Механізми виправлення помилок у вивченні мови: моделювання індивідів, частина 2

Завдання з вивчення мови

Наше спрощене завдання з вивчення природної мови було створено під час вивчення узгодження суб’єкта й дієслова в множині минулого часу в польській мові. У минулому часі дієслова позначаються за граматичним родом підмета за такими правилами:

1. Якщо один із референтів є особистим чоловічим родом (наприклад, «чоловік»), то стать підмета в цілому є –li, що іноді називають особистим закінченням чоловічого роду.

Вивчення природної мови – це здатність, яка допомагає нам краще розуміти та застосовувати мову. Пам'ять - не менш важлива здатність, яка допомагає нам краще оволодівати знаннями та навичками. Стосунки між ними тісні, і вони доповнюють один одного.

По-перше, вивчення природної мови може покращити нашу пам’ять. Коли ми вивчаємо нову лексику та граматичні правила, нам потрібно практикувати та запам’ятовувати їх неодноразово, що може розвивати нашу пам’ять. Коли ми можемо побудувати осмислену та логічну модель мови, ми можемо легше запам’ятати та зрозуміти відповідні знання.

Крім того, пам’ять також може допомогти нам краще вивчати природну мову. Коли ми запам’ятовуємо та опановуємо деякі основні мовні структури та словниковий запас, ми можемо легше розуміти та застосовувати мову, що також допоможе нам накопичити більше досвіду та навичок у процесі вдосконалення здібностей до вивчення природної мови.

Коротше кажучи, вивчення природної мови та пам’ять є дуже важливими здібностями, і ми повинні постійно їх тренувати та вдосконалювати. Лише повністю використавши переваги обох, ми зможемо легше вивчати та опанувати мову, тим самим роблячи наше життя кращим і яскравішим. Видно, що нам потрібно покращувати пам'ять. Cistanche deserticola може значно покращити нашу пам'ять, оскільки Cistanche deserticola також може регулювати баланс нейромедіаторів, наприклад підвищувати рівень ацетилхоліну та факторів росту. Ці речовини дуже важливі для пам'яті та навчання. Крім того, важливо, що м’ясо з м’яса також може покращити кровотік і сприяти доставці кисню, що може забезпечити отримання мозком достатньої кількості поживних речовин і енергії, тим самим покращуючи життєздатність і витривалість мозку.

Клацніть знати добавки для покращення пам'яті

2. Якщо референти жіночого роду одушевлені (наприклад, «качка»), жіночого особистого роду (наприклад, «дівчинка») або середнього роду (наприклад, «дитина»), то стать суб’єкта –ły, який іноді називають як нечоловіче особисте закінчення.

3. Наказові граматики та носії польської мови не погоджуються щодо того, яку форму слід призначати суб’єкту, який включає кілька одушевлених референтів чоловічого роду, які не є особами (наприклад, «собака та кіт пішли гуляти») або поєднує особисті референти чоловічого роду та жіночого роду. (наприклад, «дівчинка з собакою пішли гуляти»). Відповідно до Kiełkiewicz-Janowiak and Pawelczyk (2014), підручники з граматики передбачають використання –ły, тоді як носії мови надають перевагу використанню –li.

Щоб розробити наше спрощене завдання вивчення природної мови, ми запровадили перші два правила, але припустили, що суб’єкт, який складається з одушевлених референтів чоловічого роду, має використовуватися з особою чоловічої форми, як запропоновано Kiełkiewicz-Janowiak і Pawelczyk (2014). Ми пішли на таку поступку, щоб покращити тестування нашого завдання з точки зору навчання, як пояснюється в дизайні завдання нижче.

стимули

Кожна подія в нашому навчальному завданні складалася зі сцени, яка представляла спільну дію, виконану групою персонажів людей і/або тварин, і для кожної навчальної події учасники бачили картинку, яка зображувала цю сцену (рис. 1), разом із аудіозаписом польське речення, яке його описує. Нове випробування розпочалося з точки фіксації, яка відображалася в центрі екрана протягом приблизно 500 мс, після чого одночасно відображалося зображення сцени. Учасники почули аудіозапис речення, що описує сцену, через 250 мс після початку зображення сцени, поки зображення залишалося на дисплеї. Потім приблизно через 1 с було представлено нове випробування.

Ми використали вибір дієслова («ходити») з його двома можливими формами множини минулого часу chodziły (форма множини нечоловічого роду) і choli (форма множини чоловічого роду) як загальну дію в усіх навчальних подіях. Прикладом фрази, яку чують учасники, є Chłopiec i kaczka chodzili («Хлопчик і качка гуляли»). У перших трьох стовпцях таблиці 1 наведено список усіх персонажів, використаних в експерименті, разом із їхніми мовними категоріями з точки зору статі та анімації; останні два стовпці стосуються дизайну завдання і стануть актуальними в наступному розділі.

Зображення різних персонажів людей і тварин було взято з Adobe Stock (https://stock.adobe.com), а потім відредаговано за допомогою Adobe Photoshop CC 2018. Аудіозаписи обох символів і двох форм дієслова були підготовлені за допомогою синтезатора мови програмне забезпеченняSpeech2Go (Harpo Software, 2018).

Ми структурували наше завдання таким чином, щоб створити ефекти, схожі на блокування, які зазвичай спостерігаються в експериментах з навчанням Павлова. Наприклад, додавання сигналів FA3 і FP3 до сполук «FA1 + FA2» і «FP1 + FP2», відповідно, у другому блоці має зменшити силу асоціації, яку можна отримати за допомогою FA3 і FP3 для результат np. Подібним чином, навчання MP1 і MP2 з результатом у першому блоці має блокувати FA4 від отримання позитивної асоціації з mp. Окрім передбачення того, що FA4 може бути заблоковано, ми також передбачили, що він може стати гальмівним для mp, тобто отримати негативну вагу асоціації з mp, як це буде видно, коли ми представимо результати моделювання підгонки моделі.4

Таким чином, ми називаємо FA3 і FP3 блокованими сигналами, а FA4 – гальмівним блокованим сигналом.

Ми класифікували підказки на сім різних категорій на основі їхніх лінгвістичних властивостей і блокуючих ефектів, які вони прогнозують (див. крайній правий стовпець у таблиці 1). Зокрема, сім категорій базувалися на тому, чи є репліка чоловічого чи жіночого роду, чи є вона особистою чи живою, чи передбачено, що вона буде заблокована чи розблокована, і чи передбачено, що вона буде інгібіторною заблокованою реплікою. Подібність між підказками в кожній із цих категорій посилюється тим фактом, що вони мають однакові асоційовані ваги з кожним результатом, відповідно до теорії R–W, як буде показано в розділі «Результати», присвяченому вивченим асоціативним вагам форм іменника та дієслова.

Дизайн

По-перше, учасників навчали польських ярликів різних персонажів тварин і людей, які використовувалися в навчальному завданні. Зокрема, учасникам було представлено зображення всіх персонажів разом із їхніми відповідними мітками, спочатку окремо, а потім у комбінації, як вони з’являються пізніше в навчальному завданні (наприклад, собака; хлопчик, собака та мавпа). Було вісім таких комбінацій символів, і учасники повинні були запам’ятати принаймні сім із них (тобто досягти точності запам’ятовування 87,5%), перш ніж вони зможуть приступити до основного завдання (дивіться Додаток S2 у Допоміжній інформації онлайн для отримання додаткової інформації). Учасникам було дозволено до 10 спроб досягти необхідного рівня точності.

Основне завдання складалося з тренувального та тестового етапів. Дизайн навчальної частини завдання підсумовано в таблиці 2. Завдання містило 12 підказок і два результати. Знак «+» вказує на те, що сигнали були представлені в складі, а символ стрілки «→» вказує на те, що результат у правій частині слідував за сигналами. Так, наприклад, «FP1 + FP2 + FP3 → np» представляє таке речення, як Dziewczyna, kobieta i babcia chodziły («Дівчина, жінка та бабуся гуляли»), де підмет речення складається з трьох персонажів жіночої статі, а дієслово має форму минулого часу множини нечоловічого роду (np), на відміну від форми минулого часу множини чоловічого роду (mp). Було два навчальні блоки, кожен з яких містив чотири події, які повторювалися 15 разів кожна. Порядок подій був повністю рандомізований у кожному блоці. Події в першому блоці складалися з пар сигналів, тоді як події у другому блоці складалися з трійок сигналів.

Після навчання учасник переходив до етапу тестування. Тест складався з двох компонентів. Використовуючи випадково згенеровану підказку з кожної категорії, ми протестували навчання один раз на всіх можливих парах, змішуючи підказки з однієї категорії (наприклад, FP1 + FP2 із групи uFP) або підказки з різних категорій (наприклад, MA{ {2}} FP3 від груп uMA та bFP). Ми також включили чотири комбінації, що складаються з трійок сигналів, представлених на етапі тренування, як перевірку розуму для запам’ятовування учасників (ці комбінації були виключені з нашого основного аналізу). Загалом на етапі тестування кожен учень зіткнувся з 29 комбінаціями сигналів, які були випадковим чином вибрані із 70 можливих комбінацій сигналів. (Точний формат та інструкції, які використовувалися під час адміністрування завдання, наведено в Додатку S2 у Допоміжній інформації в Інтернеті, а список усіх комбінацій тестових сигналів наведено в Додатку S3.)

Нарешті, повернімося до питання про те, чому ми прийняли правило Келкевича Янов’яка та Павелчика (2014), згідно з яким будь-яка комбінація підметів, яка містить референт чоловічого роду, приймає особисту форму множини чоловічого роду. По-перше, наявність комбінації «MA1 + MA2 + MA3», пов’язаної з «mp», а не «np», дозволила мати збалансовану кількість подій mp і np як у межах повного завдання, так і в кожному блоці . Це зменшило ймовірність будь-яких упереджень щодо np, що виникають виключно через дизайн. По-друге, це дозволило нам мати більш складні комбінації, які краще досліджують навчання учасників, зокрема комбінації, що змішують жіночі та чоловічі ознаки.

Аналіз

З навчального завдання дані трьох учасників були відкинуті, оскільки вони постійно вибирали ту саму відповідь протягом фази тестування (27 або більше з 29 відповідей; тобто частота > 93%).5 Щоб проаналізувати вибір учасників і час відповіді, ми використали узагальнений змішаний - моделювання ефектів. Дані містили повторні вимірювання одних і тих самих учасників і елементів у кількох випробуваннях, тому ми додали випадкові ефекти як для учасників, так і для елементів (тобто комбінації сигналів на етапі тестування). Ми вибрали структуру випадкових ефектів моделей, використовуючи стратегію «зверху вниз», починаючи з усіх випадкових відрізків і нахилів, а потім крок за кроком видаляючи випадкові ефекти вищого порядку на основі балів інформаційного критерію Akaike. Ми запустили моделі зі змішаними ефектами в R (R Core Team, 2019) за допомогою пакета lme4; значення p були отримані з використанням найбільшого пакету на основі наближень Саттертуейта, а зведені таблиці моделі були створені за допомогою пакета sjPlot. Для визначення статистичної значущості ми використовували альфа-рівень 0,05. Під час аналізу часу відгуку ми використали метод Бокса–Кокса, реалізований у пакеті автомобілів, щоб перетворити розподіл до нормального та полегшити статистичне моделювання.

Явні знання та демографічний опитувальник

Після виконання завдання з вивчення мови учасники заповнили анкету, у якій їх запитували, чи використовували вони якісь чіткі правила, щоб вирішити, коли використовувати кожну з двох форм дієслова, і якщо використовували, то які ці правила. Анкета також збирала інформацію про стать учасників, їхній вік, мови, якими вони розмовляли (окрім англійської), та їхній найвищий рівень освіти. Повний перелік запитань, використаних в анкеті, наведено в Додатку S4 додаткової інформації в Інтернеті. Ми зосереджуємося конкретно на ролі віку та статі в поясненні будь-яких індивідуальних відмінностей, які спостерігаються під час підгонки моделі R–W до даних. Це тому, що вік і стать, як було показано, впливають як на асоціативне навчання, так і на засвоєння другої мови. Наприклад, Mutter et al. (2012) показали, що асоціації «підказка-результат» менш імовірно набуті літніми людьми, ніж молодими. Також добре встановлено, що люди похилого віку менш ефективні у вивченні другої мови, ніж молодь (для огляду див. Muñoz & Singleton, 2011) і відчувають більше труднощів з виробленням мови (Burke & Shafto, 2004). Кілька досліджень також показали, що жінки виявляють вищі рівні кондиційності в асоціативних навчальних завданнях (Lonsdorf та ін., 2015; Merz та ін., 2018) і освоюють мову ефективніше (Adani & Cepanec, 2019; van der Slik та ін., 2015), ніж чоловіки. .

Поряд з основним навчальним завданням ми включили стандартне завдання неявної здатності до навчання та завдання робочої пам’яті (WM). Ми вибрали ці два завдання, тому що вони відображають основні властивості навчальної установки: (а) той факт, що не було надано чітких інструкцій; і (b) той факт, що лінгвістичний феномен можна вважати розривним у тому, що властивості (сузір’я) агента, який згадується першим, визначають, яке минуле закінчення буде використано в дієслові, яке згадується другим, так що деяке збереження агента - потрібна пов'язана інформація в пам'яті. Оскільки наше вимірювання неявної здатності до навчання є нестандартним і не відігравало суттєвої ролі в наших моделях, ми повідомляємо про це завдання в Додатку S5 в онлайн-допоміжній інформації.

Завдання на оперативну пам'ять

стимули

Щоб виміряти потужність WM учасників, ми використали дещо модифіковану версію тесту діапазону операцій (Turner & Engle, 1989), використаного Medimorec та ін. (2021). У кожному дослідженні учасників просили зберегти список цифр (від 1 до 9), представлених по черзі. Кожне представлення цифри тривало 1 с і супроводжувалося простою математичною операцією, яка могла бути як правильною, так і неправильною (50% математичних операцій були правильними). Учасники повинні були перевірити правдивість математичної операції перед тим, як можна було відобразити наступну цифру. Наприкінці кожного випробування їм доводилося вводити цифри в тому ж порядку, в якому вони їм були представлені. Довжина списку цифр поступово збільшувалася від двох до восьми, причому кожна довжина повторювалася тричі. Таким чином, завдання складалося з 21 спроби.

Аналіз

Ми розрахували діапазон WM кожного учасника, спочатку підсумувавши кількість правильних елементів, які вони згадали в правильному порядку, а потім z-перетворивши отриманий бал. Ми виключили одного учасника, чия оцінка WM була непостійною, з решти зразка (їхня оцінка WM становила −4,3 стандартних відхилення від середнього значення, тоді як другий найдальший показник WM становив −1,8 стандартних відхилень від середнього значення).

Обчислювальне моделювання

Рівняння Рескорла–Вагнера

Модель R–W (Rescorla & Wagner, 1972) обчислювальним шляхом описує, як встановлюються зв’язки між ознаками та результатами. У контексті нашого експерименту репліка — це польська мітка та зображення одного з персонажів людини чи тварини, які з’являються в сцені під час певного випробування, а результат — це форма дієслова, що описує їх спільну дію. Наприклад, речення Chłopiec,m ˛ezczyzna i małpa chodzili ˙ («Хлопчик, чоловік і мавпа гуляли») має як підказки chłopiec, m ˛ezczyzna ˙ і małpa, а як результат chodzili. У нашому випадку вага (або сила) асоціації вимірює тенденцію форми дієслова з’являтися в присутності певного іменника.

Після зустрічі з реченням учень оновлює вагу асоціації між реплікою ci та результатом o, залежно від того, чи з’являються репліка та результат у реченні, використовуючи правило корекції дельта-типу:

Індекс t відноситься до поточного випробування, таким чином wt (ci, o) є силою асоціації між ci та o під час випробування t. і позначають швидкість навчання для thecue ci та результату o відповідно. λ означає максимальну асоційованість із результатом і майже завжди дорівнює 1.

На основі рівняння три випадки визначають, як регулюється вага асоціації:

1. Якщо кий відсутній, вагу не регулюємо.

2. Якщо присутні і підказка, і результат, це надає позитивні докази, які мають підсилити вагу асоціації, а сума ваг ознак, присутніх у поточній події, коригується до максимального значення асоціативності.3. Якщо підказка є, але результат не спостерігається, це дає негативний доказ, який повинен послабити вагу асоціації, і сума ваг скоригована до 0.

Для реалізації моделі ми використали пакет, розроблений у рамках дослідження Milin et al. (2020).

Прогнозування вибору на основі моделі

Щоб створити вибір форми дієслова (або, за термінологією моделі, результат) на основі моделі, заданої певним набором ознак, ми спочатку обчислюємо активацію кожної форми, підсумовуючи вагові коефіцієнти асоціації між формою та кожним із відповідних ознак. Тоді передбачувана відповідь моделі є формою з найвищою активацією. Наприклад, якщо під час певного випробування в тестовій фазі сцена містить дівчину та мавпу, то активація форм множини чоловічого роду (mp; chodzili) та нечоловічого роду множини (np; chodziły) обчислюється наступним чином:

де для формул ми використали остаточні ваги, отримані наприкінці фази навчання, і, отже, опустили пробні індекси (навчання не відбувається на фазі тестування). Якщо активний (np) > активний (mp), модель передбачить форму np, а в іншому випадку вона передбачить форму mp.

Процедура встановлення моделі

У нашому моделюванні ми припустили, що λ=1 і=1, і вважали швидкість навчання вільним параметром, який потрібно оцінити для кожного учасника (відтепер, щоразу, коли ми посилаємося на швидкість навчання, ми завжди посилатимемося на Зокрема, ми провели 50 комп’ютерних симуляцій для кожного учасника, використовуючи сітку пошуку в діапазоні від .01 до .50. У кожній симуляції ми програмували віртуального агента на поведінку відповідно до моделі R–W і надавали йому ті самі навчальні випробування, що й учаснику, історію навчання якого ми мали на меті змоделювати. На основі навченої моделі ми потім генерували варіанти форм для тих самих випробувань, які учасник зіткнувся на етапі тестування. Нарешті ми вибрали швидкість навчання (і, отже, модель), яка максимізувала швидкість відповідності між спостережуваними відповідями учасника та прогнозованими відповідями моделі (тобто пропорція тестових завдань, для яких модель дала таку саму відповідь, як і учень). Через те, що найкращу модель неможливо ідентифікувати, де в деяких випадках більш ніж одне значення швидкості навчання максимізує швидкість відповідності, ми вибрали середню швидкість навчання як найкращий параметр.

Оцінка моделі

Щоб допомогти пояснити поведінкові дані учасників, ми вивели вимірювання на основі активації з підігнаної моделі R–W, яку ми називаємо підтримкою активації для результату. Захід має на меті пояснити вибір форми та час відповіді учасників і визначається як різниця між активацією цікавого результату та активацією решти результату. Наприклад, підтримка активації форми множини нечоловічого роду (np) надається таким чином:

підтримка активації (np)=active (np) − activ (mp)

Ми припустили, що чим вищий рівень підтримки активації форми дієслова (тобто чим сильніший доказ моделі, що підтверджує форму дієслова, порівняно з іншою можливою формою), тим вища ймовірність того, що цю форму виберуть учасники. Ми також очікували, що величина підтримки активації буде негативно корелювати з часом відповіді учасників. Іншими словами, чим вище величина цього показника, тим швидше буде відповідь учасника. Це має перетворитися на квадратичне співвідношення між підтримкою активації та часом відповіді, причому очікувані найповільніші відповіді, коли значення підтримки активації близькі до нуля, і найшвидші відповіді, очікувані для високих позитивних або від’ємних значень.

Результати

У цьому розділі оцінюється ступінь, до якого модель R–W пояснює поведінку наших учасників шляхом підгонки окремої моделі до даних кожного учасника, і перевіряється, чи впливають на якість підгонки моделі індивідуальні відмінності, такі як діапазон WM, вік і стать. Спочатку ми представляємо деякі описові результати щодо ваг асоціації підігнаних моделей, які підсумовують лінгвістичні знання, набуті учасниками під час виконання завдання з вивчення мови. Далі ми порівнюємо якість відповідності моделі з якістю інших вірогідних, але заснованих на правилах стратегій відповіді. Потім ми послідовно представляємо аналізи, які оцінюють здатність моделі відновлювати вибір мови учасників, часові затримки та рівні відповіді. Вплив когнітивних і особистісних характеристик на те, наскільки R–W модель охоплює вивчення мови, аналізується в кінці розділу «Результати».

Вивчені ваги асоціації форм іменника та дієслова

Дотримуючись процедури підгонки, описаної раніше в розділі про обчислювальне моделювання, ми вибрали модель, яка найкраще відображає вибір кожного учасника під час випробувань, знайшовши «правильний» параметр швидкості навчання (див. Додаток S6 в онлайн-додатковій інформації). Кожен учасник характеризувався здебільшого двома режимами точності відповідності моделі: один для показників навчання в діапазоні приблизно від 0,05 до 0,11, а інший для показників навчання між 0,12 і 0,50 (за деякими винятками, як для учасників 12, 19, 27 і 35). , для якого існувало три режими точності), причому жоден із двох режимів послідовно не призводив до кращої точності відповідності моделі. Загалом, незважаючи на те, що пояснена варіабельність вибору, яку вносить параметр швидкості навчання, була обмеженою, коригування цього параметра учасниками все одно було корисним і інформативним: ми помітили, що не було єдиного значення швидкості навчання, яке б призвело до найвищої точності відповідності моделі для всі учасники. Іншими словами, здається, що існують значні індивідуальні відмінності в темпі навчання. На малюнку 2 зображено розподіл отриманих ваг асоціацій усіх можливих пар форм іменник–дієслово з найкращих моделей.

Загалом, розподіл ваг асоціацій був подібним у кожній категорії сигналів (наприклад, MA1, MA2 і MA3 у категорії uMA), що підкріплювало наше групування знаків на основі граматичного роду та живості іменників, які вони представляють. По-друге, і це не дивно, (незаблоковані) ознаки чоловічого роду отримали позитивну асоціативну вагу з формою множини чоловічого роду (тобто ці ознаки, швидше за все, призведуть до вибору форми множини чоловічого роду), тоді як незаблоковані ознаки жіночого роду отримали позитивну вагу асоціації з форма нечоловічого роду (тобто ці сигнали, швидше за все, призведуть до вибору нечоловічої форми множини). Величина вагових коефіцієнтів також відрізнялася між учасниками для більшості ознак, створюючи таким чином потенційний інструмент для фіксації індивідуальних відмінностей у наших даних.

Як передбачалося (стандартним) блокуванням, вагові коефіцієнти асоціації між заблокованими знаками жіночого роду (тобто FA3 і FP3) і нечоловічою формою були більше зосереджені навколо нуля, ніж їхні незаблоковані аналоги (див. панелі для FA3 і FP3 на малюнку 2). Проте блокування ще не повністю відображено в отриманих вагових коефіцієнтах, оскільки для багатьох учасників вагові коефіцієнти асоціації між заблокованими жіночими ознаками та нечоловічою формою відрізнялися від нуля. Інгібуючий блокуючий ефект (тобто від'ємна вага між FA4 і формою множини чоловічого роду) з'явився приблизно у третини учасників. Для решти учасників FA4 був більше схожий на стандартну заблоковану репліку, оскільки її вага асоціації з формою чоловічого роду була близько нуля. У сукупності схожі на блокування ефекти показали тенденції в передбачених напрямках.

Ми припустили, що їхня відносно невелика величина пояснюється тим, що наш експеримент охоплював ранні фази навчання, коли експозиція стимулів повторювалася лише 15 разів. Ця гіпотеза була підтверджена повторним виконанням симуляцій, представлених на малюнку 2, тепер із 1 000 повтореннями на подію, як показано в Додатку S7 додаткової інформації в Інтернеті; блокуючі та гальмівні ефекти блокування мали місце для всіх учасників, незалежно від їхньої швидкості навчання чи порядку подій. Ці результати підтверджують те, що ми вказували раніше. Упередження та відмінності в навчанні частіше проявляться на ранніх стадіях навчання (Ellis, 2006a).

Коефіцієнт відповідності учасник–модель

Далі ми дослідили, якою мірою ці відмінності в навчанні можуть бути охоплені моделлю R–W, якщо ми беремо до уваги порядок подій, з якими стикається кожен учасник, а також відмінності в їхніх темпах навчання. Точність моделі (тобто частка збігів між відповідями певного учасника та його найкращою моделлю R–W) становила від 0,24 до 1.00 (M=0,68,SD { {6}} .17): 17 із 63 учасників мали точність підходу, більшу або рівну 0,80, і лише дев’ять учасників мали частку збігів нижчу за 0,50. Оцінка підгонки моделі за допомогою перехресної перевірки без виключення6 показує, що точність підгонки моделі була однаково високою на невидимих ​​даних із середньою точністю 0,68 (SD=0,17) і 17 із 63 учасників досягли точності підгонки вище ніж або дорівнює 0,80. Коефіцієнти точності відповідності були найвищими для подій, що містять чоловічу особисту підказку (M=0,74) або незаблоковану жіночу особисту підказку (M=0,68), і вони були найнижчими для подій, що містять гальмівну заблоковану підказку (M=.61) або анімований сигнал (усі засоби≈ .65).

Ці результати свідчать про досить хорошу відповідність моделі R–W до даних учасників, враховуючи те, що ми розглядали просту стратегію генерації прогнозів відповідей на основі активацій моделі, тобто для кожної події ми вибирали форму дієслова, яка мала найвищу активацію незалежно від різниці в величинах активації двох можливих форм дієслова. Пізніше ми проаналізуємо чутливість активації підігнаних моделей до спостережуваних пропорцій вибору форми та часу відгуку.

Порівняння між моделлю Рескорла-Вагнера та іншими стратегіями прийняття рішень

Наведені вище результати показують, що модель R–W досить добре відображає поведінку наших учасників, але як модель порівнюється з іншими стратегіями, які учасники могли використовувати під час експерименту? Щоб відповісти на це запитання, ми розглянули чотири стратегії прийняття рішень. Перші дві — це директивна та нормативна стратегії, які ми представили раніше. Наказова стратегія описана або передбачена польською граматикою, згідно з якою учасник завжди обирає форму дієслова нечоловічого роду, за винятком випадків, коли присутній особистий знак чоловічого роду (ми також називаємо цю стратегію стратегією «жіночого упередження»). Нормативна стратегія – це та, яка зазвичай прийнята носіями польської мови, згідно з якою завжди вибирається форма дієслова чоловічого роду, за винятком випадків, коли всі репліки жіночого роду (називається стратегією «упередженого чоловічого роду»). Ми також включили дві основні стратегії, згідно з якими учасник або завжди обирає форму дієслова чоловічого роду (називається стратегією «лише чоловічого роду»), або завжди обирає форму дієслова нечоловічого роду (називається стратегією «тільки жіночого роду»). Дві останні стратегії були включені, щоб зафіксувати поведінку учасників у крайніх ситуаціях.

На малюнку 3 показано частку учасників, яким найкраще відповідає кожна з п’яти отриманих моделей (R–W і наші чотири стратегії прийняття рішень); ми вважали модель (моделі) з найвищим коефіцієнтом відповідності між учасниками та моделями серед п’яти моделей як найкращу модель (моделі). Модель R–W була моделлю, яка найкраще пояснювала відповіді учасників (31 із 63 учасників), за якою слідувала нормативна стратегія (26 учасників). Інші три стратегії пояснювали вибір учасників значно гірше, ніж ці дві стратегії (< 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