenet képének megjelenése után 250 ms után hallották a jelenetet leíró záradék hangfelvételét, miközben a kép a kijelzőn maradt. Ezután körülbelül 1 másodperc múlva új kísérletet mutattak be.

Az igeválasztást ("sétál"), annak két lehetséges többes számú múlt idejű alakjával, a chodziły-val (nem hímnemű többes számú alak) és a choli-val (hímnemű többes számú alak) használtuk minden tanulási esemény közös műveleteként. A résztvevők által hallott záradékra példa a Chłopiec i kaczka chodzili ("A fiú és a kacsa sétál"). Az 1. táblázat első három oszlopa felsorolja a kísérletben használt összes karaktert, valamint nyelvi kategóriáit a nem és az animáció szempontjából; az utolsó két oszlop a feladat tervezésére vonatkozik, és a következő részben lesz releváns.

A különböző emberi és állati karaktereket ábrázoló képeket az Adobe Stockból (https://stock.adobe.com) kinyertük, majd Adobe Photoshop CC 2018 programmal szerkesztettük. Mind a karaktercímkék, mind a két igealak hangfelvételei a beszédszintetizátorral készültek. softwareSpeech2Go (Harpo Software, 2018).

Feladatunkat úgy strukturáltuk fel, hogy blokkoláshoz hasonló hatásokat hozzunk létre, ahogy az általában a pavlovi tanulási kísérletekben látható. Például az FA3 és FP3 jelek hozzáadása az „FA1 + FA2” és „FP1 + FP2” vegyülethez a második blokkban csökkenti az FA3 és FP3 által nyerhető asszociációs erősséget. eredmény np. Hasonlóképpen, az MP1 és MP2 betanítása az outputmp-vel az első blokkban blokkolja az FA4-et abban, hogy pozitív asszociációt szerezzen az mp-vel. Amellett, hogy megjósoltuk, hogy az FA4 blokkolható, azt is megjósoltuk, hogy az mp-t gátló hatásúvá válhat, azaz negatív asszociációs súlyt kaphat az mp-vel, amint azt a modellillesztési szimulációs eredmények bemutatásakor látni fogjuk.

Wethus az FA3-ra és az FP3-ra blokkolt jelzésként, az FA4-re pedig gátló blokkolt jelzésként hivatkozik.

A jelzéseket hét különböző kategóriába soroltuk nyelvi tulajdonságaik és az általuk előre jelzett blokkoló hatások alapján (lásd az 1. táblázat jobb szélső oszlopát). Konkrétan, a hét kategória azon alapult, hogy a jelzés férfi vagy női, személyes vagy élő, blokkolt vagy feloldott jelzés, és hogy az előrejelzés szerint gátlólag blokkolt jelzés. Az egyes kategóriákon belüli jelzések közötti hasonlóságot megerősíti az a tény, hogy az R–W elmélet szerint mindegyik kimenettel azonos asszociációs súllyal rendelkeznek, amint azt az Eredmények című részben a tanult főnév-igealakok asszociációs súlyairól fogjuk látni.

Tervezés

Először a résztvevők megtanulták a tanulási feladatban használt különböző állat- és emberi karakterek lengyel címkéit. Pontosabban, a résztvevők bemutatták az összes karakter képét a megfelelő címkékkel együtt, először külön-külön, majd kombinálva, ahogy később megjelennek a tanulási feladatban (pl. egy kutya; egy fiú, egy kutya és egy majom). Nyolc ilyen karakterkombináció volt, és a résztvevőknek legalább hétre emlékezniük kellett (azaz el kell érniük a 87,5%-os megőrzési pontosságot), mielőtt folytathatták volna a fő feladatot (további részletekért lásd az S2 függeléket a Támogató információkban online). A résztvevők legfeljebb 10 kísérletet tehettek a szükséges pontossági szint elérésére.

A fő feladat egy képzésből és egy teszt fázisból állt. A feladat képzési részének felépítését a 2. táblázat foglalja össze. A feladat 12 jelzést és két eredményt tartalmazott. A „+” jel azt jelzi, hogy a jelzések a vegyületben szerepeltek, a „→” nyíl szimbólum pedig azt, hogy a jobb oldali eredmény követte a jelzéseket. Így például az "FP1 + FP2 + FP3 → np" olyan záradékot jelent, mint például Dziewczyna, kobieta i babcia chodziły ("A lány, a nő és a nagymama sétált"), ahol a tagmondat alanya három női karakterből áll, és az ige nem hímnemű többes számú (np) múlt alakban van, szemben a hímnemű többes számú (mp) múltalakkal. Két képzési blokk volt, mindegyik négy eseményt tartalmazott, amelyek mindegyike 15-ször ismétlődött. Az események sorrendje teljesen véletlenszerű volt az egyes blokkon belül. Az első blokk eseményei jelzőpárokból, míg a második blokk eseményei jelzőhármasokból álltak.

Az edzés után a résztvevő a tesztelési fázisba lépett. A teszt két komponensből állt. Az egyes kategóriákból véletlenszerűen generált jelzések segítségével egyszer teszteltük a tanulást az összes lehetséges páron, keverve vagy ugyanabból a cue-kategóriából (pl. FP1 + FP2 az uFP csoportból), vagy különböző kategóriákból származó jelzéseket (pl. MA{). {2}} FP3 az uMA és a bFP csoportból). Beépítettük azt a négy kombinációt is, amelyek a tréning fázisban bemutatott jelzőhármasokból állnak a résztvevők visszaemlékezésének ellenőrzéseként (ezeket a kombinációkat kizártuk fő elemzéseinkből). Összességében a tesztfázisban minden tanuló összesen 29 jelkombinációval találkozott, amelyeket véletlenszerűen választottak ki összesen 70 lehetséges jelzéskombináció közül. (A feladat adminisztrációja során használt pontos formátum és utasítások az S2 függelékben találhatók a Támogató információk online oldalán, az összes tesztjel-kombináció listája pedig az S3 függelékben található.)

Végül térjünk vissza ahhoz a kérdéshez, hogy miért fogadtuk el KiełkiewiczJanowiak és Pawelczyk (2014) szabályát, amely szerint minden hímnemű vonatkozást tartalmazó tárgykombináció hímnemű személy többes számot ölt. Először is az "MA1 + MA2 + MA3" kombináció az "mp" helyett az "np"-hez társítva lehetővé tette az mp és np események kiegyensúlyozott számát mind a teljes feladaton belül, mind az egyes blokkon belül. . Ez csökkentette annak a valószínűségét, hogy az np-vel szembeni bármilyen torzítás pusztán a tervezés miatt alakuljon ki. Másodszor, ez lehetővé tette számunkra, hogy nagyobb kihívást jelentő kombinációkat hozzunk létre, amelyek jobban megvizsgálják a résztvevők tanulását, nevezetesen a nőies és férfias jegyeket keverő kombinációkat.

Elemzés

A tanulási feladatból három résztvevő adatait figyelmen kívül hagytuk, mert kitartóan ugyanazt a választ választották a tesztfázisban (29 válasz közül 27 vagy több; azaz arány > 93%).5 A résztvevők választásainak és válaszidejének elemzéséhez általánosított vegyes választ használtunk. -effektus modellezés. Az adatok ugyanazon résztvevők ismétlődő méréseit és itemeit tartalmazták több kísérletben, ezért véletlenszerű hatásokat adtunk hozzá mind a résztvevők, mind az itemek esetében (azaz a tesztfázisban a jelzések kombinációi). A modellek véletlenszerű hatásszerkezetét felülről lefelé irányuló stratégia alkalmazásával választottuk ki, minden véletlenszerű elfogóval és meredekséggel kezdve, majd lépésről lépésre eltávolítottuk a magasabb rendű véletlenszerű hatásokat az Akaike információs kritérium pontszámai alapján. A vegyes hatású modelleket az R-ben (R Core Team, 2019) az lme4 csomag használatával futtattuk; a p értékeket a Satterthwaite-féle közelítések alapján a legnagyobb csomag használatával kaptuk, a modell összefoglaló táblázatokat pedig az sjPlot csomag segítségével állítottuk elő. A statisztikai szignifikancia meghatározásához 0,05 alfa szintet használtunk. A válaszidők elemzése során a carpackage-ben megvalósított Box–Cox módszert alkalmaztuk, hogy az eloszlást normalitássá alakítsuk, és megkönnyítsük a statisztikai modellezést.

Explicit tudás és demográfiai kérdőív

A nyelvtanulási feladat elvégzése után a résztvevők kitöltöttek egy kérdőívet, amelyben megkérdezték, hogy alkalmaznak-e kifejezett szabályokat annak eldöntésére, hogy mikor használják a két igealakot, és ha igen, mik ezek a szabályok. A kérdőív információkat gyűjtött a résztvevők neméről, életkoráról, a beszélt nyelvekről (az angoltól eltérően), valamint legmagasabb iskolai végzettségükről is. A kérdőívben felhasznált kérdések teljes listája az S4-es függelékben található a Támogató információk online oldalán. Kifejezetten az életkor és a nem szerepére összpontosítunk az R–W modell adatokhoz illesztése során észlelt egyéni különbségek magyarázatában. Ennek az az oka, hogy az életkor és a nem befolyásolja mind az asszociatív tanulást, mind a második nyelv elsajátítását. Például Mutter et al. (2012) kimutatta, hogy az idősek kisebb valószínűséggel sajátítják el a jelzés-eredmény asszociációkat, mint a fiatal felnőttek. Az is jól bevált, hogy az idősebb felnőttek kevésbé hatékonyak a második nyelv elsajátításában, mint a fiatal felnőttek (lásd Muñoz és Singleton, 2011), és több nehézséget tapasztalnak a nyelvi előállítás során (Burke és Shafto, 2004). Számos tanulmány arról is beszámolt, hogy a nők magasabb kondicionálási szintet mutatnak az asszociatív tanulási feladatok során (Lonsdorf és mtsai, 2015; Merz et al., 2018), és hatékonyabban sajátítják el a nyelvet (Adani és Cepanec, 2019; van der Slik és mtsai, 2015), mint a férfiak .

A fő tanulási feladat mellé beépítettünk egy implicit tanulási képességet és egy munkamemóriát (WM) is. Azért választottuk ezt a két feladatot, mert megragadják a tanulási rendszer kiemelkedő tulajdonságait: (a) azt a tényt, hogy nem adtak kifejezett utasításokat; és (b) az a tény, hogy a nyelvi jelenség nem folytonosnak tekinthető abból a szempontból, hogy az elsőként említett ágens tulajdonságai (konstellációi) meghatározzák, hogy a másodikként említett igében melyik múltbeli végződés kerül felhasználásra, így az ágens némi fenntartása - a memóriában lévő kapcsolódó információk szükségesek. Mivel az implicit tanulási képesség mérése nem szabványos, és nem játszott jelentős szerepet modelljeinkben, erről a feladatról az S5 függelékben számolunk be az online SupportingInformation-ban.

Munkamemória feladat

ingerek

A résztvevők WM-kapacitásának mérésére a Medimorec és munkatársai (2021) által használt műveleti tartományteszt (Turner & Engle, 1989) kissé módosított változatát alkalmaztuk. Minden vizsgálatban a résztvevőket arra kérték, hogy őrizzenek meg egy listát az egyes számjegyekből (1 és 9 között). Minden számjegy bemutatása 1 másodpercig tartott, és egy egyszerű matematikai művelet követte, amely lehet helyes vagy helytelen (a matematikai műveletek 50%-a volt helyes). A résztvevőknek ellenőrizniük kellett a matematikai művelet valódiságát, mielőtt a következő számjegy megjelenhetett volna. Minden próba végén be kellett írniuk a számjegyeket abban a sorrendben, amelyben bemutatták őket. A számjegylista hossza fokozatosan, kettőről nyolcra nőtt, mindegyik hossza háromszor ismétlődött. A feladat tehát 21 próbából állt.

Elemzés

Minden résztvevő WM-tartományát úgy számítottuk ki, hogy először összeadtuk a helyes sorrendben felidézett helyes elemek számát, majd a kapott pontszámot z-transzformáltuk. Kizártunk egy olyan résztvevőt, akinek a WM-pontszáma nem folytonos volt a minta többi részéből (a WM-pontszámuk –4,3 szórása volt az átlagtól, míg a második legtávolabbi WM-pontszám –1,8 szórása volt az átlagtól).

Számítógépes modellezés

A Rescorla–Wagner egyenletek

Az R–W modell (Rescorla és Wagner, 1972) számítási módszerrel írja le, hogyan jönnek létre a jelzések és az eredmények közötti összefüggések. Kísérletünk kontextusában a jelzés egy adott próba jelenetében megjelenő egyik emberi vagy állati szereplő lengyel címkéje és képe, az eredmény pedig a közös cselekvésüket leíró igealak. Például a Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("A fiú, a férfi és a majom sétált") záradék chłopiec, m ˛ezczyzna ˙ és małpa jeleket tartalmaz, és ennek eredménye a chodzili. Esetünkben az asszociációs súly (vagy erősség) azt méri, hogy egy igealak mennyire hajlamos egy bizonyos főnév jelenlétében előfordulni.

A záradékkal való találkozás után a tanuló egy delta típusú korrekciós szabály segítségével frissíti a ci cue és az o kimenetel közötti asszociációs súlyt, attól függően, hogy a jelzés és az eredmény megjelenik-e a mondatban:

A t alsó index a jelen kísérletre vonatkozik, így a wt (ci, o) a ci és o közötti asszociációs erősség a t kísérletben. és jelölje a tanulási arányokat a ci és az o kimenetre vonatkozóan. A λ az eredményhez való maximális társíthatóságra utal, és szinte mindig 1-re van állítva.

Az egyenlet alapján három eset határozza meg az asszociációs súly beállítását:

1. Ha a dákó hiányzik, nem állítjuk be a súlyt.

2. Ha a jelzés és az eredmény is jelen van, akkor ez pozitív bizonyítékot ad, amely erősíti az asszociációs súlyt, és az aktuális eseményben jelenlévő jelzések súlyainak összege a maximális asszociációs értékhez igazodik.3. Ha a jelzés jelen van, de az eredmény nem figyelhető meg, akkor ez negatív bizonyítékot szolgáltat, amely gyengíti az asszociációs súlyt, és a súlyok összege 0 felé igazodik.

A modell megvalósításához azt a csomagot használtuk, amelyet Milin és munkatársai tanulmányának részeként fejlesztettek ki. (2020).

Választások előrejelzése a modellből

Ahhoz, hogy a modellből igealakválasztást (vagy a modell terminológiájában eredményt) generáljunk egy bizonyos jelzéskészlettel, először kiszámítjuk az egyes formák aktiválását úgy, hogy összeadjuk az alak és az egyes releváns jelzések közötti asszociációs súlyokat. A modell által előre jelzett válasz ekkor a legmagasabb aktiválással rendelkező forma. Például, ha a tesztfázisban egy lányt és majmot tartalmazó aszcénában egy bizonyos kísérletnél a hímnemű többes szám (mp; chodzili) és a nem hímnemű többes szám (np; chodziły) aktiválása a következőképpen történik:

ahol a képletekhez a képzési fázis végén kapott végső súlyokat használtuk, és ezért elhagytuk a próba indexeket (a tesztfázisban nem történik tanulás). Ha aktív (np) > aktív (mp), a modell előrejelzi az np formát, egyébként pedig az mp formát.

Modell-illesztési eljárás

Szimulációink során feltételeztük, hogy λ=1 és=1, és a tanulási sebességet szabad paraméternek tekintettük, amelyet minden résztvevő számára meg kell becsülni (a továbbiakban, amikor a tanulási sebességre hivatkozunk, mindig a Konkrétan 50 számítógépes szimulációt futtattunk résztvevőnként grid-search for 0,01 és 0,50 között. Mindegyik szimulációban beprogramoztunk egy virtuális ügynököt, hogy az R–W modellnek megfelelően viselkedjen, és ugyanazokkal a tréningpróbákkal álljon elő, mint annak a résztvevőnek, akinek a tanulási történetét modellezni kívántuk. A betanított modellből azután formaválasztásokat generáltunk ugyanahhoz a próbához, amelyet a résztvevővel találkoztak a tesztfázisban. Végül kiválasztottuk azt a tanulási arányt (és így a modellt), amely maximalizálta a résztvevő megfigyelt válaszai és a modell előrejelzett válaszai közötti egyezési arányt (azaz azon tesztelemek arányát, amelyekre a modell ugyanazt a választ adta, mint a tanuló). A legjobban illeszkedő modell azonosíthatatlansága miatt, ahol esetenként egynél több tanulási sebesség érték maximalizálta az illeszkedési arányt, a medián tanulási arányt választottuk legjobb paraméternek.

Modell értékelése

A résztvevők viselkedési adatainak magyarázata érdekében az illesztett R-W modellből egy aktiváláson alapuló mérést vezettünk le, amelyet az eredmény aktiválási támogatásának nevezünk. Az intézkedés célja, hogy megmagyarázza a résztvevők formaválasztását és válaszidejét, és az érdeklődés kimenetelének aktiválása és a fennmaradó eredmény aktiválása közötti különbség. Például a nem hímnemű többes számú alak (np) aktiválási támogatását a következő adja:

aktiválási támogatás (np)=aktív (np) − aktiv (mp)

Feltételeztük, hogy minél nagyobb az igealak aktivációs támogatottsága (azaz minél erősebb az igealakot támogató modell bizonyítéka a másik lehetséges alakhoz képest), annál nagyobb a valószínűsége annak, hogy a résztvevők ezt az alakot kiválasztják. Arra is számítottunk, hogy az aktiválási támogatás mértéke negatívan korrelál a résztvevők válaszidejével. Más szóval, minél nagyobb ez a mérték, annál gyorsabban reagál a résztvevő. Ennek az aktiválási támogatás és a válaszidők közötti négyzetes összefüggést kell lefordítania, ahol a leglassabb válaszok akkor várhatók, ha az aktiválási támogatás értékei nullához közelítenek, és a leggyorsabb válaszok magas pozitív vagy negatív értékek esetén.

Eredmények

Ez a rész azt értékeli, hogy az R–W modell mennyiben magyarázza résztvevőink viselkedését azáltal, hogy minden résztvevő adataihoz külön modellt illeszt, és megvizsgálja, hogy a modell illeszkedésének minőségét befolyásolják-e az olyan egyéni különbségek, mint a WM-tartomány, az életkor és a nem. Először bemutatunk néhány leíró eredményt az illesztett modellek asszociációs súlyairól, amelyek összefoglalják a nyelvtanulási feladatban megszerzett nyelvi ismereteket. Ezután összehasonlítjuk a modell illeszkedésének minőségét más elfogadható, de szabályalapú válaszstratégiákéval. Ezután egymás után olyan elemzéseket mutatunk be, amelyek felmérik a modell azon képességét, hogy visszanyerje a résztvevők nyelvválasztását, a késleltetési időket és a válaszmegállapodás szintjét. A kognitív és személyes jellemzők hatását arra, hogy az R–W modell mennyire képes megragadni a nyelvtanulást, az Eredmények szakasz végén kerül elemzésre.

Tanult főnév–igeforma társulás súlyai

A számítógépes modellezésről szóló részben korábban ismertetett illeszkedési eljárást követve kiválasztottuk azt a modellt, amely a legjobban megragadta az egyes résztvevők által a kísérletek során hozott döntéseket a „megfelelő” tanulási arány paraméterének megtalálásával (lásd az S6 függeléket az online támogató információban). Minden résztvevőt többnyire a modellillesztési pontosság két rendszere jellemez: az egyik a nagyjából 0,05 és 0,11 közötti tanulási arány, a másik pedig a 0,12 és 0,50 közötti tanulási arány (néhány kivétellel, mint a 12, 19, 27 és 35 résztvevők esetében). , akiknél három pontossági rendszer volt), a két rendszer egyike sem vezetett következetesen jobb modellillesztési pontossághoz. Összességében, jóllehet a tanulási sebesség-paraméter által biztosított választási eltérések korlátozottak voltak, a résztvevők általi módosítása ennek a paraméternek továbbra is előnyös és betekintést nyújtó volt: Megfigyeltük, hogy nem volt egyetlen tanulási arány érték, amely a legmagasabb modellillesztési pontosságot eredményezte volna minden résztvevő. Más szóval, úgy tűnik, hogy jelentős egyéni különbségek vannak a tanulás ütemében. A 2. ábra a legjobban illeszkedő modellekből származó összes lehetséges főnév-ige formapár szerzett asszociációs súlyának eloszlását mutatja be.

Összességében az asszociációs súlyok eloszlása ​​hasonló volt az egyes jelkategóriákon belül (pl. MA1, MA2 és MA3 az uMA kategórián belül), megerősítve a jelek csoportosítását az általuk képviselt főnevek nyelvtani neme és animációja alapján. Másodszor, és nem meglepő módon a (blokkolatlan) hímnemű jelek pozitív asszociációs súlyt kaptak a hímnemű többes számú alakhoz (vagyis ezek a jelek nagyobb valószínűséggel eredményezik a hímnemű többes számú alak kiválasztását), míg a blokkolatlan női jelek pozitív asszociációs súlyt kaptak a nem hímnemű alak (azaz ezek a jelek nagyobb valószínűséggel eredményezik a nem hímnemű többes számú alak kiválasztását). A súlyok nagysága is különbözött a résztvevők között a legtöbb jelzésnél, így potenciális eszközt teremtett az adataink egyéni különbségeinek rögzítésére.

Amint azt a (standard) blokkolás előre jelezte, a feminin blokkolt jelzések (azaz FA3 és FP3) és a nem férfias forma közötti asszociációs súlyok inkább nulla köré összpontosultak, mint nem blokkolt megfelelőik (lásd az FA3 és FP3 paneleket a 2. ábrán). A blokkolást azonban még nem tükrözik teljes mértékben a megszerzett súlyok, mivel sok résztvevő számára a blokkolt női jelek és a nem férfias forma közötti asszociációs súlyok nullától eltérőek voltak. A résztvevők körülbelül egyharmadánál jelentkezett gátló blokkoló hatás (azaz az FA4 és a hímnemű többes szám közötti negatív súlyozás). A többi résztvevő számára az FA4 inkább egy standard blokkolt jelzéshez hasonlított, mivel asszociációs súlya a hímnemű formával nulla körüli volt. Összességében a blokkoláshoz hasonló hatások a megjósolt irányokba mutató tendenciákat mutattak.

Feltételeztük, hogy ezek viszonylag enyhe mértéke annak köszönhető, hogy kísérletünk a tanulás korai fázisait rögzítette, ahol az ingerek expozíciója csak 15-ször ismétlődött meg. Ezt a hipotézist megerősítették a 2. ábrán bemutatott szimulációk újrafuttatásával, immár eseményenként 1,000 ismétléssel, amint az az S7. függelékben látható a Támogató információkban online; blokkoló és gátló hatások jelentkeztek minden résztvevőnél, függetlenül a tanulási sebességtől vagy az események sorrendjétől. Ezek az eredmények megerősítik azt, amire korábban rámutattunk. A tanulásban tapasztalható torzítások és különbségek nagyobb valószínűséggel nyilvánulnak meg a tanulás korai szakaszában (Ellis, 2006a).

Résztvevő-modell egyezési arányok

Ezután azt vizsgáltuk, hogy ezek a tanulási különbségek milyen mértékben ragadhatók meg az R–W modellel, ha figyelembe vesszük az egyes résztvevők által tapasztalt események sorrendjét, valamint a tanulási rátáik különbségeit. A modell illeszkedési pontossága (azaz egy adott résztvevő válaszai és a legjobban illeszkedő R–W modell közötti egyezések aránya) 0,24 és 1 között volt.00 (M=.68,SD { {6}} .17): 63 résztvevőből 17 illeszkedési pontossága 0,80-nál nagyobb vagy egyenlő, és csak kilenc résztvevőnél volt 0,50-nél kisebb az egyezések aránya. A modellillesztés kihagyásos keresztellenőrzéssel6 végzett értékelése azt mutatja, hogy a modellillesztés pontossága ugyanolyan magas volt a nem látott adatokon is, átlagosan 0,68 (SD=0,17) volt, és 63 résztvevőből 17 érte el az illeszkedési pontosságot, amely nagyobb, mint vagy egyenlő .80. Az illeszkedési pontossági arány a férfias személyes jelzést (M=0,74) vagy a feloldatlan női személyes jelzést (M=0,68) tartalmazó események esetében volt a legmagasabb, és a legalacsonyabb a gátló, blokkolt jelzést (M) tartalmazó események esetében=.61) vagy egy animált jelzés (minden eszköz ≈ 0,65).

Ezek az eredmények azt sugallják, hogy az R–W modell meglehetősen jól illeszkedik a résztvevők adataihoz, tekintve, hogy egy egyszerű stratégiát fontolgattunk a válaszjóslatok generálására a modell aktiválásai alapján – azaz minden eseményhez azt az igealakot választottuk ki, amelyik a legnagyobb aktiválással rendelkezik. függetlenül a két lehetséges igealak aktiválási nagyságrendjének különbségétől. Később elemezzük az illesztett modellek aktiválásának érzékenységét a megfigyelt formaválasztási arányokra és válaszidőkre.

A Rescorla–Wagner-modell és más döntési stratégiák összehasonlítása

A fent bemutatott eredmények azt mutatják, hogy az R–W modell meglehetősen jól rögzíti résztvevőink viselkedését, de hogyan viszonyul a modell más stratégiákhoz, amelyeket a résztvevők a kísérlet során alkalmazhattak? A kérdés megválaszolásához négy döntési stratégiát vettünk figyelembe. Az első kettő az általunk korábban bemutatott előíró és normatív stratégia. Az előíró stratégia az, amelyet a lengyel nyelvtankönyvek írnak le vagy írnak elő, ahol a résztvevő mindig a nem hímnemű igealakot választja, kivéve, ha egy férfinemű személyes jelzés van jelen (ezt a stratégiát "női elfogultság" stratégiának is nevezzük). A normatív stratégiát általában a lengyel anyanyelvűek alkalmazzák, és mindig a hímnemű igeformát választják, kivéve, ha minden jel nőnemű (ezt "férfi elfogultság" stratégiának nevezik). Két alapstratégiát is beépítettünk, amelyeknél a résztvevő vagy mindig a hímnemű igealakot választja (a "csak hímnemű" stratégia), vagy mindig a nem hímnemű igealakot választja (a "csak nőnemű" stratégia). Az utóbbi két stratégia a résztvevők szélsőséges viselkedésének rögzítésére szolgált.

A 3. ábra az öt eredménymodell (R–W és négy döntési stratégiánk) mindegyikére a legjobban illeszkedő résztvevők arányát mutatja be; az öt modell közül a legmagasabb résztvevő-modell egyezési arányú modell(eke)t tekintettük a legjobban illeszkedő modell(ek)nek. Az R–W modell volt az a modell, amely a legjobban magyarázta a résztvevők válaszait (63 résztvevőből 31), ezt követte a normatív stratégia (26 résztvevő). A másik három stratégia lényegesen kevésbé magyarázta meg a résztvevők döntéseit, mint ez a két stratégia (< 12 participants). The fact that the R–W model and the normative strategy were close in capturing participants' behavior is not very surprising since the verb forms used in the training events were selected based on the normative rules and the predictions of the R–W model were largely by the normative strategy (Figure 3). It is interesting, though, that the R–W model managed to learn this strategy implicitly without any prior experience based on a simple general learning rule. The average percentage of response matches between the R–W model and the normative strategy per participant was above 90%, and the average percentage of response matches between the R–W model and the prescriptive strategy was above 85%.

For more information:1950477648nn@gmail.com