언어 학습의 오류 수정 메커니즘: 개인 모델링 2부
Nov 09, 2023
언어 학습 과제
우리의 단순화된 자연어 학습 과제는 폴란드어의 복수 과거 시제에서 주어-동사 일치를 학습하는 과제에서 영감을 받았습니다. 과거형에서는 동사가 다음 규칙에 따라 주어의 문법적 성별에 따라 표시됩니다.
1. 지시 대상 중 하나가 남성 인칭 어미(예: "man")인 경우, 주어 전체의 성별은 -li이며, 이는 때때로 남성 인칭 어미라고도 합니다.
자연어 학습은 언어를 더 잘 이해하고 적용하는 데 도움이 되는 기능입니다. 기억력은 우리가 지식과 기술을 더 잘 익히는 데 도움이 되는 똑같이 중요한 능력입니다. 둘 사이의 관계는 가깝고 서로를 보완합니다.
첫째, 자연어 학습은 기억력을 향상시킬 수 있습니다. 새로운 어휘와 문법 규칙을 배울 때, 우리는 이를 반복적으로 연습하고 암기해야 하며, 이는 우리의 기억력을 발휘할 수 있습니다. 의미 있고 논리적인 언어 모델을 구축할 수 있을 때 관련 지식을 더 쉽게 기억하고 이해할 수 있습니다.
게다가 기억은 자연어를 더 잘 배우는 데에도 도움이 될 수 있습니다. 기본적인 언어 구조와 어휘를 암기하고 익히면 언어를 더 쉽게 이해하고 적용할 수 있으며, 이는 자연어 학습 능력을 향상시키는 과정에서 더 많은 경험과 기술을 축적하는 데 도움이 됩니다.
한마디로 자연어 학습과 기억력은 매우 중요한 능력이며, 이를 지속적으로 훈련하고 향상시켜야 합니다. 두 언어의 장점을 최대한 활용함으로써만 우리는 언어를 더 쉽게 배우고 마스터할 수 있으며, 이를 통해 우리의 삶을 더 좋고 다채롭게 만들 수 있습니다. 기억력을 향상시켜야 함을 알 수 있습니다. Cistanche Deserticola는 아세틸콜린 및 성장 인자 수치를 높이는 등 신경 전달 물질의 균형을 조절할 수 있기 때문에 기억력을 크게 향상시킬 수 있습니다. 이 물질은 기억과 학습에 매우 중요합니다. 또한 중요한 것은 고기로 만든 고기가 혈류를 개선하고 산소 전달을 촉진하여 뇌에 충분한 영양분과 에너지를 공급하여 뇌의 활력과 지구력을 향상시킬 수 있다는 것입니다.
2. 지시 대상이 여성적 생물(예: "오리"), 여성적 성격(예: "소녀") 또는 중성(예: "아이")인 경우 주제의 성별은 –ły입니다. 비남성적인 개인 결말로.
3. 규정 문법과 폴란드어 원어민은 사람이 아닌 여러 남성 애니메이션 지시어를 포함하거나(예: "개와 고양이가 산책하러 갔다") 남성 애니메이션과 여성 개인 지시어를 혼합한 주제에 어떤 형식을 할당해야 하는지에 대해 의견이 일치하지 않습니다. (예: "소녀와 개는 산책하러 나갔습니다.") Kiełkiewicz-Janowiak 및 Pawelczyk(2014)에 따르면 문법 교과서에서는 –ły 사용을 규정하는 반면 원어민은 –li 사용을 선호하는 것으로 보입니다.
단순화된 자연어 학습 작업을 설계하기 위해 처음 두 가지 규칙을 구현했지만 Kiełkiewicz-Janowiak 및 Pawelczyk(2014)가 제안한 대로 남성 애니메이션 지시 대상으로 구성된 주제는 남성 개인 형식과 함께 사용해야 한다고 가정했습니다. 우리는 아래 작업 설계에 설명된 대로 학습 관점에서 작업의 테스트 가능성을 향상시키기 위해 그러한 양보를 했습니다.
자극
학습 과제의 각 이벤트는 인간 및/또는 동물 캐릭터 그룹이 수행하는 공동 작업을 나타내는 장면으로 구성되었으며, 각 학습 이벤트에 대해 참가자는 장면을 묘사한 그림(그림 1)과 오디오 녹음을 보았습니다. 그것을 설명하는 폴란드 조항. 약 500ms 동안 화면 중앙에 고정 도트가 표시된 후 장면 사진이 동시에 표시되는 새로운 시도가 이루어졌습니다. 참가자들은 그림이 표시된 상태에서 장면 그림이 시작된 후 250ms 후에 장면을 설명하는 절의 오디오 녹음을 들었습니다. 그런 다음 약 1초 후에 새로운 시도가 제시되었습니다.
우리는 모든 학습 이벤트의 공통 동작으로 두 가지 가능한 복수형 과거 시제인 chodziły(비남성 복수형) 및 choli(남성 복수형)와 함께 동사 선택("walk")을 사용했습니다. 참가자들이 듣는 절의 예는 Chłopiec i kaczka chodzili("소년과 오리가 걷고 있었다")입니다. 표 1의 처음 세 열에는 실험에 사용된 모든 캐릭터의 목록과 함께 성별 및 애니미시 측면의 언어 범주가 제공됩니다. 마지막 두 열은 작업 설계와 관련이 있으며 다음 섹션에서 관련됩니다.
다양한 인간과 동물 캐릭터를 나타내는 이미지는 Adobe Stock(https://stock.adobe.com)에서 추출한 후 Adobe Photoshop CC 2018을 사용하여 편집했습니다. 문자 라벨과 두 가지 동사 형태의 오디오 녹음은 음성 합성기를 사용하여 준비되었습니다. 소프트웨어Speech2Go(하포 소프트웨어, 2018).
우리는 Pavlovian 학습 실험에서 일반적으로 볼 수 있는 차단과 유사한 효과를 생성하기 위해 이러한 방식으로 작업을 구성했습니다. 예를 들어, 두 번째 블록에서 화합물 "FA1 + FA2" 및 "FP1 + FP2"에 각각 FA3 및 FP3 신호를 추가하면 FA3 및 FP3에서 얻을 수 있는 결합 강도가 감소해야 합니다. 결과 np. 마찬가지로, 첫 번째 블록에서 resultsmp를 사용하여 MP1 및 MP2를 훈련하면 FA4가 mp와 긍정적인 연관을 얻는 것을 차단해야 합니다. FA4가 차단될 수 있다는 예측 외에도, 우리는 모델 적합 시뮬레이션 결과를 제시할 때 볼 수 있듯이 mp에 대한 억제성, 즉 mp와의 음의 연관 가중치를 얻을 수도 있다고 예측했습니다.4
Wethus는 FA3 및 FP3을 차단된 단서로, FA4를 억제 차단 단서로 지칭합니다.
우리는 단서의 언어적 특성과 예상되는 차단 효과를 기준으로 단서를 7가지 범주로 분류했습니다(표 1의 가장 오른쪽 열 참조). 구체적으로, 7개 범주는 신호가 남성적인지 여성적인지, 개인적인 것인지 아니면 애니메이션적인 것인지, 차단되거나 차단되지 않을 것으로 예측되는지, 억제성 차단 신호로 예측되는지 여부를 기반으로 했습니다. 각 범주 내의 단서 간의 유사성은 학습된 명사-동사 형태 연관 가중치에 대한 결과 섹션에 표시되는 것처럼 R-W 이론에 따라 각 결과와 동일한 연관 가중치를 공유한다는 사실에 의해 강화됩니다.
설계
첫째, 참가자들은 학습 과제에 사용되는 다양한 동물과 인간 캐릭터의 폴란드어 라벨을 배웠습니다. 구체적으로, 참가자들에게는 해당 라벨과 함께 모든 캐릭터의 이미지가 처음에는 개별적으로 제시된 다음 나중에 학습 과제(예: 개, 소년, 개, 원숭이)에 나타나는 대로 조합되어 제시되었습니다. 이러한 문자 조합은 8개가 있었고 참가자는 주요 작업을 진행하기 전에 그 중 적어도 7개(즉, 87.5%의 유지 정확도에 도달)를 기억해야 했습니다(자세한 내용은 온라인 지원 정보의 부록 S2 참조). 참가자에게는 필요한 정확도 수준에 도달하기 위해 최대 10번의 시도가 허용되었습니다.
주요 작업은 교육 및 테스트 단계로 구성되었습니다. 작업의 훈련 부분 디자인은 표 2에 요약되어 있습니다. 작업에는 12개의 단서와 2개의 결과가 포함되어 있습니다. "+" 기호는 단서가 화합물에 제시되었음을 나타내고 화살표 기호 "→"는 오른쪽의 결과가 단서를 따랐음을 나타냅니다. 따라서 예를 들어 "FP1 + FP2 + FP3 → np"는 Dziewczyna, kobieta i babcia chodziły("소녀, 여자, 할머니가 걷고 있었다")와 같은 절을 나타냅니다. 절의 주어는 세 명의 여성 문자로 구성되고 동사는 남성 복수형(mp) 과거형이 아닌 비남성형 복수형(np) 과거형입니다. 두 개의 훈련 블록이 있었는데, 각 블록에는 각각 15번 반복되는 4개의 이벤트가 포함되어 있습니다. 이벤트의 순서는 각 블록 내에서 완전히 무작위로 지정되었습니다. 첫 번째 블록의 이벤트는 큐 쌍으로 구성되었지만 두 번째 블록의 이벤트는 큐 트리플로 구성되었습니다.
훈련 후 참가자는 테스트 단계로 이동했습니다. 테스트는 두 가지 구성 요소로 구성되었습니다. 각 범주에서 무작위로 생성된 단서를 사용하여 동일한 단서 범주(예: uFP 그룹의 FP1 + FP2)의 단서 또는 다른 범주(예: MA{)의 단서를 혼합하여 가능한 모든 쌍에 대해 한 번 학습을 테스트했습니다. {2}} uMA 및 bFP 그룹의 FP3). 우리는 또한 참가자의 회상에 대한 건전성 검사로 훈련 단계에서 제시된 큐 트리플로 구성된 4가지 조합을 포함했습니다(이러한 조합은 주요 분석에서 제외되었습니다). 전체적으로 테스트 단계에서 각 학습자는 총 70개의 가능한 큐 조합 중에서 무작위로 선택된 총 29개의 큐 조합을 접하게 되었습니다. (작업을 관리하는 동안 사용되는 정확한 형식과 지침은 온라인 지원 정보의 부록 S2에 제공되며 모든 테스트 큐 조합 목록은 부록 S3에 제공됩니다.)
마지막으로, 남성 지시 대상을 포함하는 모든 주어 조합이 남성 인칭 복수형을 취하는 Kiełkiewicz Janowiak 및 Pawelczyk(2014)의 규칙을 채택한 이유에 대한 질문으로 돌아가겠습니다. 첫째, "np"가 아닌 "mp"와 연결된 "MA1 + MA2 + MA3" 조합을 사용하면 전체 작업과 각 블록 내에서 균형 잡힌 수의 mp 및 np 이벤트를 가질 수 있습니다. . 이는 순전히 디자인으로 인해 np에 대한 편견이 나타날 가능성을 줄였습니다. 둘째, 이를 통해 우리는 참가자의 학습을 더 잘 조사하는 보다 도전적인 조합, 특히 여성적 신호와 남성적 신호를 혼합하는 조합을 가질 수 있었습니다.
분석
학습 과제에서 세 참가자의 데이터는 테스트 단계 전반에 걸쳐 지속적으로 동일한 응답을 선택했기 때문에 삭제되었습니다(29개 응답 중 27개 이상, 즉 비율 > 93%).5 참가자의 선택과 응답 시간을 분석하기 위해 일반화 혼합 응답을 사용했습니다. -효과 모델링. 데이터에는 여러 시험에서 동일한 참가자와 항목의 반복 측정이 포함되어 있으므로 참가자와 항목 모두에 무작위 효과(즉, 테스트 단계의 큐 조합)를 추가했습니다. 우리는 모든 무작위 절편과 기울기로 시작하여 Akaike 정보 기준 점수를 기반으로 고차 무작위 효과를 단계적으로 제거하는 하향식 전략을 사용하여 모델의 무작위 효과 구조를 선택했습니다. lme4 패키지를 사용하여 R(R Core Team, 2019)에서 혼합 효과 모델을 실행했습니다. p 값은 Satterthwaite의 근사치를 기반으로 하는 가장 큰 패키지를 사용하여 얻었으며 모델 요약 테이블은 sjPlot 패키지를 사용하여 생성되었습니다. 통계적 유의성을 결정하기 위해 알파 수준 .05를 사용했습니다. 응답 시간 분석에서는 분포를 정규성으로 변환하고 통계 모델링을 용이하게 하기 위해 carpackage에 구현된 Box-Cox 방법을 사용했습니다.
명시적 지식 및 인구통계학적 설문지
언어 학습 작업을 완료한 후 참가자들은 두 동사 형태를 각각 언제 사용할지 결정하기 위해 명시적인 규칙을 사용했는지 여부와 사용했다면 이러한 규칙은 무엇인지 묻는 설문지를 작성했습니다. 설문지는 또한 참가자의 성별, 연령, 사용 언어(영어 제외) 및 최고 교육 수준에 대한 정보도 수집했습니다. 설문지에 사용된 질문의 전체 목록은 온라인 지원 정보의 부록 S4에 제공되어 있습니다. 우리는 R-W 모델을 데이터에 적용할 때 관찰된 개인차를 설명하는 데 있어 연령과 성별의 역할에 특히 중점을 둡니다. 이는 연령과 성별이 연관 학습과 제2 언어 습득 모두에 영향을 미치는 것으로 나타났기 때문입니다. 예를 들어, Mutter et al. (2012)은 신호-결과 연관성이 젊은 성인보다 노인에서 획득될 가능성이 더 낮다는 것을 보여주었습니다. 또한 노년층은 젊은 성인에 비해 제2 언어 학습에 덜 효과적이며(검토 내용은 Muñoz & Singleton, 2011 참조) 언어 생산에 더 많은 어려움을 겪는다는 사실도 잘 알려져 있습니다(Burke & Shafto, 2004). 여러 연구에서도 여성이 남성보다 연관 학습 과제에서 더 높은 조건화 수준을 보이고(Lonsdorf et al., 2015; Merz et al., 2018) 언어를 더 효과적으로 습득한다고 보고했습니다(Adani & Cepanec, 2019; van der Slik et al., 2015). .
주요 학습 작업과 함께 암묵적 학습 능력의 표준 작업과 작업 기억(WM) 작업을 포함했습니다. 우리는 학습 설정의 두드러진 속성을 포착하기 때문에 이 두 가지 작업을 선택했습니다. (a) 명시적인 지침이 제공되지 않았다는 사실; 그리고 (b) 먼저 언급된 행위자의 속성(성상)에서 언어학적 현상이 불연속적인 것으로 간주될 수 있다는 사실은 두 번째로 언급되는 동사에 어떤 과거 어미가 사용될지 결정하므로 행위자의 일부 유지가 가능하다는 사실입니다. -메모리에 있는 관련 정보가 필요합니다. 암시적 학습 능력에 대한 측정은 비표준적이고 모델에서 중요한 역할을 하지 않았기 때문에 온라인 지원 정보의 부록 S5에 이 작업에 대해 보고합니다.
작업 기억 작업
자극
참가자의 WM 용량을 측정하기 위해 Medimorec et al.(2021)이 사용한 작동 범위 테스트(Turner & Engle, 1989)의 약간 수정된 버전을 사용했습니다. 각 시험에서 참가자들은 한 번에 하나씩 제시된 숫자 목록(1에서 9 사이)을 유지하도록 요청 받았습니다. 각 숫자 표시는 1초 동안 지속되었으며 이어서 정확하거나 부정확할 수 있는 간단한 수학 연산이 이어졌습니다(수학적 연산의 50%가 정확함). 참가자들은 다음 숫자가 표시되기 전에 수학 연산의 정확성을 확인해야 했습니다. 각 시험이 끝날 때마다 제시된 순서대로 숫자를 입력해야 했습니다. 숫자 목록의 길이는 2개에서 8개로 점차 증가했으며 각 길이는 3번 반복되었습니다. 따라서 작업은 21번의 시도로 구성되었습니다.
분석
먼저 올바른 순서로 기억한 올바른 항목 수를 합산한 다음 얻은 점수를 z 변환하여 각 참가자의 WM 범위를 계산했습니다. WM 점수가 나머지 표본에서 불연속적인 참가자 한 명을 제외했습니다(WM 점수는 평균에서 -4.3 표준 편차인 반면 두 번째로 가장 먼 WM 점수는 평균에서 -1.8 표준 편차였습니다).
전산 모델링
Rescorla-Wagner 방정식
R-W 모델(Rescorla & Wagner, 1972)은 단서와 결과 사이의 연관성이 어떻게 확립되는지 계산적으로 설명합니다. 우리 실험의 맥락에서 단서는 주어진 재판의 장면에 나타나는 인간 또는 동물 캐릭터 중 하나의 폴란드어 레이블과 이미지이며, 결과는 그들의 일반적인 행동을 설명하는 동사 형태입니다. 예를 들어, Chłopiec,m ˛ezczyzna i małpa chodzili ˙("The boy, the man, and the 원숭이가 걷고 있었다") 절은 chłopiec, m ˛ezczyzna ˙ 및 małpa라는 단서와 결과 chodzili를 갖습니다. 우리의 경우 연관 가중치(또는 강도)는 특정 명사가 있을 때 동사형이 나타나는 경향을 측정합니다.
절을 만난 후 학습자는 델타 유형 수정 규칙을 사용하여 단서와 결과가 문장에 나타나는지 여부에 따라 단서 ci와 결과 o 사이의 연관 가중치를 업데이트합니다.
아래첨자 t는 현재 시행을 나타내며, 따라서 wt(ci, o)는 시행 t에서 ci와 o 사이의 연관성 강도입니다. 큐 ci와 결과 o에 대한 학습 속도를 각각 나타냅니다. λ는 결과에 대한 최대 연관성을 나타내며 거의 항상 1로 설정됩니다.
방정식을 기반으로 세 가지 경우에 연관 가중치가 조정되는 방식이 결정됩니다.
1. 큐가 없으면 가중치를 조정하지 않습니다.
2. 단서와 결과가 모두 존재한다면 이는 연관 가중치를 강화해야 하는 긍정적인 증거를 제공하며 현재 이벤트에 존재하는 단서의 가중치의 합은 최대 연관성 값을 향해 조정됩니다.3. 단서가 있지만 결과가 관찰되지 않으면 이는 연관 가중치를 약화시켜야 하는 부정적인 증거를 제공하고 가중치의 합은 0 쪽으로 조정됩니다.
모델 구현을 위해 우리는 Milin 등의 연구의 일부로 개발된 패키지를 사용했습니다. (2020).
모델에서 선택 예측
특정 단서 세트가 제공된 모델에서 동사 형태 선택(또는 모델 용어로 결과)을 생성하려면 먼저 형식과 각 관련 단서 사이의 연관 가중치를 합산하여 각 형식의 활성화를 계산합니다. 그러면 모델에서 예측된 응답은 가장 높은 활성화를 갖는 형태입니다. 예를 들어, 테스트 단계의 특정 시험에서 소녀와 원숭이가 포함된 장면이 있는 경우 남성 복수형(mp; chodzili) 및 비남성 복수형(np; chodziły) 형태의 활성화는 다음과 같이 계산됩니다.
공식의 경우 훈련 단계가 끝날 때 얻은 최종 가중치를 사용했기 때문에 시험 첨자를 생략했습니다(테스트 단계에서는 학습이 발생하지 않음). 활성(np) > 활성(mp)이면 모델은 np 형식을 예측하고, 그렇지 않으면 mp 형식을 예측합니다.
모델 피팅 절차
시뮬레이션에서는 λ= 1와=1를 가정하고 학습률을 각 참가자에 대해 추정할 자유 매개변수로 간주했습니다(이후 학습률을 언급할 때마다 항상 매개 변수). 구체적으로 우리는 .01에서 .50 범위의 그리드 검색을 사용하여 참가자당 50개의 컴퓨터 시뮬레이션을 실행했습니다. 각 시뮬레이션에서 우리는 R-W 모델에 따라 행동하도록 가상 에이전트를 프로그래밍하고 모델링하려는 학습 기록을 가진 참가자와 동일한 훈련 시도를 제시했습니다. 그런 다음 훈련된 모델에서 우리는 동일한 시도에 대한 양식 선택을 생성했습니다. 테스트 단계에서 만난 참가자. 우리는 마지막으로 참가자의 관찰된 반응과 모델의 예측 반응(즉, 모델이 학습자와 동일한 반응을 생성한 테스트 항목의 비율) 간의 일치율을 최대화하는 학습률(따라서 모델)을 선택했습니다. 경우에 따라 둘 이상의 학습률 값이 일치율을 최대화하는 최적 모델의 식별 불가능성으로 인해 중앙 학습률을 최상의 매개변수로 선택했습니다.
모델 평가
참가자의 행동 데이터를 설명하는 데 도움을 주기 위해 우리는 적합 R-W 모델에서 활성화 기반 측정값을 도출했습니다. 이를 결과에 대한 활성화 지원이라고 합니다. 이 측정은 참가자의 양식 선택 및 응답 시간을 설명하는 것을 목표로 하며 관심 결과의 활성화와 나머지 결과의 활성화 간의 차이로 정의됩니다. 예를 들어, 비남성 복수형(np)에 대한 활성화 지원은 다음과 같이 제공됩니다.
활성화 지원(np)=활성(np) − activ(mp)
우리는 동사 형태에 대한 활성화 지원이 높을수록(즉, 다른 가능한 형태에 비해 동사 형태를 지원하는 모델의 증거가 강할수록) 해당 형태가 참가자에 의해 선택될 가능성이 더 높다는 가설을 세웠습니다. 우리는 또한 활성화 지원의 규모가 참가자의 응답 시간과 음의 상관관계를 가질 것으로 예상했습니다. 즉, 이 측정값의 크기가 높을수록 참가자의 반응은 더 빨라집니다. 이는 활성화 지원 값이 0에 가까울 때 가장 느린 응답이 예상되고 높은 양수 또는 음수 값에 대해 가장 빠른 응답이 예상되는 활성화 지원과 응답 시간 사이의 2차 관계로 변환되어야 합니다.
결과
이 섹션에서는 R-W 모델이 각 참가자의 데이터에 별도의 모델을 적용하여 참가자의 행동을 설명하는 정도를 평가하고 모델 적합도가 WM 범위, 연령 및 성별과 같은 개인차에 영향을 받는지 여부를 테스트합니다. 우리는 먼저 언어 학습 작업에서 획득한 언어 지식 참가자를 요약하는 적합 모델의 연관 가중치에 대한 몇 가지 설명적인 결과를 제시합니다. 다음으로, 모델의 적합도를 타당하면서도 규칙 기반 대응 전략의 적합도와 비교합니다. 그런 다음 참가자의 언어 선택, 시간 지연 및 응답 동의 수준을 복구하는 모델의 용량을 평가하는 분석을 연속적으로 제시합니다. R-W 모델이 언어 학습을 포착하는 정도에 대한 인지적 및 개인적 특성의 영향은 결과 섹션 끝에서 분석됩니다.
학습된 명사-동사 형태 연관 가중치
전산 모델링 섹션에서 앞서 설명한 적합 절차에 따라 우리는 "올바른" 학습률 매개변수를 찾아 각 참가자가 시험에서 선택한 사항을 가장 잘 포착하는 모델을 선택했습니다(온라인 지원 정보의 부록 S6 참조). 각 참가자는 주로 두 가지 모델 적합 정확도 체제로 특징지어졌습니다. 하나는 대략 .05에서 .11 사이의 학습률에 대한 것이고 다른 하나는 .12에서 .50 사이의 학습률에 대한 것입니다(일부 예외는 있지만 참가자 12, 19, 27 및 35의 경우). , 세 가지 정확도 체제가 있음), 두 체제 중 어느 것도 지속적으로 더 나은 모델 적합 정확도로 이어지지 않습니다. 종합하면, 학습률 매개변수에 의해 기여된 선택의 설명된 가변성은 제한적이었지만 해당 매개변수에 대한 참가자별 조정은 여전히 유익하고 통찰력이 있었습니다. 우리는 가장 높은 모델 적합 정확도로 이어지는 단일 학습률 값이 없다는 것을 관찰했습니다. 모든 참가자. 즉, 학습속도에는 개인차가 상당한 것으로 나타난다. 그림 2는 가장 적합한 모델에서 가능한 모든 명사-동사 형태 쌍의 획득된 연관 가중치 분포를 보여줍니다.
전반적으로 연관 가중치의 분포는 각 단서 범주(예: uMA 범주 내 MA1, MA2 및 MA3) 내에서 유사하여 이들이 나타내는 명사의 문법적 성별과 생동성을 기반으로 단서 그룹화를 강화했습니다. 둘째, 놀랍지 않게도 (차단되지 않은) 남성 단서는 남성 복수형에 대해 긍정적인 연관 가중치를 얻은 반면(즉, 이러한 단서는 남성 복수형을 선택할 가능성이 더 높습니다), 차단되지 않은 여성 단서는 다음과 함께 긍정적인 연관 가중치를 얻었습니다. 비남성형(즉, 이러한 단서는 남성형이 아닌 복수형을 선택할 가능성이 더 높습니다). 가중치의 크기도 대부분의 단서에 대해 참가자마다 달랐으므로 데이터의 개인차를 포착할 수 있는 잠재적인 도구가 되었습니다.
(표준) 차단에 의해 예측된 바와 같이, 여성 차단 단서(예: FA3 및 FP3)와 비남성 단서 사이의 연관 가중치는 차단되지 않은 단서보다 0을 중심으로 집중되었습니다(그림 2의 FA3 및 FP3 창 참조). 그러나 차단은 획득된 가중치에 아직 완전히 반영되지 않습니다. 왜냐하면 많은 참가자의 경우 차단된 여성적 신호와 비남성적 형태 사이의 연관 가중치가 0과 다르기 때문입니다. 억제성 차단 유사 효과(즉, FA4와 남성 복수형 사이의 음의 가중치)는 참가자의 약 1/3에서 나타났습니다. 나머지 참가자의 경우 FA4는 남성형과의 연관성 가중치가 약 0이었기 때문에 표준 차단 신호와 비슷했습니다. 종합해 보면 차단 유사 효과는 예측된 방향으로 경향을 보였습니다.
우리는 자극의 설명이 15회만 반복되는 학습의 초기 단계를 실험에서 포착했기 때문에 상대적으로 약한 크기라고 가정했습니다. 이 가설은 온라인 지원 정보의 부록 S7에 표시된 대로 이제 이벤트당 1,{3}} 반복으로 그림 2에 제시된 시뮬레이션을 다시 실행하여 확인되었습니다. 학습률이나 이벤트 순서에 관계없이 모든 참가자에게 차단 및 억제 차단 효과가 발생했습니다. 이러한 결과는 학습의 편견과 차이가 학습 초기에 나타날 가능성이 더 높기 전에 우리가 지적한 내용을 확인시켜 줍니다(Ellis, 2006a).
참가자-모델 일치율
다음으로, 각 참가자가 겪는 이벤트의 순서와 학습률의 차이를 고려하면 이러한 학습 차이가 R-W 모델에서 어느 정도 포착될 수 있는지 조사했습니다. 모델의 적합 정확도(즉, 특정 참가자의 응답과 가장 적합한 R-W 모델 간의 일치 비율)의 범위는 .24에서 1입니다.00 (M=.68,SD { {6}} .17): 63명의 참가자 중 17명의 적합 정확도가 .80보다 크거나 같았고, 9명의 참가자만이 일치 비율이 .50보다 낮았습니다. Leave-One-Out 교차 검증6을 사용하여 모델 적합성을 평가하면 모델 적합성 정확도가 보이지 않는 데이터에서도 똑같이 높았으며 평균 정확도는 .68(SD=.17)이고 참가자 63명 중 17명이 적합성 정확도에 도달했습니다. 또는 .80과 같습니다. 적합 정확도는 남성 개인 단서(M=.74) 또는 차단되지 않은 여성 개인 단서(M=.68)가 포함된 이벤트에서 가장 높았으며, 억제 차단 단서(M=.61) 또는 애니메이션 큐(모두 .65를 의미함).
이러한 결과는 모델 활성화를 기반으로 응답 예측을 생성하기 위한 간단한 전략을 고려한 경우 R-W 모델이 참가자의 데이터에 합리적으로 잘 맞는 것을 시사합니다. 즉, 각 이벤트에 대해 가장 높은 활성화를 갖는 동사 형식을 선택했습니다. 두 가지 가능한 동사 형태의 활성화 크기의 차이에 관계없이. 나중에 관찰된 형태 선택 비율과 응답 시간에 대한 적합 모델 활성화의 민감도를 분석할 것입니다.
Rescorla-Wagner 모델과 기타 의사결정 전략의 비교
위에 제시된 결과는 R-W 모델이 참가자의 행동을 합리적으로 잘 포착한다는 것을 보여줍니다. 그러나 이 모델은 참가자가 실험 중에 채택했을 수 있는 다른 전략과 어떻게 비교됩니까? 이 질문에 답하기 위해 우리는 네 가지 결정 전략을 고려했습니다. 처음 두 가지는 앞서 제시한 규범적 전략과 규범적 전략입니다. 규범적 전략은 폴란드어 문법 책에서 설명하거나 처방하는 전략으로, 참가자는 남성 개인 단서가 있는 경우를 제외하고 항상 남성적이 아닌 동사 형태를 선택합니다(우리는 이 전략을 "여성 편향" 전략이라고도 함). 규범적 전략은 폴란드어 원어민이 일반적으로 채택하는 전략으로, 모든 단서가 여성인 경우를 제외하고 항상 남성 동사 형태가 선택됩니다("남성 편향" 전략이라고 함). 우리는 또한 참가자가 항상 남성 동사 형태("남성 전용" 전략이라고 함)를 선택하거나 항상 비남성 동사 형태("여성 전용" 전략이라고 함)를 선택하는 두 가지 기본 전략을 포함했습니다. 극단적인 참가자의 행동을 포착하기 위해 후자의 두 가지 전략이 포함되었습니다.
그림 3은 5가지 결과 모델(R-W 및 4가지 결정 전략) 각각에 가장 적합한 참가자의 비율을 표시합니다. 우리는 5개 모델 중 참가자-모델 일치율이 가장 높은 모델을 가장 적합한 모델로 간주했습니다. R-W 모델은 참가자의 반응(참가자 63명 중 31명)을 가장 잘 설명하는 모델이었으며, 규범적 전략(참가자 26명)이 그 뒤를 이었습니다. 다른 세 가지 전략은 참가자의 선택을 두 가지 전략보다 훨씬 덜 잘 설명했습니다(< 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