언어 학습의 오류 수정 메커니즘: 개인 모델링 3부
Nov 09, 2023
모델의 활성화 기반 측정과 참가자의 선택 및 응답 시간 간의 관계
R-W 모델의 적합도에 대한 추가 평가에서 우리는 참가자의 선택과 적합한 R-W 모델에서 파생된 활성화 기반 측정 간의 관계를 조사하는 일반화된 선형 혼합 효과 모델링 분석을 수행했습니다. , np 형식에 대한 활성화 지원(자세한 내용은 계산 모델링 섹션 참조) 또한 활성화 지원이 응답 시간에 2차 영향을 미칠 것으로 예상했기 때문에 활성화 지원의 선형 및 2차 항을 모두 사용하여 다항식 선형 혼합 효과 모델을 피팅하여 참가자의 응답 시간과 활성화 지원 간의 관계를 분석했습니다(표 3). 랜덤 효과 구조를 갖춘 모델에 대한 보다 자세한 요약은 온라인 지원 정보의 부록 S8에 제공됩니다.
무작위 효과는 개인 간의 무작위 변화의 영향을 나타냅니다. 사회학, 심리학 및 기타 분야에서 널리 사용됩니다. 기억력은 뇌 기능을 측정하는 중요한 지표로, 학습과 생활에 직접적인 영향을 미칩니다. 그런데 무작위 효과와 기억 사이의 관계는 정확히 무엇입니까?
연구에 따르면 무작위 효과와 기억 사이에는 일정한 상관관계가 있는 것으로 나타났습니다. 기억 작업을 수행할 때 무작위 요인의 간섭으로 인해 개인의 완료 효율성과 정확성이 감소하여 기억 성능에 영향을 미칩니다. 그에 따라 개인의 간섭 방지 능력을 훈련하면 무작위 효과에 반응하는 능력이 향상되어 기억력이 향상될 수 있습니다.
또한 다양한 그룹의 사람들이 무작위 요인에 다르게 반응합니다. 어떤 사람들은 매우 무작위적인 환경에 직면했을 때 적응력이 뛰어나고 기억력이 더 좋습니다. 어떤 사람들에게는 무작위 요인이 과도한 간섭을 일으키고 기억력을 감소시킬 수 있습니다. 수준. 이는 개인의 기본 기억력, 심리적 질, 삶의 경험 등의 요인과 관련이 있습니다.
따라서 우리는 무작위 효과가 기억에 미치는 영향을 인식하고 과학적인 방법을 사용하여 개인의 간섭 방지 능력과 적응성을 향상시켜 기억 수준을 향상시켜야 합니다. 나는 우리가 최선을 다하고, 과학과 기술에 의존하여 지속적으로 탐구하고, 끊임없이 자기 품질을 향상한다면, 우리는 훌륭한 삶을 추구하고 더 멋진 삶을 마스터하는 길에서 계속 전진할 수 있다고 믿습니다! 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
예상대로, 비남성형 복수형에 대한 활성화 지원은 비남성형 선택 가능성, 즉 {{0}}.78, p < .001, 95와 상당히 긍정적인 연관이 있었습니다. % CI [3.82, 12.03]. 그림 4(왼쪽 창)는 또한 이 관계가 0을 중심으로 비대칭임을 보여줍니다. 이는 남성 동사 형태를 뒷받침하는 (활성화 기반) 증거가 있더라도 여전히 남성 동사 형태에 대한 선호로 이어질 수 있는 남성 동사 형태에 대한 강한 편견을 반영합니다. 또한 우리의 가설에 따라 활성화 지원의 2차 다항식 항은 활성화 지원과 응답 시간 사이에 2차 관계가 있었고 가장 느린 응답은 지원이 가장 적은 이벤트인 b {{ 12}} −0.20, p=.012, 95% CI [−0.35, −0.04]; 그림 4, 오른쪽 창도 참조하세요.
이러한 결과는 적합 모델이 참가자의 형태 선택을 예측하는 데 잘 수행되었으며 R-W 모델의 기본 통화인 연관 가중치에 인코딩된 정보가 특정 동사 형태를 선택할 가능성과 속도 모두에 대한 좋은 예측 변수임을 시사합니다. 응답이 이루어집니다. 따라서 특정 동사 형태의 선택에 관한 참가자의 동의 수준은 해당 특정 형태의 활성화 지원에 따라 달랐으며, 높은 긍정적 또는 낮은 부정적 활성화 지원 값에 대해 높은 수준의 동의가 예상되고 입증되었으며 높은 수준의 불일치가 예상되었습니다. 0 근처에서 활성화 지원이 입증되었습니다.
모델의 관점에서 본 참가자 간 합의 수준
우리는 두 가지 추가 질문을 탐색하여 참가자의 행동을 추가로 분석했습니다. 첫째, 특정 유형의 사건(예: 동일한 문법 성별의 단서로 구성된 사건 대 서로 다른 문법 성별의 단서를 혼합하는 사건)이 주어졌을 때 언어 학습자 사이에 어떤 수준의 합의가 있었습니까? 둘째, 결정적으로 R-W 모델을 사용하여 합의 수준의 차이를 적절하게 설명할 수 있습니까?
이러한 질문에 답하기 위해 우리는 두 가지 동사 중 하나를 선택한 참가자의 비율에 대한 각 이벤트 범주의 존재 효과를 분석했습니다(작업에 사용된 이벤트 범주의 전체 목록은 온라인 지원 정보의 부록 S3 참조). 비율에 대한 모델 추정치를 얻기 위해 이전 분석에서 구축한 일반화 선형 혼합 효과 모델(표 3, 왼쪽)을 사용하여 활성화 지원과 비남성 복수형 선택 사이의 관계를 모델링했습니다. 구체적으로, 각 이벤트 범주에 대해 참가자 전체의 활성화 지원 값을 기반으로 모델이 예측한 비남성 형태의 비율을 평균화했습니다(각 이벤트 범주가 각 참가자가 한 번 접했다는 가정 하에). 결과는 그림 5에 요약되어 있습니다. 그림은 실험에서 관찰된 선택 비율에 따라 오름차순으로 정렬되어 있으므로 가장 왼쪽과 가장 오른쪽은 참가자 간의 높은 수준의 동의 영역을 나타내는 반면, 중간 부분에 위치한 이벤트는 참가자 간의 높은 수준의 불일치를 촉발했습니다.
참가자들은 이벤트에 남성형 개인 단서(uMP)가 포함되거나 이벤트에 애니메이션 남성 단서만 포함된 경우(예: "uMA1 + uMA2") 남성 복수형을 분명히 선호했습니다. 마찬가지로, 참가자들은 사건이 개인적인 것이든 살아있는 것이든 여성적인 단서만 포함하는 경우 남성이 아닌 복수형을 선호했습니다(예: "uFA +uFP"). 억제성 차단 단서와 여성 단서 또는 남성 애니메이션과 여성 개인 단서가 혼합된 사건에 대해 높은 수준의 불일치가 주로 관찰되었습니다(비율은 .44에서 .51 사이).
관찰된 비율과 예측된 비율을 비교하여 모델은 다양한 이벤트 범주에 걸쳐 참가자 간의 동의 수준의 차이를 놀라울 정도로 잘 포착했습니다. 관찰된 비율과 예측된 비율 사이의 가장 큰 불일치는 차단된 신호와 억제적인 차단된 신호와 관련된 이벤트에서 발생한 것으로 보이며, 이는 모델이 참가자의 선택에 대한 효과를 포착하는 것이 더 어려웠음을 시사합니다.
모델 적합 품질과 개인차 측정 간의 관계 모델 적합 결과는 R-W 모델이 응답 시간을 포함하여 많은 참가자의 행동을 성공적으로 설명한다는 것을 보여주었습니다. 그러나 적합도의 질은 참가자에 따라 다양했으며 일부 참가자의 데이터는 모델에 매우 적합하지 않았습니다. 실험 중에 수집된 다른 측정값(인구통계학적 특성, WM 범위 및 암시적 학습)이 모델 적합도에서 관찰된 개인차를 설명할 수 있는지 평가하기 위해 다중 선형 회귀를 실행하여 참가자-모델 일치율(로짓)을 예측했습니다. -변환) 수집된 다양한 개인차 측정값을 기반으로 합니다. 특히 예측변수에는 WM 범위(z-변환), 성별 및 연령이 포함되었습니다. 암시적 학습 작업에서 각 참가자에 대해 추출된 시간 기울기는 큰 기여를 하지 않았으며 온라인 지원 정보의 부록 S5에 보고됩니다.
4개의 개별 측정 변수와 성별 및 WM 범위 간의 상호 작용을 모두 포함하는 전체 선형 회귀 모델에서 우도 비율 테스트를 기반으로 한 후진 변수 선택을 사용하여 유의미한 변수만 포함하는 최종 모델을 도출했습니다. WM 작업 섹션에 설명된 대로 한 명은 성별을 보고하지 않았고 한 명은 극단적인 특이치로 식별되었기 때문에 두 참가자의 데이터는 이 분석에서 생략되었습니다. 전체적으로 61명의 참가자의 데이터가 선형 회귀 모델에 입력되었습니다. 변수 선택 후 가장 좋은 모델에는 WM 범위와 성별이 모두 포함되었지만 상호 작용은 포함되지 않았습니다(표 4).
WM 범위가 증가함에 따라 모델 적합도 정확도가 크게 증가했습니다.b {{0}}.17, p=.008, 95% CI [{{24 }}.05, 0.30], 그림 6(왼쪽 창)에 표시된 것처럼 여성 참가자의 경우 훨씬 더 높았습니다(M=.69, SD=.17). 남성 참가자 포함(M=.63, SD=.16), b=−0.28, p =.033, 95% CI [−0.54, −0.02 ], 그림 6(오른쪽 창)에 표시된 대로. 영향력 있는 잔차를 제거해도 결과에 영향을 미치지 않았는지 확인하기 위해 Baayen 및 Milin(2010)에 설명된 대로 모델 비판을 적용했습니다. 우리 모델에서 az 점수가 2.5보다 큰 단일 극단 잔차를 제외하면 훨씬 더 강력한 효과가 나타났습니다(WM 범위의 경우 p=.004, 성별의 경우 p=.007). 또한 WM 범위는 성별과 큰 상관관계가 없었으며(p{36}} .058), 이는 해당 관계가 성별 및 WM 범위가 모델 적합 정확도에 미치는 영향에 영향을 미칠 가능성이 없음을 나타냅니다(지원 정보의 부록 S9 참조). 자세한 내용은 온라인에서 확인하세요). 따라서 우리의 연구 결과는 WM 능력이 더 크거나 여성일수록 참가자가 언어 학습 작업에서 R-W 모델에 따라 동사 형태를 선택할 가능성이 높아진다는 것을 보여줍니다.
논의
조사 결과 요약
우리의 연구 결과는 R-W 메커니즘이 참가자가 형태학적으로 복잡한 언어에서 주어-동사 일치를 배우는 방법과 더 나아가 단순한 노출을 통해 언어를 배울 수 있는 방법을 잘 포착한다는 것을 보여줍니다. 단순한 활성화 기반 결정 전략을 기반으로 한 68%의 평균 적합 정확도를 갖춘 이 모델은 많은 비율의 참가자가 선택한 동사 형태를 잘 설명했습니다.7 더 흥미롭게도, 가장 적합한 모델에서 추출된 활성화 기반 측정은 특정 동사 형태를 선택할 가능성과 해당 선택을 하는 데 필요한 시간이 매우 중요합니다.
이 모델은 또한 조항의 주어 성격에 따라 동사 형태를 선택할 때 참가자들이 왜 더 높거나 낮은 동의 수준을 표시할 수 있는지에 대한 통찰력을 제공했습니다. 모델에 따르면 이는 참가자가 획득하는 연관 강도로 인해 발생하며, 이는 가능한 각 동사 형태에 대한 활성화 지원을 계산하는 데 사용됩니다. 이러한 연관 강도는 주로 (a) 단서에 대한 학습자의 학습 속도(학습 속도는 각 시행의 추정 오류를 기반으로 가중치 수정의 크기를 결정함) 및 (b) 학습 중에 발생한 학습 이벤트의 분포에 의해 영향을 받습니다. 학습 단계(여기에는 특히 각 학습 이벤트의 빈도와 학습 이벤트의 순서가 포함됩니다). 따라서 우리 연구의 예측 중 하나는 훈련 중 학습 이벤트의 순서나 상대적 빈도를 변경하면 여기에서 관찰한 것과 다른 선택 패턴으로 이어질 수 있다는 것입니다.
우리는 또한 성별과 WM 역량과 참가자-모델 일치율 사이에 중요한 관계가 있음을 발견했습니다. 이는 모델 적합성의 품질에서 관찰된 차이를 가져온 요인이 무엇인지를 밝힙니다. 우리 실험에서 R-W 메커니즘에 따라 남성보다 여성의 비율이 더 높다는 사실은 두 인간 모두에 대한 성별과 고전적 조건화 사이의 연관성을 강조한 여러 이전 연구 결과와 일치합니다(Lonsdorf et al., 2015; Merz et al. al., 2018) 및 동물(예: Velasco et al., 2019). 이는 남성과 여성 간의 학습에 상당한 차이가 있음을 시사하며 여성은 R-W 오류 수정 학습 규칙에 따라 더 잘 모델링됩니다. 여성은 일반적으로 남성에 비해 언어적 이점이 작은 것으로 알려져 있습니다(광범위한 평가는 Kimura, 1999 참조), 특히 어휘 검색 분야에서(Balling & Baayen, 2008, 2012). 이는 여성이 저장된 이웃 형식에 대해 일반화하는 데 사용할 수 있는 우수한 선언적 기억을 갖고 있기 때문일 수 있다고 제안되었습니다(Hartshorne & Ullman, 2006).
언어 학습자가 R-W 메커니즘에 따라 행동할 가능성이 WM 용량에 따라 증가한다는 사실은 WM이 R-W 규칙과 같은 고전적 조건화 메커니즘의 채택에 영향을 미쳐 고전적 조건화에서 역할을 할 수 있다는 증거를 제공합니다. Sasaki (2009) 및 Baetu et al. (2018)은 이전에 이중 작업 패러다임을 사용하여 WM을 로드할 때 고전적 조건화 성능이 중단된다는 증거를 제공했습니다. 이번 발견은 지배적인 믿음에 반하여 WM이 도구 학습과 같은 낮은 수준의 인지 과정에 연루될 수 있다는 증거를 추가합니다. , 신경 과학 및 기계 학습 커뮤니티(Collins & Frank, 2012; Ez-zizi, 2016) 및 일부 형태의 암시적 학습(Medimorec et al., 2021)에서는 강화 학습이라고 더 일반적으로 불립니다.
모든 참가자의 R-W 모델에서는 차단 및 억제 차단 유사 효과가 나타나지 않았습니다. 표시된 대로 이는 주로 훈련 단계의 기간이 짧기 때문입니다. 훈련 시도 횟수를 늘리면 모든 참가자의 가장 적합한 매개변수에 대한 차단 효과가 다시 나타날 뿐만 아니라 연관 가중치의 가변성이 제거되어 결국 모든 참가자가 장기적으로 동일한 방식으로 행동하게 될 것으로 예측됩니다( 온라인 지원 정보의 부록 S7을 참조하세요. 이는 많은 경우 R-W 시스템이 사용된 매개변수에 관계없이 동일한 평형으로 수렴한다는 것을 보여주는 Danks(2003)의 연구에 비추어 볼 때 놀라운 일이 아닙니다. 즉, 학습자의 목적지는 종종 동일하지만(우리는 종종 모든 학습자가 동일한 연관성을 만드는 방법을 배우기를 원하기 때문에 이는 바람직합니다), 해당 목적지로 가는 경로는 학습 문제의 성격(예: 학습의 양)에 따라 크게 다를 수 있습니다. 사용 가능한 데이터, 이벤트의 상대적 빈도, 단서 및 결과의 수). 이는 다음 섹션에서 논의되는 것처럼 R-W 모델을 사용하는 언어 학습 연구에 많은 영향을 미칩니다.
Rescorla-Wagner 모델을 사용하는 언어 학습 연구에 대한 시사점
몇몇 언어 연구 그룹은 R-W 모델의 단순성, 인지적 타당성 및 광범위한 언어 학습 현상을 성공적으로 설명하는 언어 학습 현상 모델링을 위한 귀중한 접근 방식으로 채택했습니다. 본 연구는 이 모델을 사용한 언어 학습 시뮬레이션 또는 모델링에 대한 추가 지원을 제공하지만, R-W 모델과 실험 데이터를 사용한 전산 모델링을 결합한 연구에서 지금까지 간과되었던 개인차의 중요한 문제에 주목합니다.
데이터에서 관찰된 개인차의 양을 고려할 때 R-W 모델이 기본 매개변수 값으로 한 번 실행되고 모든 참가자의 데이터를 설명하는 데 사용되는 현재 지배적인 접근 방식에서 벗어나는 것이 현명할 것입니다. 모델 적합 정확도에 대한 학습률 매개변수의 효과는 선택한 작업에 대해 실질적이지 않았지만 실제로 R-W 성능은 특정 모델링 과제(Milin, Divjak, & Baayen, 2017, pp. 1739–1741).
재고해야 할 또 다른 일반적인 관행은 하나의 대규모 데이터 세트 또는 그 중 작은 하위 세트에서 모델을 교육하는 것입니다. 결과적으로 모델을 순전히 통계적인 분류 모델과 차별화하는 기능, 즉 개인이 얼마나 빨리 학습할 수 있는지를 포착하는 매개변수를 선택할 수 있는 가능성과 입력 순서 효과를 설명하는 기능은 사용되지 않은 채로 남아 있습니다. 따라서 여러 연구에서 R-W 모델과 로지스틱 회귀, 메모리 기반 학습 및 의사결정 트리와 같은 기타 통계 또는 학습 모델 간에 차이가 미미하거나 전혀 없다고 보고한 것은 놀라운 일이 아닙니다(Baayen, 2011; Baayen et al. , 2013). 이러한 접근 방식을 사용하면 순수 통계 기법에 비해 R-W 모델의 주요 장점은 데이터가 사용 가능해짐에 따라 증분 학습을 수행할 수 있다는 것입니다. 그러나 숨겨진 레이어가 없는 모든 신경망 모델에서도 동일한 이점을 얻을 수 있습니다. 이러한 모델은 비록 다르고 타당성이 떨어지는 학습 규칙을 사용하더라도 단서와 결과 사이에 가중치를 생성할 수 있습니다(여기서는 주로 역전파 학습 규칙을 언급합니다. 이는 현재 신경망 모델을 훈련할 때 주로 사용되는 접근 방식입니다. 이러한 모델을 사용하면 여기서 사용한 것과 동일한 모델 피팅 접근 방식을 계속 적용할 수 있지만 활성화 함수 유형, 뉴런 수, 학습 속도 등 조정할 매개변수 세트가 다릅니다.
용법 기반 프레임워크에 대한 최근 연구에서는 모국어 인구의 언어 지식을 특징짓는 엄청난 개인차가 강조되었습니다. 문법의 개인차는 어휘 지식의 차이와 크기가 비슷하며 입력의 질과 학습자의 인지 능력 모두와 관련이 있습니다(D ˛ 아브로스카, 2018). 우리의 연구 결과는 R-W 모델이나 다른 계산 모델을 참가자의 데이터와 비교할 때 개별 모델 피팅이 기본 옵션이어야 함을 보여줍니다. 특히, 모델 매개변수와 데이터 입력은 각 참가자에 대해 개별적으로 조정되어 개별 반응을 더 잘 설명하고 예를 들어 언어학자 또는 개인의 집합된 마음에 규칙이 있는 지식이 어디에 있는지에 대한 보다 실제적인 그림을 얻을 수 있습니다. 사용자의 마음(Divjak, 2018)과 그것이 인구 전체에 어떻게 분포되는지를 살펴봅니다. 우리의 데이터는 또한 모델 적합성의 품질에서 W와 성별의 중요한 역할로 입증된 것처럼 우리의 언어 지식이 개인 및 인지적 특성에 의해 형성된다는 사용 기반 입장을 뒷받침합니다. 이러한 요소는 언어를 모델링할 때 기본적으로 고려해야 합니다.
한계와 향후 방향
우리의 연구는 실제 언어 학습 과제에서 개별 학습자의 행동에 R-W 모델을 적용한 최초의 연구입니다. 우리는 현재 사용 가능한 형태의 R-W 모델을 사용했지만, 우리의 연구 결과는 매우 유망함에도 불구하고 WM 용량 제한을 처리하기 위해 모델을 확장하는 것이 흥미로울 수 있음을 보여줍니다. 그러한 방향에 대한 추가 조사는 고전적 조건화와 밀접하게 관련된 분야인 강화 학습에서 수행된 작업에서 영감을 얻을 수 있습니다. 여기서 학습은 종종 배면 및 복부 선조체와 같은 낮은 수준의 인지 기능과 관련된 영역에서 발생한다고 오랫동안 가정되어 왔습니다. (Balleine& O'Doherty, 2010) 그러나 이제는 WM을 통한 높은 수준의 인지 조절도 포함하는 것으로 인식되고 있습니다. 이로 인해 WM이 이전 시도의 정보를 유지하여 학습을 지원하는 핵심 구성 요소로 명시적으로 모델링되는 새로운 학습 프레임워크가 개발되었습니다(예: Collins & Frank, 2012; Ezzizi et al., 2015 참조). 이는 R-W 및 기타 고전적 조건화 모델에 대해 취하는 접근 방식일 수 있습니다. 특히 대규모 시뮬레이션 기반 언어 연구에서 학습 이벤트에는 일반적으로 많은 수의 단서(예: 한 문장의 모든 삼중 문자 또는 단어)가 포함되어 있기 때문입니다. 알려진 WM 용량 제한으로 인해 R-W 모델 업데이트에 필요한 대로 인간 학습자가 즉시 처리할 수 있습니다(이 방향의 초기 시도는 Glautier, 2013 및 Baayen et al., 2016 참조).
향후 작업 확장을 위한 또 다른 방향은 별도의 학습 후 테스트 단계를 거치지 않고 단서-결과 연관성에 대해 훈련하는 동안 시간이 지남에 따라 참가자의 응답을 수집하는 것입니다. 이는 모델 적합성을 더욱 개선하고 참가자가 작업을 학습하는 동안 참가자의 행동에 대한 더 넓은 그림을 제공할 수 있는 잠재력을 갖습니다. 또한 이는 암시적 학습 작업에서 했던 것처럼 언어 학습 작업에 대한 시간 기울기를 기반으로 학습 측정값을 추출할 수 있으므로 암시적 학습과 R의 적합도 사이의 연관성을 찾을 가능성을 높일 수 있습니다. W 모델(온라인 지원 정보의 부록 S5에 있는 토론 참조) Notaro 등이 수행한 것처럼 암시적 학습 작업에서 수집된 응답 시간에 R-W 모델을 적용하여 두 측정값 사이의 연결을 조사할 수도 있습니다. (2018), 시간 기울기만 사용하거나 둘을 혼합하여 사용하는 것이 아닙니다.
마지막으로, 우리의 언어 학습 과제의 특정 구조는 규범적(남성 편향) 전략을 선호했지만, 여전히 대답되지 않은 흥미로운 질문은 언어 입력의 구조를 변화시킬 때 R-W 모델을 사용하여 다양한 전략의 출현을 예측할 수 있는지 여부입니다. 그리고 언어 학습자 간의 개인차를 통제합니다. 언어 사용자 간의 일치 수준을 설명하거나 예측하기 위해 R-W 모델을 사용하는 접근 방식은 복수 과거 시제의 폴란드어 주어-동사 일치를 넘어 언어 사용에 대한 합의가 부족한 것으로 관찰된 언어의 다른 측면을 포괄하도록 확장될 수 있습니다(예: Geeraert 외, 2020; Milin, Divjak, & Baayen, 2017 참조).
결론
R-W 모델은 매우 간단한 학습 모델이지만 언어 학습 실험에서 참가자의 행동을 설명하는 데 사용할 수 있는 다양한 변형 소스를 가지고 있습니다. 여기에는 모델의 학습률, 학습 예제의 표시 순서, 큐-결과 동시 발생의 상대 빈도가 포함됩니다. 현재 연구에서 우리는 모델을 참가자의 데이터에 맞출 때 이러한 변형 소스를 체계적으로 통합하여 모델이 폴란드어 주제-동사 일치에 대한 언어 학습 작업에서 대부분의 참가자의 선택 및 응답 대기 시간을 성공적으로 포착할 수 있도록 했습니다. 또한 WM 및 성별과 같은 인지적, 인구통계학적 특성은 언어 학습이 R-W 유사 학습 원리에 의해 주도되는 정도를 결정했습니다.
연구 배지 열기
이 기사는 디지털 공유 가능한 데이터와 보고된 절차 및 결과를 재현하는 데 필요한 연구 방법의 구성 요소를 공개적으로 제공한 공로로 공개 데이터 및 공개 자료 배지를 획득했습니다. 저자가 사용했으며 공유할 권리가 있는 모든 데이터 및 자료는 https://github.com/ooominds/Error-correction-mechanismsin-언어-learning 및 https://doi.org/10.25500/edata.bham에서 확인할 수 있습니다. 00000911. 모든 독점 자료는 원고에서 정확하게 식별되었습니다.
노트
1 단서 경쟁이라는 개념은 Batesand MacWhinney(1987)의 언어 습득 경쟁 모델의 핵심이기도 합니다. 그러나 그들의 모델은 주로 단어 순서나 단어의 형태학적 특징과 같은 상징적/언어적 단서를 사용하며 R-W 모델보다 훨씬 더 복잡한 아키텍처를 요구하는 연결주의적 접근 방식을 기반으로 합니다.
2 모든 말뭉치의 내용은 기껏해야 언어 사용자가 받는 입력과 매우 대략적인 근사치입니다. 반대로, 인공 언어는 자연어를 이해하는 데 설명적이고 유익하지만 주어진 자연어에서 발견되는 복잡성을 현실적으로 반영하기는 어렵습니다.
3 순진한 차별 학습 모델로서 R-W 규칙의 초기 구현은 Danks(2003)가 제공한 알고리즘의 비반복 버전에 의존하여 순서 효과가 나타날 가능성을 제거합니다.
4 여기서는 고전적 조건화의 행동 실험에서 일반적으로 수행되는 차단 효과 자체를 테스트하는 데 관심이 없다는 점에 유의하는 것이 중요합니다. 이러한 실험에서는 차단과 관련된 이벤트만 포함되며(차단은 다른 효과와 별도로 테스트됨) 차단은 우리의 경우처럼 세 번째 큐가 아닌 두 번째 큐에서 테스트됩니다(예: Kamin, 1969). 또한, 학습자는 일반적으로 "차단" 신호가 관심 결과에 대한 좋은 예측 변수가 되도록 충분히 오랫동안 훈련됩니다. 그러한 깔끔한 실험 설정은 자연어에 널리 퍼져 있는 "혼란"을 제대로 나타내지 못할 것입니다. 우리의 연구는 언어 학습에 관한 것이므로 현실적인 학습 상황을 최대한 가깝게 모방하기로 결정했습니다.
5 추가 참가자 한 명은 테스트 도중에 장비 오작동을 경험하여 다시 테스트를 받아야 했습니다. 이 참가자는 테스트 단계의 두 번째 실행에서 추가 교육을 거치지 않았으므로 첫 번째 실행과 동일한 지식으로 새 실행을 시작했기 때문에 이 참가자의 데이터를 유지했습니다(결과 피드백은 교육 단계에서만 제공된다는 점을 기억하세요). 모든 참가자가 실제 실험을 시작하기 전에 모든 단계에서 몇 가지 연습 시험을 거쳤기 때문에 여기서는 친숙화 효과가 중요한 역할을 해서는 안 됩니다. 또한 이 참가자의 데이터 없이 모든 분석을 다시 실행했으며 이를 제거해도 논문에 제시된 결과가 변경되지 않았음을 확인했습니다.
6 보이지 않는 데이터에 맞는 모델의 품질은 Leave-One-Outcross-Validation을 사용하여 평가되었습니다. 구체적으로, 각 참가자에 대해 테스트 단계에서 발생한 이벤트 중 하나를 수행하고 나머지 이벤트에 R-W 모델을 적용했습니다. 그런 다음 참가자의 응답이 일치하는지 평가하여 예약된 이벤트에 대해서만 모델을 평가했습니다. 가장 적합한 R-W 모델입니다. 모든 테스트 이벤트에 대해 이를 반복한 다음 평균(일대일 제외) 적합 정확도, 즉 각 예약 이벤트에 대한 특정 참가자의 응답과 참가자의 가장 적합한 R의 관련 예측 간의 일치 비율을 계산했습니다. W 모델.
7 실제로, 활성화도가 가장 높은 동사 형태를 선택하는 매우 간단한 비확률적 행위 선택 과정을 가정했기 때문에 이 정확도 수준은 매우 우수하다고 볼 수 있습니다. 이는 탐색, 주의력 부족 또는 고유한 뇌 소음으로 인해 발생할 수 있는 변동성을 고려하지 않습니다.
참고자료
1.Adani, S., & Cepanec, M.(2019). 초기 의사소통 발달의 성별 차이: 소년의 의사소통 시스템 발달에 더 취약하다는 행동 및 신경생물학적 지표. 크로아티아 의학 저널, 60(2),141-149.https://doi.org/10.3325/cmj.2019.60.141 (영문)
2.Ambridge, B., & Lieven, EVM(2011). 아동 언어 습득: 대조적인 이론적 접근. 케임브리지 대학 출판부.
3. Baayen, RH (2011). 코퍼스 언어학과 순진한 차별 학습. RevistaBrasileira de Linguística Aplicada, 11(2), 295–328.https https : https % 3a % 2f % 2fdoi.org % 2f10.1590 % 2fS % 7b % 7b2 % 7d % 7d
4. Baayen, RH, Endresen, A., Janda, LA, Makarova, A., & Nesset, T. (2013). 러시아어로 선택하기: 경쟁 형태에 대한 통계 방법의 장단점. 러시아어언어학, 37(3), 253–291.https://doi.org/10.1007/s11185-013-9118-6
5. Baayen, RH, & Milin, P. (2010). 반응 시간 분석. 국제 심리학 연구 저널, 3(2), 12–28.https://doi.org/10.21500/20112084.807 (영문)
6. Baayen, RH, Milin, P., Filipovic Ður đevic, D., Hendrix, P., & Marelli, M. (2011). 순진한 차별 학습을 기반으로 한 시각적 이해의 형태학적 처리를 위한 '비정형 모델'입니다. 심리 검토, 118(3), 438-481.https://doi.org/10.1037/a0023851 (영문)
7. Baayen, RH, Shaoul, C., Willits, J., & Ramscar, M. (2016). 분할 없는 이해: 순진한 차별 학습을 통한 개념 증명. 언어, 인지 및 신경과학, 31(1), 106–128.https : https % 3a % 2f % 2fdoi.org % 2f10.1080 % 2f23273798.2015.1065336
8. Baetu, I., Burns, N., & Child, B. (2018). 작업 기억력의 개인차는 연관 학습 과제의 성과를 예측합니다. [논문 발표].호주 심리학자, 호주 시드니.https://doi.org/10.1111/ap.12372를 참조하십시오.
9. Balleine, BW, & O'Doherty, JP (2010). 행동 제어의 인간과 설치류 상동성: 목표 지향적이고 습관적인 행동의 피질골 결정 요인. 신경정신약리학, 35(1), 48-69.https://doi.org/10.1038/npp.2009.131 (영어)
10. 볼링, LW, & Baayen, RH (2008). 청각 단어 인식의 형태학적 효과: 덴마크어의 증거. 언어 및 인지 과정, 23(7-8),1159-1190.https://doi.org/10.1080/01690960802201010 (영문)
For more information:1950477648nn@gmail.com
