Mechanizmy korekcji błędów w nauce języków: modelowanie jednostek, część 2

Zadanie nauki języka

Inspiracją dla naszego uproszczonego zadania związanego z nauką języka naturalnego było wyzwanie polegające na nauce zgodności podmiot-czasownik w czasie przeszłym w liczbie mnogiej w języku polskim. W czasie przeszłym czasowniki oznacza się ze względu na rodzaj gramatyczny podmiotu według następujących zasad:

1. Jeśli jedno z odniesień jest rodzaju męskiego osobowego (np. „mężczyzna”), wówczas rodzaj podmiotu jako całości to –li, co jest czasami określane jako końcówka osobista męska.

Nauka języka naturalnego to umiejętność, która pomaga nam lepiej rozumieć i stosować język. Równie ważną umiejętnością, która pomaga nam lepiej opanować wiedzę i umiejętności, jest pamięć. Relacja między nimi jest bliska i uzupełniają się.

Po pierwsze, nauka języka naturalnego może poprawić naszą pamięć. Kiedy uczymy się nowego słownictwa i zasad gramatycznych, musimy je wielokrotnie ćwiczyć i zapamiętywać, co może ćwiczyć naszą pamięć. Kiedy potrafimy zbudować sensowny i logiczny model języka, łatwiej nam zapamiętać i zrozumieć odpowiednią wiedzę.

Ponadto pamięć może również pomóc nam lepiej uczyć się języka naturalnego. Kiedy zapamiętamy i opanujemy pewne podstawowe struktury językowe i słownictwo, możemy łatwiej zrozumieć i zastosować język, co pomoże nam również zgromadzić więcej doświadczenia i umiejętności w procesie doskonalenia zdolności uczenia się języka naturalnego.

Krótko mówiąc, nauka języka naturalnego i pamięć to bardzo ważne umiejętności, które musimy stale ćwiczyć i doskonalić. Tylko w pełni wykorzystując zalety obu języków, możemy łatwiej nauczyć się i opanować język, dzięki czemu nasze życie stanie się lepsze i bardziej kolorowe. Widać, że musimy poprawić naszą pamięć. Cistanche desericola może znacznie poprawić naszą pamięć, ponieważ Cistanche desericola może również regulować równowagę neuroprzekaźników, np. zwiększać poziom acetylocholiny i czynników wzrostu. Substancje te są bardzo ważne dla pamięci i uczenia się. Co ważne, mięso z mięsa może również poprawić przepływ krwi i promować dostarczanie tlenu, co może zapewnić mózgowi odpowiednią ilość składników odżywczych i energii, poprawiając w ten sposób witalność i wytrzymałość mózgu.

Kliknij Poznaj suplementy poprawiające pamięć

2. Jeśli odniesienia są żeńskie ożywione (np. „kaczka”), żeńskie osobiste (np. „dziewczyna”) lub nijakie (np. „dziecko”), wówczas rodzaj podmiotu is –ły, do którego czasami się odnosi jako niemęskie zakończenie osobiste.

3. Gramatyki normatywne i rodzimi użytkownicy języka polskiego nie są zgodni co do tego, jaką formę należy nadać podmiotowi, który zawiera wiele męskich odniesień ożywionych, które nie są osobami (np. „pies i kot poszli na spacer”) lub łączy w sobie męskie, ożywione i żeńskie odniesienia osobiste (np. „dziewczyna i pies poszli na spacer”). Według Kiełkiewicz-Janowiak i Pawelczyk (2014) podręczniki do gramatyki zalecają używanie –ły, podczas gdy native speakerzy wydają się sprzyjać używaniu –li.

Aby zaprojektować nasze uproszczone zadanie do nauki języka naturalnego, wdrożyliśmy dwie pierwsze zasady, ale założyliśmy, że podmiot składający się z desygnatów męskich ożywionych powinien być używany z męską formą osobową, jak sugerują Kiełkiewicz-Janowiak i Pawelczyk (2014). Poszliśmy na takie ustępstwo, aby poprawić testowalność naszego zadania z perspektywy uczenia się, jak wyjaśniono w projekcie zadania poniżej.

Bodźce

Każde wydarzenie w naszym zadaniu edukacyjnym składało się ze sceny przedstawiającej wspólną czynność wykonywaną przez grupę postaci ludzkich i/lub zwierzęcych, a w przypadku każdego wydarzenia edukacyjnego uczestnicy widzieli zdjęcie przedstawiające tę scenę (rysunek 1) wraz z nagraniem dźwiękowym opisująca to polska klauzula. Nowa próba rozpoczęła się od kropki fiksacyjnej, która była wyświetlana na środku ekranu przez około 500 ms, po czym następowało jednoczesne wyświetlenie obrazu sceny. Uczestnicy usłyszeli nagranie dźwiękowe klauzuli opisującej scenę 250 ms po pojawieniu się obrazu sceny, podczas gdy obraz pozostawał na wyświetlaczu. Następnie po około 1 sekundzie przeprowadzono nową próbę.

Użyliśmy czasownika choice („spacerować”) z jego dwiema możliwymi formami czasu przeszłego w liczbie mnogiej chodziły (forma liczby mnogiej niemęskiej) i choli (forma mnoga rodzaju męskiego), jako wspólne działanie we wszystkich wydarzeniach edukacyjnych. Przykładem klauzuli słyszanej przez uczestników jest „Chłopiec i kaczka chodzili”. Pierwsze trzy kolumny tabeli 1 zawierają listę wszystkich postaci użytych w eksperymencie wraz z ich kategoriami językowymi pod względem płci i animacji; dwie ostatnie kolumny dotyczą projektu zadania i staną się istotne w następnej sekcji.

Obrazy przedstawiające różne postacie ludzkie i zwierzęce zostały pobrane z Adobe Stock (https://stock.adobe.com), a następnie zredagowane przy użyciu programu Adobe Photoshop CC 2018. Nagrania dźwiękowe zarówno etykiet postaci, jak i dwóch form czasowników zostały przygotowane przy użyciu syntezatora mowy oprogramowanieSpeech2Go (Harpo Software, 2018).

Skonstruowaliśmy nasze zadanie w ten sposób, aby stworzyć efekty przypominające blokowanie, jakie zwykle obserwujemy w eksperymentach Pawłowa z uczeniem się. Na przykład dodanie wskazówek FA3 i FP3 do związków odpowiednio „FA1 + FA2” i „FP1 + FP2” w drugim bloku powinno zmniejszyć siłę skojarzeń, jaką mogą uzyskać FA3 i FP3 dla wynik np. Podobnie, szkolenie MP1 i MP2 z wynikiemmp w pierwszym bloku powinno blokować FA4 przed uzyskaniem pozytywnego skojarzenia z mp. Oprócz przewidywania, że ​​FA4 może zostać zablokowany, przewidzieliśmy również, że może stać się hamujący dla mp, to znaczy zyskać ujemną wagę skojarzenia z mp, co będzie widoczne, gdy przedstawimy wyniki symulacji dopasowania modelu.4

Wethus określa FA3 i FP3 jako zablokowane sygnały, a FA4 jako blokowane sygnały hamujące.

Podzieliliśmy sygnały na siedem różnych kategorii w oparciu o ich właściwości językowe i przewidywane przez nie efekty blokujące (patrz kolumna znajdująca się najbardziej po prawej stronie w Tabeli 1). W szczególności siedem kategorii opierało się na tym, czy wskazówka jest męska czy żeńska, czy jest osobista czy ożywiona, czy przewiduje się, że będzie zablokowana, czy odblokowana oraz czy przewiduje się, że będzie to wskazówka blokująca hamująca. Podobieństwo między wskazówkami w każdej z tych kategorii jest wzmocnione przez fakt, że mają one te same wagi skojarzeń dla każdego wyniku, zgodnie z teorią R – W, ​​co zostanie pokazane w części Wyniki poświęconej wyuczonym wagom skojarzeń formy rzeczownik–czasownik.

Projekt

Najpierw uczestnicy zostali nauczeni polskich etykiet przedstawiających różne postacie zwierzęce i ludzkie używane w zadaniu edukacyjnym. W szczególności uczestnikom pokazano wizerunki wszystkich postaci wraz z odpowiadającymi im etykietami, najpierw pojedynczo, a następnie w połączeniu, tak jak pojawiały się później w zadaniu edukacyjnym (np. pies, chłopiec, pies i małpa). Było osiem takich kombinacji znaków i uczestnicy musieli zapamiętać co najmniej siedem z nich (tj. osiągnąć dokładność zapamiętania na poziomie 87,5%), zanim mogli przystąpić do głównego zadania (więcej szczegółów można znaleźć w dodatku S2 w informacjach dodatkowych w Internecie). Uczestnicy mieli do 10 prób osiągnięcia wymaganego poziomu dokładności.

Główne zadanie składało się z fazy szkoleniowej i testowej. Schemat części szkoleniowej zadania podsumowano w tabeli 2. Zadanie zawierało 12 wskazówek i dwa wyniki. Znak „+” wskazuje, że wskazówki zostały zaprezentowane w związku, a symbol strzałki „→” wskazuje, że wynik po prawej stronie był zgodny z podpowiedziami. I tak na przykład „FP1 + FP2 + FP3 → np” reprezentuje zdanie takie jak Dziewczyna, kobieta i babcia chodziły („Dziewczyna, kobieta i babcia szły”), gdzie podmiot zdania składa się z trzech znaków żeńskich, a czasownik ma formę przeszłą niemęską w liczbie mnogiej (np), w przeciwieństwie do formy przeszłej męskiej liczby mnogiej (mp). Były dwa bloki szkoleniowe, każdy zawierający cztery zdarzenia, które powtarzano 15 razy każdy. Kolejność zdarzeń była w pełni losowa w każdym bloku. Zdarzenia w pierwszym bloku składały się z par wskazówek, podczas gdy zdarzenia w drugim bloku składały się z trójek wskazówek.

Po szkoleniu uczestnik przeszedł do fazy testów. Test składał się z dwóch elementów. Używając losowo wygenerowanej wskazówki z każdej kategorii, raz przetestowaliśmy uczenie się na wszystkich możliwych parach, łącząc albo wskazówki z tej samej kategorii (np. FP1 + FP2 z grupy uFP), albo wskazówki z różnych kategorii (np. MA{ {2}} FP3 z grup uMA i bFP). Uwzględniliśmy także cztery kombinacje składające się z trójek wskazówek przedstawionych w fazie szkolenia jako sprawdzenie poprawności pamięci uczestników (kombinacje te zostały wyłączone z naszych głównych analiz). Ogólnie rzecz biorąc, w fazie testowej każdy uczeń napotkał w sumie 29 kombinacji wskazówek, które zostały losowo wybrane spośród 70 możliwych kombinacji. (Dokładny format i instrukcje stosowane podczas wykonywania zadania są podane w Dodatku S2 w informacjach pomocniczych w Internecie, a lista wszystkich kombinacji sygnałów testowych znajduje się w Dodatku S3.)

Na koniec wróćmy do pytania, dlaczego przyjęliśmy zasadę Kiełkiewicza Janowiaka i Pawelczyka (2014), zgodnie z którą każda kombinacja podmiotowa zawierająca desygnat rodzaju męskiego przyjmuje męską formę liczby mnogiej osobowej. Po pierwsze, połączenie „MA1 + MA2 + MA3” powiązanego z „mp” zamiast „np” umożliwiło zrównoważoną liczbę zdarzeń mp i np zarówno w obrębie całego zadania, jak i w każdym bloku . Zmniejszyło to prawdopodobieństwo jakiejkolwiek stronniczości w stosunku do np. wynikającej wyłącznie z projektu. Po drugie, pozwoliło nam to na stworzenie bardziej wymagających kombinacji, które lepiej badają proces uczenia się uczestników, zwłaszcza kombinacji łączących elementy kobiece i męskie.

Analiza

Z zadania uczenia się odrzucono dane trzech uczestników, ponieważ stale wybierali oni tę samą odpowiedź w fazie testowej (27 lub więcej z 29 odpowiedzi, tj. odsetek > 93%).5 Aby przeanalizować wybory uczestników i czas odpowiedzi, użyliśmy uogólnionego testu mieszanego -modelowanie efektów. Dane zawierały powtarzane pomiary od tych samych uczestników i elementów w wielu próbach, dlatego dodaliśmy efekty losowe zarówno dla uczestników, jak i elementów (tj. kombinacji wskazówek w fazie testowej). Wybraliśmy strukturę efektów losowych modeli, stosując strategię odgórną, zaczynając od wszystkich losowych punktów przecięcia i nachyleń, a następnie krok po kroku usuwając efekty losowe wyższego rzędu w oparciu o wyniki kryteriów informacyjnych Akaike. Uruchomiliśmy modele efektów mieszanych w R (R Core Team, 2019) przy użyciu pakietu lme4; wartości p uzyskano przy użyciu największego pakietu w oparciu o przybliżenia Satterthwaite’a, a tabele podsumowań modelu wygenerowano przy użyciu pakietu sjPlot. Aby określić istotność statystyczną, zastosowaliśmy poziom alfa 0,05. W analizie czasów odpowiedzi wykorzystaliśmy metodę Boxa – Coxa zaimplementowaną w opakowaniu samochodowym, aby przekształcić rozkład do normalności i ułatwić modelowanie statystyczne.

Kwestionariusz wiedzy jawnej i demograficznej

Po ukończeniu zadania związanego z nauką języka uczestnicy wypełnili kwestionariusz, w którym zapytano ich, czy stosują jakieś wyraźne reguły, aby zdecydować, kiedy użyć każdej z dwóch form czasownika, a jeśli tak, to jakie to były zasady. W kwestionariuszu zebrano także informacje na temat płci uczestników, ich wieku, języków, którymi się posługiwali (innych niż angielski) oraz najwyższego poziomu wykształcenia. Pełna lista pytań użytych w kwestionariuszu znajduje się w Załączniku S4 w informacjach uzupełniających w Internecie. Koncentrujemy się szczególnie na roli wieku i płci w wyjaśnianiu wszelkich różnic indywidualnych zaobserwowanych podczas dopasowywania modelu R – W do danych. Dzieje się tak dlatego, że wykazano, że wiek i płeć wpływają zarówno na uczenie się skojarzeniowe, jak i na przyswajanie drugiego języka. Na przykład Mutter i in. (2012) wykazali, że skojarzenia między sygnałem a wynikiem są rzadziej przyswajane przez osoby starsze niż przez młodych dorosłych. Powszechnie wiadomo również, że starsi dorośli są mniej skuteczni w nauce drugiego języka niż młodzi dorośli (przegląd można znaleźć w Muñoz i Singleton, 2011) i doświadczają większych trudności w mówieniu (Burke i Shafto, 2004). W kilku badaniach wykazano również, że kobiety wykazują wyższy poziom warunkowania w zadaniach związanych z uczeniem się skojarzeniowym (Lonsdorf i in., 2015; Merz i in., 2018) i skuteczniej przyswajają język (Adani i Cepanec, 2019; van der Slik i in., 2015) niż mężczyźni .

Oprócz głównego zadania uczenia się, uwzględniliśmy standardowe zadanie polegające na umiejętności uczenia się ukrytego i zadanie dotyczące pamięci roboczej (WM). Wybraliśmy te dwa zadania, ponieważ oddają one najważniejsze właściwości konfiguracji uczenia się: (a) fakt, że nie podano żadnych wyraźnych instrukcji; oraz (b) fakt, że zjawisko językowe można uznać za nieciągłe w tym sensie, że właściwości (konstelacje) podmiotu sprawczego, o którym mowa jako pierwsze, determinują, które zakończenie w czasie przeszłym zostanie użyte w czasowniku, o którym mowa jako drugie, zatem pewne utrzymanie podmiotu - wymagane są powiązane informacje w pamięci. Ponieważ nasza miara ukrytej zdolności uczenia się jest niestandardowa i nie odegrała znaczącej roli w naszych modelach, opisujemy to zadanie w Załączniku S5 w internetowym dokumencie SupportingInformation.

Zadanie pamięci roboczej

Bodźce

Do pomiaru zdolności WM uczestników wykorzystaliśmy nieco zmodyfikowaną wersję testu rozpiętości działania (Turner i Engle, 1989) zastosowanego przez Medimoreca i in. (2021). W każdym badaniu uczestnicy zostali poproszeni o zachowanie listy cyfr (od 1 do 9), prezentowanych pojedynczo. Każda prezentacja cyfry trwała 1 s, po czym następowała prosta operacja matematyczna, która mogła być poprawna lub niepoprawna (50% operacji matematycznych było poprawnych). Uczestnicy musieli zweryfikować prawdziwość operacji matematycznej, zanim mogła zostać wyświetlona kolejna cyfra. Na koniec każdej próby musieli wpisać cyfry w tej samej kolejności, w jakiej je im przedstawiono. Długość list cyfr zwiększała się stopniowo od dwóch do ośmiu, a każdą długość powtarzano trzykrotnie. Zadanie składało się zatem z 21 prób.

Analiza

Obliczyliśmy zakres WM każdego uczestnika, najpierw sumując liczbę prawidłowych elementów, które przypomnieli sobie we właściwej kolejności, a następnie przekształcając uzyskany wynik przez transformację Z. Wykluczyliśmy jednego uczestnika, którego wynik WM był nieciągły z resztą próby (ich wynik WM wynosił -4,3 odchylenia standardowego od średniej, podczas gdy drugi najdalszy wynik WM wynosił -1,8 odchylenia standardowego od średniej).

Modelowanie obliczeniowe

Równania Rescorli – Wagnera

Model R–W (Rescorla i Wagner, 1972) opisuje obliczeniowo, w jaki sposób ustalane są powiązania między sygnałami a wynikami. W kontekście naszego eksperymentu wskazówką jest polska etykieta i wizerunek jednej z postaci ludzkich lub zwierzęcych występujących w scenie danego procesu, a wynikiem jest forma czasownika opisująca ich wspólne działanie. Na przykład zdanie Chłopiec, męzczyzna i małpa chodzili ˙ („Chłopiec, mężczyzna i małpa szli”) ma jako wskazówki chłopiec, męzczyzna ˙ i małpa, a jako wynik chodzili. W naszym przypadku waga (lub siła) skojarzenia mierzy tendencję formy czasownika do występowania w obecności określonego rzeczownika.

Po napotkaniu klauzuli uczeń aktualizuje wagę skojarzenia między wskazówką ci a wynikiem o, w zależności od tego, czy wskazówka i wynik pojawiają się w zdaniu, stosując regułę korekcji typu delta:

Indeks dolny t odnosi się do obecnej próby, zatem wt (ci, o) jest siłą skojarzenia pomiędzy ci i o w próbie t. i oznacz współczynniki uczenia się odpowiednio dla sygnału ci i wyniku o. λ odnosi się do maksymalnego powiązania z wynikiem i prawie zawsze wynosi 1.

Na podstawie równania trzy przypadki określają sposób dostosowania wagi skojarzenia:

1. Jeśli nie ma wskazówki, nie regulujemy ciężaru.

2. Jeśli obecna jest zarówno wskazówka, jak i wynik, stanowi to pozytywny dowód, który powinien wzmocnić wagę skojarzeń, a suma wag wskazówek obecnych w bieżącym zdarzeniu jest korygowana w kierunku maksymalnej wartości skojarzalności.3. Jeśli wskazówka jest obecna, ale nie obserwuje się wyniku, dostarcza to negatywnego dowodu, który powinien osłabić wagę skojarzenia, a sumę wag koryguje się w kierunku 0.

Do implementacji modelu wykorzystaliśmy pakiet opracowany w ramach badań Milina i in. (2020).

Przewidywanie wyborów na podstawie modelu

Aby wygenerować wybór formy czasownika (lub, w terminologii modelu, wynik) na podstawie modelu, biorąc pod uwagę pewien zestaw wskazówek, najpierw obliczamy aktywację każdej formy, sumując wagi skojarzeń między formą a każdą z odpowiednich wskazówek. Przewidywaną odpowiedzią z modelu jest wówczas forma posiadająca najwyższą aktywację. Przykładowo, jeśli na pewnej próbie w fazie testowej ascena zawiera dziewczynę i małpę, wówczas aktywacje formy męskiej liczby mnogiej (mp; chodzili) i niemęskiej liczby mnogiej (np; chodziły) obliczane są w następujący sposób:

gdzie we wzorach wykorzystaliśmy końcowe wagi uzyskane na koniec fazy uczenia i dlatego pominięliśmy indeksy próbne (w fazie testowej nie następuje żadne uczenie się). Jeśli aktywny (np) > aktywny (mp), model będzie przewidywał formę np, a w przeciwnym razie przewidywałby formę mp.

Procedura dopasowania modelu

W naszych symulacjach założyliśmy, że λ=1 i=1 i uznaliśmy szybkość uczenia się za dowolny parametr, który należy oszacować dla każdego uczestnika (odtąd ilekroć będziemy mówić o szybkości uczenia się, zawsze będziemy odnosić się do W szczególności przeprowadziliśmy 50 symulacji komputerowych na uczestnika, używając wyszukiwania siatki dla wartości od 0,01 do 0,50. W każdej symulacji programowaliśmy wirtualnego agenta, aby zachowywał się zgodnie z modelem R–W i prezentowaliśmy mu te same próby szkoleniowe, co uczestnik, którego historię uczenia się chcieliśmy modelować. Na podstawie wyuczonego modelu wygenerowaliśmy następnie wybory dla tych samych prób, które uczestnik napotkany w fazie testowej. Ostatecznie wybraliśmy współczynnik uczenia się (a co za tym idzie i model), który maksymalizował stopień dopasowania między reakcjami zaobserwowanymi przez uczestnika a reakcjami przewidywanymi przez model (tj. proporcją elementów testowych, dla których model dał taką samą reakcję jak osoba ucząca się). Ze względu na brak możliwości zidentyfikowania najlepiej dopasowanego modelu, w którym w niektórych przypadkach więcej niż jedna wartość szybkości uczenia się maksymalizowała współczynnik dopasowania, jako najlepszy parametr wybraliśmy medianę szybkości uczenia się.

Ocena modelu

Aby pomóc w wyjaśnieniu danych behawioralnych uczestników, wyprowadziliśmy miarę opartą na aktywacji z dopasowanego modelu R – W, ​​który nazywamy wsparciem aktywacyjnym dla wyniku. Miara ma na celu wyjaśnienie wyborów form i czasów reakcji uczestników i jest zdefiniowana jako różnica między aktywacją wyniku będącego przedmiotem zainteresowania a aktywacją pozostałego wyniku. Na przykład wsparcie aktywacji dla niemęskiej formy liczby mnogiej (np) jest podane w następujący sposób:

wsparcie aktywacji (np)=aktywne (np) − aktywne (mp)

Postawiliśmy hipotezę, że im wyższe wsparcie aktywacyjne dla formy czasownika (tj. im silniejsze dowody z modelu wspierającego formę czasownika w porównaniu z inną możliwą formą), tym większe prawdopodobieństwo wybrania tej formy przez uczestników. Oczekiwaliśmy również, że wielkość wsparcia aktywacyjnego będzie ujemnie korelować z czasem reakcji uczestników. Innymi słowy, im większa jest wielkość tego miernika, tym szybsza będzie reakcja uczestnika. Powinno to przełożyć się na zależność kwadratową między wsparciem aktywacji a czasami odpowiedzi, przy czym najwolniejsze reakcje są oczekiwane, gdy wartości wsparcia aktywacji są bliskie zeru, a najszybsze odpowiedzi oczekiwane są w przypadku wysokich wartości dodatnich lub ujemnych.

Wyniki

W tej sekcji ocenia się, w jakim stopniu model R – W wyjaśnia zachowanie naszych uczestników, dopasowując oddzielny model do danych każdego uczestnika, i sprawdza, czy na jakość dopasowania modelu wpływają różnice indywidualne, takie jak rozpiętość WM, wiek i płeć. Najpierw prezentujemy opisowe wyniki dotyczące wag asocjacji dopasowanych modeli, które podsumowują wiedzę językową zdobytą przez uczestników zadania związanego z nauką języka. Następnie porównujemy jakość dopasowania modelu z innymi wiarygodnymi, choć opartymi na regułach strategiami reagowania. Następnie sukcesywnie przedstawiamy analizy, które oceniają zdolność modelu do odtwarzania wyborów językowych uczestników, opóźnień czasowych i poziomów zgodności odpowiedzi. Wpływ cech poznawczych i osobistych na zakres, w jakim model R – W uwzględnia naukę języków, analizuje się na końcu części Wyniki.

Wyuczone wagi skojarzeń formy rzeczownik–czasownik

Postępując zgodnie z procedurą dopasowania opisaną wcześniej w części dotyczącej modelowania obliczeniowego, wybraliśmy model, który najlepiej uchwycił wybory dokonywane przez każdego uczestnika w trakcie prób, poprzez znalezienie „właściwego” parametru szybkości uczenia się (patrz Załącznik S6 w internetowych informacjach uzupełniających). Każdy uczestnik charakteryzował się głównie dwoma systemami dokładności dopasowania modelu: jeden dla szybkości uczenia się w przybliżeniu od 0,05 do 0,11 i drugi dla szybkości uczenia się od 0,12 do 0,50 (z pewnymi wyjątkami, jak dla Uczestników 12, 19, 27 i 35 , dla których istniały trzy reżimy dokładności), przy czym żaden z dwóch reżimów nie prowadził konsekwentnie do lepszej dokładności dopasowania modelu. Podsumowując, chociaż wyjaśniona zmienność wyborów wynikająca z parametru szybkości uczenia się była ograniczona, dokonywanie korekt tego parametru przez uczestników było nadal korzystne i wnikliwe: zaobserwowaliśmy, że nie było pojedynczej wartości szybkości uczenia się, która prowadziłaby do najwyższej dokładności dopasowania modelu dla wszyscy uczestnicy. Innymi słowy, wydaje się, że istnieją znaczne różnice indywidualne w tempie uczenia się. Rysunek 2 przedstawia rozkłady uzyskanych wag skojarzeń wszystkich możliwych par form rzeczownik–czasownik z najlepiej dopasowanych modeli.

Ogólnie rozkład wag skojarzeń był podobny w każdej kategorii wskazówek (np. MA1, MA2 i MA3 w kategorii uMA), co wzmocniło nasze grupowanie wskazówek w oparciu o rodzaj gramatyczny i animację rzeczowników, które reprezentują. Po drugie, co nie jest zaskakujące, (odblokowane) męskie wskazówki zyskały pozytywne skojarzenia z męską formą liczby mnogiej (tzn. te wskazówki z większym prawdopodobieństwem doprowadzą do wyboru męskiej formy mnogiej), podczas gdy odblokowane żeńskie wskazówki zyskały pozytywne skojarzenie z męską formą liczby mnogiej forma niemęska (tj. te wskazówki z większym prawdopodobieństwem doprowadzą do wyboru niemęskiej formy liczby mnogiej). Wielkości wag również różniły się między uczestnikami w przypadku większości sygnałów, tworząc w ten sposób potencjalne narzędzie do uchwycenia indywidualnych różnic w naszych danych.

Jak przewidywano na podstawie (standardowego) blokowania, wagi asocjacji między zablokowanymi żeńskimi sygnałami (tj. FA3 i FP3) a formą niemęską były bardziej skupione wokół zera niż w przypadku ich niezablokowanych odpowiedników (patrz panele FA3 i FP3 na Rycinie 2). Blokowanie nie zostało jednak jeszcze w pełni odzwierciedlone w uzyskanych wagach, ponieważ dla wielu uczestników wagi skojarzeń pomiędzy zablokowanymi kobiecymi sygnałami a formą niemęską były różne od zera. U około jednej trzeciej uczestników wystąpił hamujący efekt blokujący (tj. ujemna waga między FA4 a męską formą liczby mnogiej). W przypadku pozostałych uczestników FA4 bardziej przypominał standardową blokowaną wskazówkę, ponieważ jego waga skojarzeń z formą męską wynosiła około zera. Podsumowując, efekty blokujące wykazywały tendencję w przewidywanych kierunkach.

Założyliśmy, że ich stosunkowo łagodna wielkość wynika z tego, że w naszym eksperymencie uwzględniliśmy wczesne fazy uczenia się, w których ekspozycję bodźców powtarzano tylko 15 razy. Hipotezę tę potwierdzono poprzez ponowne uruchomienie symulacji przedstawionych na rysunku 2, obecnie z 1,000 powtórzeniami na zdarzenie, jak pokazano w dodatku S7 w informacjach uzupełniających w Internecie; efekty blokujące i hamujące wystąpiły u wszystkich uczestników, niezależnie od szybkości uczenia się i kolejności zdarzeń. Wyniki te potwierdzają to, co wskazaliśmy wcześniej. Błędy i różnice w uczeniu się częściej ujawniają się na początku uczenia się (Ellis, 2006a).

Współczynniki dopasowania uczestnik–model

Następnie sprawdziliśmy, w jakim stopniu te różnice w uczeniu się można uchwycić za pomocą modelu R – W, ​​jeśli weźmiemy pod uwagę kolejność zdarzeń napotykanych przez każdego uczestnika, a także różnice w szybkości uczenia się. Dokładność modelu (tj. proporcja dopasowań między odpowiedziami danego uczestnika a jego najlepiej dopasowanym modelem R–W) wahała się od 0,24 do 1,00 (M=0,68,SD { {6}} 0,17): 17 z 63 uczestników miało dokładność dopasowania większą lub równą 0,80, a tylko dziewięciu uczestników miało odsetek dopasowań niższy niż 0,50. Ocena dopasowania modelu za pomocą weryfikacji krzyżowej typu „pomiń jeden wynik”6 pokazuje, że dokładność dopasowania modelu była równie wysoka w przypadku niewidocznych danych, ze średnią dokładnością 0,68 (SD=0,17), a 17 z 63 uczestników osiągnęło dokładność dopasowania większą niż lub równe 0,80. Wskaźniki dokładności dopasowania były najwyższe w przypadku zdarzeń zawierających męską wskazówkę osobistą (M=0,74) lub niezablokowaną kobiecą wskazówkę osobistą (M=0,68), a najniższe były w przypadku zdarzeń zawierających hamującą wskazówkę zablokowaną (M=0,61) lub animowaną wskazówkę (wszystkie oznaczają ≈ 0,65).

Wyniki te sugerują dość dobre dopasowanie modelu R – W do danych uczestników, biorąc pod uwagę, że rozważaliśmy prostą strategię generowania prognoz odpowiedzi w oparciu o aktywacje modelu – to znaczy dla każdego zdarzenia wybraliśmy formę czasownika, która miała najwyższą aktywację niezależnie od różnicy w wielkości aktywacji dwóch możliwych form czasownika. Później przeanalizujemy wrażliwość aktywacji dopasowanych modeli na zaobserwowane proporcje wyboru formy i czasy reakcji.

Porównanie modelu Rescorli – Wagnera z innymi strategiami decyzyjnymi

Wyniki przedstawione powyżej pokazują, że model R–W dość dobrze oddaje zachowanie naszych uczestników, ale jak model ten wypada w porównaniu z innymi strategiami, które uczestnicy mogli zastosować podczas eksperymentu? Aby odpowiedzieć na to pytanie, rozważyliśmy cztery strategie decyzyjne. Pierwsze dwie to strategie nakazowe i normatywne, które przedstawiliśmy wcześniej. Strategia nakazowa to ta opisana lub zalecana w podręcznikach do gramatyki polskiej, zgodnie z którą uczestnik zawsze wybiera niemęską formę czasownika, z wyjątkiem sytuacji, gdy występuje męska wskazówka osobista (nazywamy tę strategię również strategią „sprzeczną kobiecą”). Strategia normatywna jest tą powszechnie przyjętą przez rodzimych użytkowników języka polskiego, zgodnie z którą zawsze wybierana jest męska forma czasownika, z wyjątkiem sytuacji, gdy wszystkie wskazówki są żeńskie (określana jako strategia „męskiego stronniczości”). Uwzględniliśmy także dwie podstawowe strategie, zgodnie z którymi uczestnik albo zawsze wybiera męską formę czasownika (określaną jako strategia „tylko męska”), albo zawsze wybiera niemęską formę czasownika (określaną jako strategia „tylko żeńska”). Aby uchwycić skrajne zachowania uczestników, uwzględniono dwie ostatnie strategie.

Rysunek 3 przedstawia odsetek uczestników najlepiej pasujących do każdego z pięciu powstałych modeli (R – W i nasze cztery strategie decyzyjne); uznaliśmy model(y) o najwyższym współczynniku dopasowania modelu uczestnika spośród pięciu modeli za model(y) najlepiej dopasowany. Model R – W najlepiej wyjaśnił odpowiedzi uczestników (31 z 63 uczestników), a tuż za nim znalazła się strategia normatywna (26 uczestników). Pozostałe trzy strategie wyjaśniały wybory uczestników znacznie słabiej niż te dwie strategie (< 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