Mechanizmy korekcji błędów w nauce języków: modelowanie jednostek, część 3

Związek między miarami opartymi na aktywacji w modelu a wyborami uczestników i czasem reakcji

W dalszej ocenie jakości dopasowania modelu R – W przeprowadziliśmy uogólnioną analizę liniowego modelowania efektów mieszanych, sprawdzając związek między wyborami uczestników a miarą opartą na aktywacji wyprowadzoną z dopasowanych modeli R – W – to znaczy , obsługa aktywacji formularza np (więcej szczegółów można znaleźć w sekcji dotyczącej modelowania obliczeniowego). Przeanalizowaliśmy także związek między czasami reakcji uczestników a wsparciem aktywacji, dopasowując wielomianowy liniowy model efektów mieszanych zarówno do liniowych, jak i kwadratowych warunków wsparcia aktywacji, ponieważ spodziewaliśmy się, że wsparcie aktywacji będzie miało kwadratowy wpływ na czasy reakcji (Tabela 3). Bardziej szczegółowe podsumowania modeli ze strukturami efektów losowych znajdują się w Załączniku S8 w informacjach uzupełniających w Internecie.

Efekt losowy odnosi się do wpływu przypadkowych zmian między jednostkami. Jest szeroko stosowany w socjologii, psychologii i innych dziedzinach. Pamięć jest dla ludzi ważnym wskaźnikiem mierzącym funkcjonowanie mózgu i ma bezpośredni wpływ na naukę i życie ludzi. Ale jaki dokładnie jest związek między efektami losowymi a pamięcią?

Badania pokazują, że istnieje pewna korelacja między efektami losowymi a pamięcią. Podczas wykonywania zadań pamięciowych zakłócenia spowodowane czynnikami losowymi zmniejszą efektywność i dokładność wykonywania zadań przez daną osobę, wpływając w ten sposób na wydajność pamięci. Odpowiednio szkolenie zdolności jednostki do przeciwdziałania zakłóceniom może poprawić jej zdolność reagowania na skutki losowe, poprawiając w ten sposób pamięć.

Ponadto różne grupy ludzi odmiennie reagują na czynniki losowe. Niektórzy ludzie mają duże zdolności adaptacyjne i wykazują lepszą zdolność zapamiętywania w obliczu wysoce losowego środowiska; podczas gdy w przypadku niektórych osób czynniki losowe spowodują nadmierne zakłócenia i zmniejszą pamięć. poziom. Jest to związane z podstawową zdolnością pamięci danej osoby, jakością psychologiczną, doświadczeniem życiowym i innymi czynnikami.

Dlatego musimy rozpoznać wpływ losowych efektów na pamięć i zastosować metody naukowe w celu poprawy indywidualnych zdolności przeciwzakłóceniowych i zdolności adaptacyjnych w celu poprawy poziomu pamięci. Wierzę, że tak długo jak będziemy dawać z siebie wszystko, polegając na nauce i technologii w celu ciągłego odkrywania i ciągłego doskonalenia naszej jakości, będziemy w stanie podążać naprzód na drodze do prowadzenia doskonałego życia i opanowywania kolejnych wspaniałych żyć! Widać, że musimy poprawić pamięć, a Cistanche desericola może znacznie poprawić pamięć, ponieważ Cistanche desericola to tradycyjny chiński materiał leczniczy, który ma wiele unikalnych efektów, z których jednym jest poprawa pamięci. Skuteczność mięsa mielonego wynika z różnych zawartych w nim składników aktywnych, w tym kwasów, polisacharydów, flawonoidów itp. Składniki te mogą na różne sposoby promować zdrowie mózgu.

Kliknij i poznaj sposoby na poprawę funkcjonowania mózgu

Zgodnie z oczekiwaniami, wsparcie aktywacji dla niemęskiej formy liczby mnogiej było w sposób istotny pozytywnie powiązane z prawdopodobieństwem wyboru formy niemęskiej, OR {{0}}.78, p < .001, 95 % CI [3,82, 12,03]. Rysunek 4 (lewy panel) również pokazuje, że ta zależność jest asymetryczna wokół 0, co odzwierciedla silną tendencję do męskiej formy czasownika, która nawet w przypadku (opartych na aktywacji) dowodów potwierdzających formę niemęską, może nadal prowadzić do preferencji formy męskiej. Ponadto, zgodnie z naszymi hipotezami, wielomian drugiego rzędu wsparcia aktywacji był istotnym predyktorem czasu reakcji, ponieważ istniała kwadratowa zależność między wsparciem aktywacji a czasem odpowiedzi, przy czym najwolniejsze reakcje zarejestrowano dla najmniej wspieranych zdarzeń, b {{ 12}} −0,20, p=0,012, 95% CI [−0,35, −0,04]; patrz także Rysunek 4, prawy panel.

Wyniki te sugerują, że dopasowane modele dobrze radziły sobie z przewidywaniem wyborów form czasownika przez uczestników oraz że informacja zakodowana w wagach skojarzeń – podstawowej wartości modelu R – W – jest dobrym predyktorem zarówno prawdopodobieństwa wyboru określonej formy czasownika, jak i szybkości za pomocą którego następuje odpowiedź. Poziom zgodności uczestników co do wyboru określonej formy czasownika różnił się zatem w zależności od wsparcia aktywacyjnego tej konkretnej formy, przy oczekiwanym wysokim poziomie zgodności i potwierdzonym dla wysokich pozytywnych lub niskich negatywnych wartości wsparcia aktywacyjnego oraz przy oczekiwanym wysokim poziomie niezgody i atestowany na wsparcie aktywacyjne w okolicach zera.

Poziom porozumienia między uczestnikami w pryzmacie modelu

Następnie przeanalizowaliśmy zachowanie uczestników, badając dwa dodatkowe pytania. Po pierwsze, jaki poziom zgodności był wśród osób uczących się języka, biorąc pod uwagę konkretny typ zdarzenia (np. zdarzenia składające się ze wskazówek dotyczących tego samego rodzaju gramatycznego w porównaniu ze zdarzeniami łączącymi wskazówki różnych rodzajów gramatycznych)? Po drugie i najważniejsze, czy różnice w poziomach zgodności można odpowiednio wyjaśnić za pomocą modelu R–W?

Aby odpowiedzieć na te pytania, przeanalizowaliśmy wpływ obecności każdej kategorii wydarzenia na odsetek uczestników, którzy wybrali jedną z dwóch form czasownika (pełna lista kategorii zdarzeń wykorzystanych w zadaniu znajduje się w Dodatku S3 w informacjach uzupełniających w Internecie). Aby uzyskać szacunki modelu proporcji, użyliśmy uogólnionego liniowego modelu efektów mieszanych, który zbudowaliśmy w poprzedniej analizie (Tabela 3, po lewej), aby modelować związek między wsparciem aktywacji a wyborem niemęskiej formy liczby mnogiej. W szczególności dla każdej kategorii zdarzeń uśredniliśmy przewidywane przez model proporcje form niemęskich w oparciu o wartości wsparcia aktywacji u uczestników (biorąc pod uwagę, że każdy uczestnik spotkał się z każdą kategorią zdarzeń raz). Wyniki podsumowano na rysunku 5. Zdarzenia w figury są posortowane rosnąco według zaobserwowanych w eksperymencie proporcji wyboru, zatem skrajna lewa i prawa strona reprezentują obszary o wysokim poziomie zgodności między uczestnikami, podczas gdy zdarzenia umiejscowione w środkowej części wywołały wysoki poziom niezgody między uczestnikami.

Uczestnicy wyraźnie preferowali męską formę liczby mnogiej, gdy wydarzenie zawierało męską osobistą wskazówkę (uMP) lub gdy wydarzenie zawierało wyłącznie ożywione męskie wskazówki (tj. „uMA1 + uMA2”). Podobnie uczestnicy woleli niemęską formę liczby mnogiej, gdy wydarzenia zawierały wyłącznie kobiece wskazówki, osobiste lub ożywione (np. „uFA +uFP”). Wysoki poziom niezgody zaobserwowano głównie w przypadku zdarzeń łączących hamującą wskazówkę zablokowaną ze wskazówką kobiecą lub męską ożywioną i kobiecą osobistą wskazówką (proporcje wahały się od 0,44 do 0,51).

Porównując zaobserwowane i przewidywane proporcje, modelowi udało się zaskakująco dobrze uchwycić różnicę w poziomie zgodności między uczestnikami w ramach różnych kategorii wydarzeń. Wydaje się, że największe rozbieżności między obserwowanymi i przewidywanymi proporcjami wystąpiły w przypadku zdarzeń związanych z zablokowanymi i hamującymi zablokowanymi sygnałami, co sugeruje, że modelowi trudniej było uchwycić ich wpływ na wybory uczestników.

Związek między jakością dopasowania modelu a miarami różnic indywidualnych Wyniki dopasowania modelu pokazały, że model R – W z powodzeniem uwzględnia zachowanie dużej części naszych uczestników, w tym ich czas reakcji. Jednakże jakość dopasowania różniła się u poszczególnych uczestników, a dane pochodzące od kilku uczestników były bardzo słabo dopasowane do modelu. Próbując ocenić, czy inne miary zebrane podczas eksperymentu (charakterystyka demograficzna, rozpiętość WM i ukryte uczenie się) mogą wyjaśnić zaobserwowane indywidualne różnice w jakości dopasowania modelu, przeprowadziliśmy wielokrotną regresję liniową, aby przewidzieć współczynniki dopasowania modelu uczestnika (logit -transformowane) w oparciu o różne zebrane miary różnic indywidualnych. W szczególności predyktory obejmowały rozpiętość WM (przekształcona z), płeć i wiek; Nachylenia czasowe wyodrębnione dla każdego uczestnika z zadania uczenia się ukrytego nie wniosły znaczącego wkładu i są opisane w Załączniku S5 w dodatkowych informacjach online.

Z pełnego modelu regresji liniowej, który obejmował wszystkie cztery indywidualne zmienne miar, a także interakcję między płcią a rozpiętością WM, wyprowadziliśmy ostateczny model zawierający tylko istotne zmienne, stosując selekcję zmiennych wstecznych w oparciu o test ilorazu wiarygodności. Dane dwóch uczestników pominięto w tej analizie, ponieważ jeden z nich nie podał swojej płci, a drugi został zidentyfikowany jako skrajna wartość odstająca, jak wyjaśniono w części dotyczącej zadania WM. W sumie dane od 61 uczestników wprowadzono do modelu regresji liniowej. Najlepszy model po selekcji zmiennych obejmował zarówno rozpiętość WM, jak i płeć, ale nie ich interakcję (tab. 4).

Dokładność dopasowania modelu znacznie wzrosła wraz ze wzrostem rozpiętości WM,b {0}},17, p=.008, 95% CI [{{24 }}.05, 0,30], jak pokazano na rysunku 6 (lewy panel), i był znacznie wyższy w przypadku kobiet (M=0,69, SD=0,17) w porównaniu z uczestnikami płci męskiej (M=0,63, SD=0,16), b=−0,28, p =,033, 95% CI [−0,54, −0,02 ], jak pokazano na rysunku 6 (prawy panel). Aby sprawdzić, czy usunięcie wpływowych pozostałości nie miało wpływu na nasze ustalenia, zastosowaliśmy krytykę modelu, jak opisano w Baayen i Milin (2010); wykluczenie pojedynczej skrajnej reszty z wynikiem az większym niż 2,5 w naszym modelu dało jeszcze silniejsze efekty (p=0,004 dla zakresu WM i p=0,007 dla płci). Ponadto rozpiętość WM nie korelowała istotnie z płcią (p=0,058), co sugeruje, że jest mało prawdopodobne, aby ich związek wpłynął na wpływ płci i rozpiętości WM na dokładność dopasowania modelu (patrz Załącznik S9 w Informacje uzupełniające więcej szczegółów w internecie). Nasze ustalenia pokazują zatem, że posiadanie większej pojemności WM lub bycie kobietą zwiększało prawdopodobieństwo, że uczestnik wybierze formy czasownika według modelu R – W w naszym zadaniu dotyczącym nauki języka.

Dyskusja

Podsumowanie ustaleń

Nasze odkrycia pokazują, że mechanizm R–W dobrze oddaje sposób, w jaki uczestnicy uczą się zgodności podmiot-czasownik w morfologicznie złożonym języku, a co za tym idzie, w jaki sposób mogą uczyć się języka poprzez zwykły kontakt z nim. Przy średniej dokładności dopasowania wynoszącej 68%, opartej na prostej strategii decyzyjnej opartej na aktywacji, model dość dobrze wyjaśniał wybory form czasownika dokonywane przez dużą część uczestników.7 Co ciekawsze, miara oparta na aktywacji wyodrębniona z najlepiej dopasowanych modeli była skorelowana silnie, zarówno z prawdopodobieństwem wyboru określonej formy czasownika, jak i czasem potrzebnym na dokonanie tego wyboru.

Model dostarczył także wglądu w to, dlaczego uczestnicy mogą wykazywać wysoki lub niski poziom zgodności przy wyborze formy czasownika, w zależności od charakteru podmiotu zdania. Według modelu wynika to z nabywanych przez uczestników sił skojarzeń, które służą do obliczenia wsparcia aktywacyjnego dla każdej z możliwych form czasownika. Na siłę tych skojarzeń największy wpływ ma (a) szybkość uczenia się przez osobę uczącą się w zakresie wskazówek (szybkość uczenia się określa wielkość korekty wag na podstawie szacowanego błędu w każdej próbie) oraz (b) rozkład zdarzeń związanych z uczeniem się, jakie napotkał podczas nauki etap uczenia się (obejmuje to między innymi częstotliwość każdego zdarzenia edukacyjnego i kolejność wydarzeń edukacyjnych). Zatem jedno z przewidywań wynikających z naszego badania jest takie, że zmiana kolejności lub względnej częstotliwości zdarzeń związanych z uczeniem się podczas szkolenia może prowadzić do innych wzorców wyborów niż te, które zaobserwowaliśmy tutaj.

Odkryliśmy również istotny związek między płcią i zdolnością WM a współczynnikami dopasowania modelu uczestnika, co rzuca światło na to, co mogło być przyczyną zaobserwowanych różnic w jakości dopasowania modelu. Fakt, że w naszym eksperymencie większy odsetek kobiet niż mężczyzn działał zgodnie z mechanizmem R–W, jest zgodny z wynikami kilku wcześniejszych badań, które podkreśliły związek między płcią a warunkowaniem klasycznym u obu ludzi (Lonsdorf i in., 2015; Merz i in. in., 2018) i zwierząt (np. Velasco i in., 2019). Sugeruje to znaczną różnicę w uczeniu się między mężczyznami i kobietami, przy czym kobiety są lepiej modelowane przez regułę uczenia się z korekcją błędów R – W. Powszechnie wiadomo, że kobiety mają niewielką przewagę językową nad mężczyznami (obszerna ocena znajduje się w Kimura, 1999), szczególnie w obszarach związanych z wyszukiwaniem leksykalnym (Balling i Baayen, 2008, 2012). Sugerowano, że może to być spowodowane tym, że kobiety mają lepszą pamięć deklaratywną, której mogą używać do uogólniania na temat przechowywanych sąsiadujących form (Hartshorne i Ullman, 2006).

Odkrycie, że prawdopodobieństwo, że osoba ucząca się języka będzie zachowywać się zgodnie z mechanizmem R – W, ​​wzrasta wraz ze zdolnością WM, dostarcza dowodów na to, że WM może odgrywać rolę w warunkowaniu klasycznym, wpływając na przyjęcie klasycznego mechanizmu warunkowania, takiego jak reguła R – W. Sasaki (2009) oraz Baetu i in. (2018) wcześniej przedstawili dowody na zakłócenie działania warunkowania klasycznego, gdy WM jest ładowany przy użyciu paradygmatów podwójnego zadania. Niniejsze odkrycie stanowi uzupełnienie coraz większej liczby dowodów na to, że wbrew dominującemu przekonaniu, WM może być powiązany z procesami poznawczymi niskiego poziomu, takimi jak uczenie się instrumentalne , częściej określane jako uczenie się przez wzmacnianie w społecznościach zajmujących się neuronauką i uczeniem maszynowym (Collins i Frank, 2012; Ez-zizi, 2016) oraz w niektórych formach uczenia się ukrytego (Medimorec i in., 2021).

Blokowanie i hamujące efekty blokujące nie wyłoniły się z modelu R – W dla wszystkich uczestników. Jak wykazano, było to głównie spowodowane krótkim czasem trwania fazy szkoleniowej. Zwiększenie liczby prób szkoleniowych nie tylko spowodowało ponowne pojawienie się efektów blokujących dla najlepiej dopasowanych parametrów wszystkich uczestników, ale także usunęło zmienność wag asocjacji, prognozując w ten sposób, że na dłuższą metę wszyscy uczestnicy powinni zachowywać się w ten sam sposób ( patrz Załącznik S7 w informacjach uzupełniających w Internecie). Nie jest to zaskakujące w świetle pracy Danksa (2003), która pokazuje, że w wielu przypadkach układ R–W osiągnie tę samą równowagę niezależnie od zastosowanych parametrów. Innymi słowy, cel uczniów jest często ten sam (jest to również pożądane, ponieważ często chcemy, aby wszyscy uczniowie nauczyli się tworzyć te same skojarzenia), ale ścieżki do tych miejsc docelowych mogą się znacznie różnić w zależności od charakteru problemu w nauce (np. dostępne dane, względna częstotliwość zdarzeń, liczba wskazówek i wyników). Ma to wiele implikacji dla badań nad nauką języków wykorzystujących model R – W, ​​co omówiono w następnej sekcji.

Implikacje dla badań nad nauką języków wykorzystujących model Rescorli – Wagnera

Kilka grup zajmujących się badaniami językowymi przyjęło model R – W jako wartościowe podejście do modelowania zjawisk uczenia się języków ze względu na jego prostotę, wiarygodność poznawczą i sukcesy w wyjaśnianiu szerokiego zakresu zjawisk związanych z uczeniem się języków. Niniejsze badanie stanowi dalsze wsparcie dla symulowania lub modelowania nauki języków za pomocą tego modelu, ale także zwraca uwagę na istotną kwestię różnic indywidualnych, która była dotychczas pomijana w badaniach łączących modelowanie obliczeniowe z wykorzystaniem modelu R–W i danych eksperymentalnych.

Biorąc pod uwagę wielkość indywidualnych różnic, które zaobserwowaliśmy w naszych danych, rozsądne byłoby odejście od obecnie dominującego podejścia, w którym model R – W jest uruchamiany jednorazowo z domyślnymi wartościami parametrów i używany do wyjaśnienia danych od wszystkich uczestników. Chociaż wpływ parametru szybkości uczenia się na dokładność dopasowania modelu nie był znaczący dla wybranego zadania, w praktyce wybór szybkości uczenia się zawsze będzie miał wpływ na wydajność R–W, niezależnie od konkretnego wyzwania związanego z modelowaniem (Milin, Divjak i Baayen, 2017, s. 1739–1741).

Inną powszechną praktyką, którą należy ponownie rozważyć, jest trenowanie modelu na jednym dużym zbiorze danych lub jego małym podzbiorze. W rezultacie cechy, które odróżniają ten model od czysto statystycznych modeli klasyfikacji – a mianowicie możliwość wyboru parametrów obrazujących szybkość uczenia się jednostki oraz możliwość uwzględnienia efektów kolejności wprowadzania danych – pozostają niewykorzystane. Nie jest zatem zaskakujące, że w kilku badaniach wykazano jedynie niewielkie lub żadne różnice między modelem R–W a innymi modelami statystycznymi lub modelami uczenia się, takimi jak regresja logistyczna, uczenie się oparte na pamięci i drzewa decyzyjne (Baayen, 2011; Baayen i in. , 2013). Przy takim podejściu główną przewagą modelu R – W nad technikami czysto statystycznymi jest jego zdolność do uczenia się przyrostowego w miarę udostępniania danych. Jednak tę samą zaletę można uzyskać z dowolnego modelu sieci neuronowej bez warstwy ukrytej, ponieważ taki model może również generować wagi między sygnałami a wynikami, aczkolwiek z inną i prawdopodobnie mniej wiarygodną zasadą uczenia się (tutaj nawiązujemy głównie do reguły uczenia się z propagacją wsteczną, co jest obecnie dominującym podejściem przy uczeniu modeli sieci neuronowych). W przypadku takiego modelu można nadal zastosować to samo podejście do dopasowywania modelu, które zastosowaliśmy tutaj, ale z innym zestawem parametrów do dostrojenia, takich jak typ funkcji aktywacji, liczba neuronów i szybkość uczenia się.

Niedawne prace nad ramami opartymi na użyciu uwydatniły ogromne różnice indywidualne charakteryzujące wiedzę językową w populacjach pierwszego języka. Indywidualne różnice w gramatyce są porównywalne pod względem wielkości z różnicami w wiedzy leksykalnej i są związane zarówno z jakością danych wejściowych, jak i zdolnościami poznawczymi ucznia (D² abrowska, 2018). Nasze ustalenia pokazują, że indywidualne dopasowanie modelu powinno być opcją domyślną przy porównywaniu modelu R – W lub innych modeli obliczeniowych z danymi uczestników. W szczególności parametry modelu i dane wejściowe powinny być dostosowywane oddzielnie dla każdego uczestnika, aby umożliwić lepsze uwzględnienie indywidualnych odpowiedzi i uzyskanie bardziej wiarygodnego obrazu tego, gdzie znajduje się wiedza na przykład na temat reguły, czy to w zbiorczej pamięci lingwisty, czy też jednostki. umysłach użytkowników (Divjak, 2018) oraz sposób, w jaki jest on dystrybuowany w populacji. Nasze dane potwierdzają również oparte na użyciu stanowisko, że nasza wiedza językowa jest kształtowana przez nasze cechy osobiste i poznawcze, o czym świadczy znacząca rola płci WMand w jakości dopasowania modelu; takie czynniki powinny być domyślnie brane pod uwagę podczas modelowania języka.

Ograniczenia i przyszłe kierunki

Nasze badanie jako pierwsze dopasowało model R–W do zachowań poszczególnych uczniów podczas rzeczywistego zadania związanego z nauką języka. Użyliśmy modelu R–W w dostępnej obecnie formie, ale nasze ustalenia, mimo że są bardzo obiecujące, pokazują, że interesujące mogłoby być rozszerzenie modelu w celu obsługi ograniczeń wydajności WM. Dalsze badania w tym kierunku mogą być inspirowane pracami wykonanymi w dziedzinie uczenia się przez wzmacnianie – dziedziny ściśle powiązanej z warunkowaniem klasycznym – gdzie od dawna zakłada się, że uczenie się zachodzi w obszarach często związanych z funkcjami poznawczymi niskiego poziomu, takimi jak prążkowie grzbietowe i brzuszne (Balleine i O'Doherty, 2010), ale obecnie uznaje się, że obejmuje również kontrolę poznawczą wysokiego poziomu za pośrednictwem WM. Doprowadziło to do opracowania nowych ram uczenia się, w których WM jest wyraźnie modelowana jako kluczowy komponent wspierający uczenie się poprzez zachowywanie informacji z poprzednich prób (np. patrz Collins i Frank, 2012; Ezzizi i in., 2015). Takie podejście można zastosować w przypadku R–W i innych klasycznych modeli warunkowania, zwłaszcza że w dużych badaniach językowych opartych na symulacji zdarzenia związane z uczeniem się zazwyczaj zawierają dużą liczbę wskazówek (np. wszystkie trójznaki lub słowa w jednym zdaniu), których nie można mogą być przetworzone natychmiast przez człowieka – zgodnie z wymaganiami aktualizacji modelu R – W – ze względu na znane ograniczenia pojemności WM (patrz Glautier, 2013 i Baayen i in., 2016, aby zapoznać się z wczesnymi próbami w tym kierunku).

Innym kierunkiem przyszłego rozszerzenia naszej pracy jest zbieranie odpowiedzi uczestników w miarę upływu czasu, podczas gdy są oni szkoleni w zakresie skojarzeń sygnał-wynik, zamiast przechodzić przez oddzielną fazę testów po nauce. Mogłoby to jeszcze bardziej ulepszyć dopasowanie modelu i zapewnić szerszy obraz zachowania uczestników podczas uczenia się zadania. Ponadto mogłoby to pozwolić na wyodrębnienie miary uczenia się w oparciu o nachylenie czasowe dla zadania uczenia się języka, tak jak zrobiliśmy to w przypadku zadania uczenia się utajonego, a tym samym zwiększyłoby prawdopodobieństwo znalezienia związku między uczeniem się utajonym a jakością dopasowania R– Model W (zobacz także naszą dyskusję w Załączniku S5 w informacjach uzupełniających w Internecie). Związek między tymi dwoma miarami można również zbadać, dopasowując model R – W do czasów odpowiedzi zebranych w zadaniu uczenia się ukrytego, jak to zrobili Notaro i in. (2018), zamiast stosować wyłącznie nachylenia czasowe lub ich kombinację.

Wreszcie, szczególna struktura naszego zadania związanego z nauką języka faworyzowała strategię normatywną (skłonną do męskości), ale interesującym pytaniem, które pozostaje bez odpowiedzi, jest to, czy możemy użyć modelu R – W do przewidywania pojawienia się różnych strategii, gdy zmieniamy strukturę danych wejściowych językowych i kontrola różnic indywidualnych pomiędzy osobami uczącymi się języków. Podejście polegające na wykorzystaniu modelu R – W do wyjaśnienia lub przewidywania poziomu zgodności między użytkownikami języka można rozszerzyć poza polską zgodność podmiot-czasownik w czasie przeszłym liczby mnogiej, aby objąć inne aspekty języka, w których zaobserwowano brak konsensusu w użyciu języka (np. zob. Geeraert i in., 2020; Milin, Divjak i Baayen, 2017).

Wniosek

Model R – W jest bardzo prostym modelem uczenia się, ma jednak wiele źródeł zmienności, które można wykorzystać do wyjaśnienia zachowań uczestników w eksperymentach związanych z nauką języka. Należą do nich szybkość uczenia się modelu, kolejność prezentacji przykładów uczenia się oraz względna częstotliwość współwystępowania sygnału i wyniku. W niniejszym badaniu systematycznie uwzględnialiśmy te źródła zmienności podczas dopasowywania modelu do danych uczestników, umożliwiając w ten sposób modelowi skuteczne uchwycenie wyborów i opóźnień w odpowiedziach większości uczestników zadania związanego z nauką języka polskiego w zakresie zgodności podmiot-czasownik. Ponadto cechy poznawcze i demograficzne, takie jak WM i płeć, determinowały zakres, w jakim nauka języków była napędzana zasadami uczenia się typu R – W.

Odznaki Otwartych Badań

Artykuł ten uzyskał odznakę Otwartych Danych i Otwartych Materiałów za publiczne udostępnienie danych, które można udostępniać cyfrowo, oraz elementów metod badawczych niezbędnych do odtworzenia zgłoszonej procedury i wyników. Wszystkie dane i materiały, z których autorzy skorzystali i którymi mają prawo się podzielić, są dostępne na stronach https://github.com/ooominds/Error-correction-mechanismsin-language-learning oraz https://doi.org/10.25500/edata.bham. 00000911. Wszystkie materiały zastrzeżone zostały w rękopisie precyzyjnie zidentyfikowane.

Notatki

1 Idea rywalizacji o wskazówki leży także u podstaw modelu rywalizacji Batesa i MacWhinneya (1987) w zakresie przyswajania języka. Jednakże ich model wykorzystuje głównie wskazówki symboliczne/językowe, takie jak kolejność słów lub cechy morfologiczne słów, i opiera się na podejściu koneksjonistycznym wymagającym znacznie bardziej złożonej architektury niż model R – W.

2 Zawartość dowolnego korpusu jest w najlepszym przypadku bardzo przybliżonym przybliżeniem informacji wejściowych, jakie otrzymują użytkownicy danego języka. I odwrotnie, języki sztuczne mają charakter ilustracyjny i informacyjny, jeśli chodzi o zrozumienie języków naturalnych, ale nie odzwierciedlają realistycznie złożoności występującej w jakimkolwiek języku naturalnym.

3 Wczesne implementacje reguły R–W jako modelu uczenia się naiwnej dyskryminacji opierały się na nieiteracyjnej wersji algorytmu, dostarczonej przez Danksa (2003), która eliminuje możliwość pojawienia się jakichkolwiek efektów porządku.

4 Należy zauważyć, że tutaj nie byliśmy zainteresowani testowaniem efektów blokujących per se, jak to zwykle ma miejsce w eksperymentach behawioralnych z warunkowaniem klasycznym. W tych eksperymentach uwzględniane są tylko zdarzenia istotne dla blokowania (blokowanie jest testowane oddzielnie od innych efektów), a blokowanie jest testowane na drugim przewodzie, a nie na trzecim sygnale, jak w naszym przypadku (np. Kamin, 1969). Ponadto uczeń jest zwykle szkolony wystarczająco długo, aby upewnić się, że wskazówka „blokująca” stanie się dobrym prognostykiem interesującego wyniku. Taki przejrzysty układ eksperymentalny nie odzwierciedlałby rzetelnie „nieładu” tak wszechobecnego w językach naturalnych. Ponieważ nasze badanie dotyczy nauki języków, zdecydowaliśmy się jak najdokładniej naśladować realistyczną sytuację związaną z nauką.

5 Dodatkowy uczestnik doświadczył awarii sprzętu w połowie fazy testowej i musiał powtórzyć test. Zachowaliśmy dane tego uczestnika, ponieważ nie przeszedł on żadnego dodatkowego szkolenia w drugiej fazie fazy testowej, w związku z czym rozpoczął nową serię z tą samą wiedzą, co w pierwszej fazie (pamiętaj, że informacja zwrotna o wynikach jest przekazywana tylko w fazie szkolenia). Efekty zaznajomienia nie powinny tu odgrywać roli, ponieważ wszyscy uczestnicy przeszli kilka prób praktycznych na wszystkich etapach przed rozpoczęciem właściwego eksperymentu. Przeprowadziliśmy również ponownie wszystkie analizy bez danych tego uczestnika i potwierdziliśmy, że ich usunięcie nie zmieniło żadnego z wyników przedstawionych w artykule.

6 Jakość dopasowania modelu do niewidocznych danych oceniano za pomocą walidacji krzyżowej typu „zostaw jeden”. W szczególności dla każdego uczestnika przygotowaliśmy jedno zdarzenie spośród tych, które napotkał w fazie testowej, i dopasowaliśmy model R–W do pozostałych zdarzeń. Model został następnie oceniony tylko w odniesieniu do zarezerwowanego zdarzenia, oceniając, czy reakcja uczestnika była zgodna z odpowiedzią jego najlepiej dopasowany model R – W. Powtórzyliśmy to dla wszystkich zdarzeń testowych, a następnie obliczyliśmy średnią dokładność dopasowania (pomiń jedno), to znaczy proporcję dopasowań pomiędzy odpowiedziami danego uczestnika na każde z zarezerwowanych zdarzeń i powiązanymi z nimi przewidywaniami z najlepiej dopasowanego R– uczestnika. Model W.

7 W rzeczywistości ten poziom dokładności można uznać za doskonały, ponieważ założyliśmy bardzo prosty, nieprobabilistyczny proces selekcji działań, w którym wybierana jest forma czasownika, która ma najwyższą aktywację. Nie uwzględnia to zmienności, która może wynikać z eksploracji, utraty uwagi lub nieodłącznego szumu mózgu.

Bibliografia

1.Adani, S. i Cepanec, M. (2019). Różnice płci we wczesnym rozwoju komunikacji: behawioralne i neurobiologiczne wskaźniki bardziej wrażliwego rozwoju systemu komunikacji u chłopców. Chorwacki Dziennik Medyczny, 60 (2), 141–149.Źródło: https://doi.org/10.3325/cmj.2019.60.141

2.Ambridge, B. i Lieven, EVM (2011). Nabywanie języka przez dzieci: kontrastujące podejścia teoretyczne. Wydawnictwo Uniwersytetu Cambridge.

3.Baayen, RH (2011). Językoznawstwo korpusowe i naiwne uczenie dyskryminacyjne. RevistaBrasileira de Linguística Aplicada, 11(2), 295–328.https://doi.org/10.1590/S1984-63982011000200003

4.Baayen, RH, Endresen, A., Janda, LA, Makarova, A. i Nesset, T. (2013). Dokonywanie wyborów w języku rosyjskim: zalety i wady metod statystycznych dla konkurencyjnych form. Językoznawstwo rosyjskie, 37 (3), 253–291.https://doi.org/10.1007/s11185-013-9118-6

5. Baayen, RH i Milin, P. (2010). Analiza czasów reakcji. International Journal of Psychological Research, 3(2), 12–28.Źródło: https://doi.org/10.21500/20112084.807 

6. Baayen, RH, Milin, P., Filipovic Ður ´ đevic, D., Hendrix, P. i Marelli, M. (2011). Amorficzny model przetwarzania morfologicznego w rozumieniu wzrokowym oparty na naiwnym uczeniu się dyskryminacyjnym. Przegląd psychologiczny, 118(3), 438–481.https://doi.org/10.1037/a0023851
7. Baayen, RH, Shaoul, C., Willits, J. i Ramscar, M. (2016). Rozumienie bez segmentacji: dowód koncepcji z naiwnym uczeniem się dyskryminacyjnym. Język, poznanie i neuronauka, 31 (1), 106–128.https://doi.org/10.1080/23273798.2015.1065336

8. Baetu, I., Burns, N. i Child, B. (2018). Indywidualne różnice w pojemności pamięci roboczej pozwalają przewidzieć wyniki w zadaniu uczenia się skojarzeniowego [Prezentacja referatowa]. Australijski psycholog, Sydney, Australia.Źródło: https://doi.org/10.1111/ap.12372

9. Balleine, BW i O'Doherty, JP (2010). Homologie ludzi i gryzoni w kontroli działania: determinanty korowo-prążkowiowe działania ukierunkowanego na cel i nawykowego. Neuropsychopharmacology, 35 (1), 48–69.https://doi.org/10.1038/npp.2009.131

10. Balling, LW i Baayen, RH (2008). Efekty morfologiczne w rozpoznawaniu słów słuchowych: dowody z języka duńskiego. Język i procesy poznawcze, 23 (7–8), 1159–1190.https://doi.org/10.1080/01690960802201010

For more information:1950477648nn@gmail.com