Foutcorrectiemechanismen bij het leren van talen: het modelleren van individuen, deel 2

Taalleertaak

Onze vereenvoudigde taak voor het leren van natuurlijke talen werd geïnspireerd door de uitdaging van het leren van overeenstemming tussen onderwerp en werkwoord in de meervoudsvorm van de verleden tijd in het Pools. In de verleden tijd worden werkwoorden gemarkeerd voor het grammaticale geslacht van het onderwerp volgens de volgende regels:

1. Als een van de referenten mannelijk persoonlijk is (bijvoorbeeld "man"), dan is het geslacht van het onderwerp als geheel –li, waarnaar soms verwezen wordt als het mannelijke persoonlijke einde.

Het leren van natuurlijke talen is een vermogen dat ons helpt taal beter te begrijpen en toe te passen. Het geheugen is een even belangrijk vermogen dat ons helpt kennis en vaardigheden beter onder de knie te krijgen. De relatie tussen de twee is hecht en ze vullen elkaar aan.

Ten eerste kan het leren van natuurlijke talen ons geheugen verbeteren. Wanneer we nieuwe woordenschat- en grammaticaregels leren, moeten we deze herhaaldelijk oefenen en onthouden, wat ons geheugenvermogen kan oefenen. Wanneer we een betekenisvol en logisch taalmodel kunnen bouwen, kunnen we relevante kennis gemakkelijker onthouden en begrijpen.

Bovendien kan het geheugen ons ook helpen natuurlijke taal beter te leren. Wanneer we enkele basistaalstructuren en woordenschat uit het hoofd leren en beheersen, kunnen we taal gemakkelijker begrijpen en toepassen, wat ons ook zal helpen meer ervaring en vaardigheden op te doen in het proces van het verbeteren van het leervermogen van natuurlijke talen.

Kortom, het leren van natuurlijke talen en het geheugen zijn zeer belangrijke vaardigheden, en we moeten ze voortdurend oefenen en verbeteren. Alleen door optimaal gebruik te maken van de voordelen van beide kunnen we de taal gemakkelijker leren en beheersen, waardoor ons leven beter en kleurrijker wordt. Het is duidelijk dat we ons geheugen moeten verbeteren. Cistanche deserticola kan ons geheugen aanzienlijk verbeteren, omdat Cistanche deserticola ook de balans van neurotransmitters kan reguleren, zoals het verhogen van de niveaus van acetylcholine en groeifactoren. Deze stoffen zijn erg belangrijk voor het geheugen en het leren. Belangrijk is dat vlees uit vlees bovendien ook de bloedstroom kan verbeteren en de zuurstoftoevoer kan bevorderen, wat ervoor kan zorgen dat de hersenen voldoende voedingsstoffen en energie ontvangen, waardoor de vitaliteit en het uithoudingsvermogen van de hersenen worden verbeterd.

Klik op supplementen kennen om het geheugen te verbeteren

2. Als de referenten vrouwelijk levend (bijvoorbeeld "eend"), vrouwelijk persoonlijk (bijvoorbeeld "meisje") of onzijdig (bijvoorbeeld "kind") zijn, dan is het geslacht van het subject –ły, waarnaar soms wordt verwezen als de niet-mannelijke personalending.

3. Prescriptieve grammatica's en moedertaalsprekers van het Pools zijn het er niet over eens welke vorm moet worden toegekend aan een onderwerp dat meerdere mannelijke, levende referenten omvat die geen personen zijn (bijvoorbeeld "de hond en de kat gingen wandelen") of een mengeling is van mannelijke, levende en vrouwelijke persoonlijke referenten (bijvoorbeeld: "het meisje en de hond gingen wandelen"). Grammaticaboeken schrijven het gebruik van –ły voor, terwijl moedertaalsprekers de voorkeur lijken te geven aan het gebruik van –li, aldus Kiełkiewicz-Janowiak en Pawelczyk(2014).

Om onze vereenvoudigde taak voor het leren van natuurlijke talen te ontwerpen, hebben we de eerste twee regels geïmplementeerd, maar aangenomen dat een onderwerp bestaande uit mannelijke, levende referenten moet worden gebruikt met de mannelijke persoonlijke vorm, zoals voorgesteld door Kiełkiewicz-Janowiak en Pawelczyk (2014). We hebben een dergelijke concessie gedaan om de testbaarheid van onze taak vanuit een leerperspectief te verbeteren, zoals uitgelegd in het taakontwerp hieronder.

Stimuli

Elke gebeurtenis in onze leeropdracht bestond uit een scène die een gezamenlijke actie vertegenwoordigde die werd uitgevoerd door een groep menselijke en/of dierlijke karakters, en voor elke leergebeurtenis zagen de deelnemers een afbeelding die de scène afbeeldde (Figuur 1), samen met een audio-opname van een Poolse clausule die het beschrijft. Een nieuwe proef begon met een fixatiepunt dat ongeveer 500 ms in het midden van het scherm werd getoond, gevolgd door de gelijktijdige weergave van het beeld van de scène. Deelnemers hoorden de audio-opname van de clausule die de scène beschreef 250 ms na het begin van de afbeelding van de scène, terwijl de afbeelding op het scherm bleef staan. Vervolgens werd na ongeveer 1 seconde een nieuwe proef gepresenteerd.

We gebruikten de werkwoordkeuze ("lopen"), met zijn twee mogelijke meervoudsvormen chodziły (niet-mannelijke meervoudsvorm) en choli (mannelijke meervoudsvorm), als de gemeenschappelijke actie bij alle leergebeurtenissen. Een voorbeeld van een zin die door de deelnemers werd gehoord is Chłopiec i kaczka chodzili ("De jongen en de eend liepen"). De eerste drie kolommen in Tabel 1 geven een lijst van alle karakters die in het experiment zijn gebruikt, samen met hun taalkundige categorieën in termen van geslacht en animiteit; de laatste twee kolommen hebben betrekking op het ontwerp van de taak en zullen relevant worden in de volgende sectie.

De afbeeldingen die de verschillende menselijke en dierlijke karakters vertegenwoordigen, zijn geëxtraheerd uit Adobe Stock (https://stock.adobe.com) en vervolgens bewerkt met Adobe Photoshop CC 2018. De audio-opnamen van zowel de karakterlabels als de twee werkwoordsvormen zijn voorbereid met behulp van de spraaksynthesizer. softwareSpeech2Go (Harpo Software, 2018).

We hebben onze taak op deze manier gestructureerd om blokkerende effecten te creëren, zoals gewoonlijk te zien is in Pavloviaanse leerexperimenten. De toevoeging van signalen FA3 en FP3 aan respectievelijk de verbindingen "FA1 + FA2" en "FP1 + FP2" in het tweede blok zou bijvoorbeeld de associatiesterkte moeten verminderen die kan worden verkregen door FA3 en FP3 voor uitkomst bijv. Op dezelfde manier zou het trainen van MP1 en MP2 met uitkomst mp in het eerste blok ervoor moeten zorgen dat FA4 geen positieve associatie met mp krijgt. Naast het voorspellen dat FA4 geblokkeerd zou kunnen raken, voorspelden we ook dat het remmend zou kunnen worden voor mp, dat wil zeggen een negatief associatiegewicht met mp zou kunnen krijgen, zoals zal blijken wanneer we de modelfit-simulatieresultaten presenteren.4

Wethus verwijst naar FA3 en FP3 als geblokkeerde signalen, en naar FA4 als een remmende geblokkeerde signaal.

We hebben de signalen in zeven verschillende categorieën ingedeeld op basis van hun taalkundige eigenschappen en de blokkerende effecten die ze voorspellen (zie de meest rechtse kolom in Tabel 1). Concreet waren de zeven categorieën gebaseerd op de vraag of de cue mannelijk of vrouwelijk is, of deze persoonlijk of levendig is, of voorspeld wordt dat deze geblokkeerd of gedeblokkeerd zal zijn, en of er voorspeld wordt dat het een remmende, geblokkeerde cue is. De gelijkenis tussen de aanwijzingen binnen elk van deze categorieën wordt versterkt door het feit dat ze bij elke uitkomst dezelfde associatiegewichten delen, volgens de R-W-theorie, zoals zal worden aangetoond in de sectie Resultaten over aangeleerde associatiegewichten van zelfstandig naamwoord-werkwoordvormen.

Ontwerp

Eerst leerden de deelnemers de Poolse labels van de verschillende dierlijke en menselijke karakters die bij de leeropdracht werden gebruikt. Concreet kregen de deelnemers de afbeeldingen van alle karakters te zien, samen met de bijbehorende labels, eerst afzonderlijk en vervolgens in combinatie, zoals ze later in de leertaak verschijnen (bijvoorbeeld een hond; een jongen, een hond en een aap). Er waren acht van dergelijke karaktercombinaties, en deelnemers moesten er minstens zeven onthouden (dat wil zeggen om een ​​retentienauwkeurigheid van 87,5%) te bereiken voordat ze konden doorgaan met de hoofdtaak (zie bijlage S2 in de ondersteunende informatie online voor meer details). Deelnemers mochten maximaal 10 pogingen doen om het vereiste nauwkeurigheidsniveau te bereiken.

De hoofdtaak bestond uit een trainings- en een testfase. Het ontwerp van het trainingsgedeelte van de taak is samengevat in Tabel 2. De taak bevatte twaalf aanwijzingen en twee uitkomsten. Het "+" teken geeft aan dat de signalen in de compound werden gepresenteerd, en het pijlsymbool "→" geeft aan dat de uitkomst aan de rechterkant de signalen volgde. Zo vertegenwoordigt 'FP1 + FP2 + FP3 → np' bijvoorbeeld een zin als Dziewczyna, kobieta i babcia chodziły ('Het meisje, de vrouw en de oma liepen'), waarbij het onderwerp van de clausule bestaat uit drie vrouwelijke karakters en het werkwoord heeft de niet-mannelijke meervoudsvorm (np), in tegenstelling tot de mannelijke meervoudsvorm (mp). Er waren twee trainingsblokken, elk met vier evenementen die elk vijftien keer werden herhaald. De volgorde van de gebeurtenissen was binnen elk blok volledig willekeurig. De gebeurtenissen in het eerste blok waren samengesteld uit cue-paren, terwijl die in het tweede blok waren samengesteld uit cue-triples.

Na de training ging de deelnemer over naar de testfase. De test bestond uit twee onderdelen. Door een willekeurig gegenereerd signaal uit elke categorie te gebruiken, hebben we het leren één keer getest op alle mogelijke paren, waarbij signalen uit dezelfde signaalcategorie (bijv. FP1 + FP2 van de uFP-groep) of signalen uit verschillende categorieën (bijv. MA{ {2}} FP3 uit de uMA- en bFP-groepen). We hebben ook de vier combinaties bestaande uit cue triples opgenomen die in de trainingsfase werden gepresenteerd als een gezondheidscheck voor het terugroepen van de deelnemers (deze combinaties werden uitgesloten van onze hoofdanalyses). In totaal kwam elke leerling tijdens de testfase in totaal 29 keu-combinaties tegen, die willekeurig werden geselecteerd uit een totaal van 70 mogelijke keu-combinaties. (Het exacte formaat en de instructies die worden gebruikt tijdens het uitvoeren van de taak zijn te vinden in bijlage S2 in de ondersteunende informatie online, en de lijst met alle testcue-combinaties is te vinden in bijlage S3.)

Laten we tot slot terugkeren naar de vraag waarom we de regel van KiełkiewiczJanowiak en Pawelczyk (2014) hebben overgenomen, waarbij elke onderwerpcombinatie die een mannelijke referent bevat, de mannelijke persoonlijke meervoudsvorm aanneemt. Ten eerste maakte de combinatie "MA1 + MA2 + MA3" geassocieerd met "mp" in plaats van "np" het mogelijk om een ​​evenwichtig aantal mp- en np-gebeurtenissen te hebben, zowel binnen de volledige taak als binnen elk blok . Dit verkleinde de kans dat er een voorkeur voor np ontstond, puur vanwege het ontwerp. Ten tweede stelde dit ons in staat om meer uitdagende combinaties te maken die het leren van de deelnemers beter konden onderzoeken, met name combinaties die vrouwelijke en mannelijke signalen met elkaar vermengden.

Analyse

Van de leertaak werden gegevens van drie deelnemers weggegooid omdat ze tijdens de testfase voortdurend hetzelfde antwoord kozen (27 of meer van de 29 antwoorden; dat wil zeggen: percentage > 93%).5 Om de keuzes en responstijden van deelnemers te analyseren, gebruikten we gegeneraliseerde gemengde -effectmodellering. De gegevens bevatten herhaalde metingen van dezelfde deelnemers en items in meerdere onderzoeken. Daarom hebben we willekeurige effecten toegevoegd voor zowel deelnemers als items (dwz cue-combinaties in de testfase). We hebben de structuur van de willekeurige effecten van de modellen geselecteerd door een top-downstrategie te gebruiken, beginnend met alle willekeurige intercepts en hellingen en vervolgens stap voor stap willekeurige effecten van hogere orde te verwijderen op basis van Akaike-informatiecriteriumscores. We hebben de modellen met gemengde effecten uitgevoerd inR (R Core Team, 2019) met behulp van het lme4-pakket; de p-waarden werden verkregen met behulp van het grootste pakket gebaseerd op de benaderingen van Satterthwaite, en de modeloverzichtstabellen werden gegenereerd met behulp van het sjPlot-pakket. Om de statistische significantie te bepalen, hebben we een alfaniveau van .05 gebruikt. Bij de analyse van de responstijden hebben we de Box-Cox-methode gebruikt, zoals geïmplementeerd in het carpackage, om de verdeling naar normaliteit te transformeren en statistische modellering te vergemakkelijken.

Expliciete kennis en demografische vragenlijst

Na het voltooien van de taalleertaak vulden de deelnemers een vragenlijst in waarin hen werd gevraagd of ze expliciete regels gebruikten om te beslissen wanneer ze elk van de twee werkwoordsvormen moesten gebruiken, en zo ja, wat deze regels waren. De vragenlijst verzamelde ook informatie over het geslacht van de deelnemers, hun leeftijd, de talen die zij spraken (behalve Engels) en hun hoogste opleidingsniveau. Een volledige lijst met de vragen die in de vragenlijst worden gebruikt, vindt u in bijlage S4 in de ondersteunende informatie online. We richten ons specifiek op de rol van leeftijd en geslacht bij het verklaren van eventuele individuele verschillen die worden waargenomen bij het aanpassen van het R-W-model aan de gegevens. Dit komt omdat is aangetoond dat leeftijd en geslacht zowel het associatief leren als de verwerving van een tweede taal beïnvloeden. Mutter et al. (2012) lieten zien dat het minder waarschijnlijk is dat associaties tussen cue en uitkomsten worden verworven door oudere volwassenen dan door jonge volwassenen. Het is ook algemeen bekend dat oudere volwassenen minder effectief zijn in het leren van een tweede taal dan jonge volwassenen (voor een overzicht, zie Muñoz & Singleton, 2011) en meer problemen ervaren met taalproductie (Burke & Shafto, 2004). Verschillende onderzoeken hebben ook gemeld dat vrouwen hogere conditioneringsniveaus vertonen bij associatieve leertaken (Lonsdorf et al., 2015; Merz et al., 2018) en taal effectiever verwerven (Adani & Cepanec, 2019; van der Slik et al., 2015) dan mannen .

Naast de hoofdleertaak hebben we een standaardtaak van impliciet leervermogen en een van werkgeheugen (WM) opgenomen. We hebben deze twee taken geselecteerd omdat ze opvallende eigenschappen van de leeropzet vastleggen: (a) het feit dat er geen expliciete instructies werden gegeven; en (b) het feit dat het taalkundige fenomeen als discontinu kan worden beschouwd in die zin dat eigenschappen van (constellaties van) de agent, die als eerste wordt genoemd, bepalen welke verleden uitgang zal worden gebruikt voor het werkwoord, dat als tweede wordt genoemd, zodat enig behoud van agent -gerelateerde informatie in het geheugen is vereist. Omdat onze meting van het impliciete leervermogen niet-standaard is en geen significante rol speelde in onze modellen, rapporteren we over deze taak in bijlage S5 in de online ondersteunende informatie.

Werkgeheugentaak

Stimuli

Om de WM-capaciteit van deelnemers te meten, gebruikten we een licht gewijzigde versie van de operationele span-test (Turner & Engle, 1989) die werd gebruikt door Medimorec et al. (2021). Bij elke proef werd aan de deelnemers gevraagd een lijst met cijfers (tussen 1 en 9) te bewaren, die één voor één werden gepresenteerd. Elke cijferpresentatie duurde 1 seconde en werd gevolgd door een eenvoudige wiskundige bewerking die correct of onjuist kon zijn (50% van de wiskundige bewerkingen was correct). Deelnemers moesten de waarheidsgetrouwheid van de wiskundige bewerking verifiëren voordat het volgende cijfer kon worden weergegeven. Aan het einde van elke proef moesten ze de cijfers intypen in dezelfde volgorde waarin ze aan hen waren gepresenteerd. De lengte van de cijferlijsten nam geleidelijk toe van twee naar acht, waarbij elke lengte drie keer werd herhaald. De taak bestond dus uit 21 pogingen.

Analyse

We berekenden de WM-spanne van elke deelnemer door eerst het aantal correcte items die ze zich herinnerden in de juiste volgorde op te tellen en vervolgens de verkregen score te z-transformeren. We hebben één deelnemer wiens WM-score discontinu was, uitgesloten van de rest van de steekproef (hun WM-score was −4,3 standaarddeviaties van het gemiddelde, terwijl de op één na verste WM-score −1,8 standaarddeviaties van het gemiddelde was).

Computationele modellering

De Rescorla-Wagner-vergelijkingen

Het R–W-model (Rescorla & Wagner, 1972) beschrijft op computationele wijze hoe de associaties tussen signalen en uitkomsten tot stand komen. In de context van ons experiment is een cue het Poolse label en de afbeelding van een van de menselijke of dierlijke karakters die tijdens een bepaald proces in de scène verschijnen, en een uitkomst is de werkwoordsvorm die hun gemeenschappelijke actie beschrijft. De clausule Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("De jongen, de man en de aap liepen") heeft bijvoorbeeld als signalen chłopiec, m ˛ezczyzna ˙ en małpa, en als uitkomst chodzili. In ons geval meet het associatiegewicht (of de sterkte) de neiging van een werkwoordsvorm om voor te komen in de aanwezigheid van een bepaald zelfstandig naamwoord.

Nadat de leerling een clausule tegenkomt, werkt hij het associatiegewicht tussen een cue ci en een uitkomst o bij, afhankelijk van of de cue en de uitkomst in de zin voorkomen, met behulp van een correctieregel van het delta-type:

Het subscript t verwijst naar de onderhavige proef, dus wt (ci, o) is de associatiesterkte tussen ci en o bij proef t. en geven de leersnelheden aan voor respectievelijk thecue ci en uitkomst o. λ verwijst naar de maximale associatiebaarheid met een uitkomst en is bijna altijd ingesteld op 1.

Op basis van de vergelijking bepalen drie gevallen hoe een associatiegewicht wordt aangepast:

1. Als de keu ontbreekt, passen we het gewicht niet aan.

2. Als zowel de cue als de uitkomst aanwezig zijn, levert dit positief bewijs op dat het associatiegewicht zou moeten versterken, en wordt de som van de gewichten van de cues die aanwezig zijn in de huidige gebeurtenis aangepast in de richting van de maximale associatiewaarde.3. Als het signaal aanwezig is maar de uitkomst niet wordt waargenomen, levert dit negatief bewijs op dat het associatiegewicht zou moeten verzwakken, en wordt de som van de gewichten aangepast richting 0.

Voor de implementatie van het model hebben we het pakket gebruikt dat is ontwikkeld als onderdeel van het onderzoek van Milin et al. (2020).

Keuzes voorspellen op basis van het model

Om een ​​werkwoordvormkeuze (of, in de terminologie van het model, een uitkomst) te genereren uit het model, gegeven een bepaalde reeks aanwijzingen, berekenen we eerst de activering van elke vorm door de associatiegewichten tussen de vorm en elk van de relevante aanwijzingen op te tellen. De voorspelde respons van het model is dan de vorm met de hoogste activering. Als bij een bepaalde proef in de testfase bijvoorbeeld een scène met een meisje en een aap voorkomt, worden de activeringen van de mannelijke meervoudsvormen (mp; chodzili) en niet-mannelijke meervoudsvormen (np; chodziły) als volgt berekend:

waarbij we voor de formules de uiteindelijke gewichten gebruikten die we aan het einde van de trainingsfase hadden verkregen en daarom de proefsubscripts hadden weggelaten (er wordt niet geleerd in de testfase). Als actief (np) > actief (mp), zou het model de np-vorm voorspellen, en anders zou het de mp-vorm voorspellen.

Modelaanpasprocedure

In onze simulaties gingen we ervan uit dat λ=1 en=1 en beschouwden we de leersnelheid als een vrije parameter die voor elke deelnemer kon worden geschat (voortaan zullen we, wanneer we het over de leersnelheid hebben, altijd verwijzen naar de parameter). Concreet hebben we 50 computersimulaties per deelnemer uitgevoerd met behulp van grid-searchfor, variërend van .01 tot .50. In elke simulatie programmeerden we een virtuele agent om zich te gedragen volgens het R–W-model en presenteerden we hem dezelfde trainingsproeven als de deelnemer wiens leergeschiedenis we wilden modelleren. Uit het getrainde model genereerden we vervolgens vormkeuzes voor dezelfde proeven die de deelnemer tegenkwam in de testfase. Uiteindelijk selecteerden we het leertempo (en dus het model) dat het matchpercentage tussen de waargenomen reacties van de deelnemer en de voorspelde reacties van het model maximaliseerde (dwz het deel van de testitems waarvoor het model hetzelfde antwoord opleverde als de leerling). Vanwege de niet-identificeerbaarheid van het best passende model, waarbij in sommige gevallen meer dan één leersnelheidswaarde het matchpercentage maximaliseerde, hebben we het mediane leerpercentage als de beste parameter geselecteerd.

Modelevaluatie

Om de gedragsgegevens van de deelnemers te helpen verklaren, hebben we een op activering gebaseerde maatstaf afgeleid van het aangepaste R-W-model, dat we activeringsondersteuning voor een resultaat noemen. De maatregel is bedoeld om de vormkeuzes en responstijden van deelnemers te verklaren en wordt gedefinieerd als het verschil tussen de activering van de uitkomst van interesse en de activering van de resterende uitkomst. De activeringsondersteuning voor de niet-mannelijke meervoudsvorm (np) wordt bijvoorbeeld als volgt gegeven:

activeringsondersteuning (np)=actief (np) − activ (mp)

Onze hypothese was dat hoe hoger de activeringsondersteuning voor een werkwoordsvorm is (dwz hoe sterker het bewijs uit het model dat de werkwoordsvorm ondersteunt ten opzichte van de andere mogelijke vorm), hoe groter de kans is dat die vorm door deelnemers wordt geselecteerd. We verwachtten ook dat de omvang van de activeringsondersteuning negatief zou correleren met de responstijden van de deelnemers. Met andere woorden: hoe groter de omvang van deze maatregel, hoe sneller de reactie van de deelnemer zou zijn. Dit zou zich moeten vertalen in een kwadratische relatie tussen activeringsondersteuning en reactietijden, waarbij de langzaamste reacties worden verwacht wanneer de activeringsondersteuningswaarden bijna nul zijn, en de snelste reacties worden verwacht voor hoge positieve of negatieve waarden.

Resultaten

In deze sectie wordt geëvalueerd in hoeverre het R–W-model het gedrag van onze deelnemers verklaart door een afzonderlijk model aan de gegevens van elke deelnemer toe te passen, en wordt getest of de kwaliteit van het model wordt beïnvloed door individuele verschillen zoals de omvang van het werkgeheugen, de leeftijd en het geslacht. We presenteren eerst enkele beschrijvende resultaten over de associatiegewichten van de aangepaste modellen, die een samenvatting vormen van de taalkundige kennis die deelnemers hebben verworven bij het leren van talen. Vervolgens vergelijken we de kwaliteit van de pasvorm van het model met die van andere plausibele, maar op regels gebaseerde reactiestrategieën. Vervolgens presenteren we achtereenvolgens analyses die het vermogen van het model beoordelen om de taalkeuzes, tijdslatenties en niveaus van responsovereenkomst van deelnemers te herstellen. Het effect van cognitieve en persoonlijke kenmerken op de mate waarin het R-W-model het leren van talen vastlegt, wordt aan het einde van de sectie Resultaten geanalyseerd.

Geleerde associatiegewichten van zelfstandig naamwoord en werkwoord

Door de fitprocedure te volgen die eerder in de sectie over computationele modellering is beschreven, hebben we het model geselecteerd dat het beste de keuzes weergeeft die elke deelnemer tijdens de proeven heeft gemaakt, door de "juiste" leersnelheidparameter te vinden (zie bijlage S6 in de online ondersteunende informatie). Elke deelnemer werd voornamelijk gekenmerkt door twee regimes voor de nauwkeurigheid van de modelaanpassing: één voor leerpercentages die grofweg tussen .05 en .11 lagen, en één voor leerpercentages tussen .12 en .50 (met enkele uitzonderingen, zoals voor deelnemers 12, 19, 27 en 35). , voor wie er drie nauwkeurigheidsregimes waren), waarbij geen van de twee regimes consequent leidde tot een betere nauwkeurigheid van de modelaanpassing. Al met al was de verklaarde variabiliteit in keuzes, bijgedragen door de leersnelheidparameter, beperkt, maar het maken van aanpassingen door de deelnemers voor die parameter was nog steeds nuttig en inzichtelijk: we merkten dat er geen enkele leersnelheidwaarde was die leidde tot de hoogste nauwkeurigheid van de modelaanpassing voor alle deelnemers. Met andere woorden: er lijken aanzienlijke individuele verschillen te bestaan ​​in het leertempo. Figuur 2 toont de verdelingen van de verkregen associatiegewichten van alle mogelijke paren van zelfstandig naamwoord-werkwoordvormen uit de best passende modellen.

Over het geheel genomen waren de verdelingen van de associatiegewichten vergelijkbaar binnen elke cue-categorie (bijvoorbeeld MA1, MA2 en MA3 binnen de uMA-categorie), wat onze groepering van de cues versterkte op basis van het grammaticale geslacht en de animiteit van de zelfstandige naamwoorden die ze vertegenwoordigen. Ten tweede, en niet verrassend, wonnen de (niet-geblokkeerde) mannelijke signalen een positief associatiegewicht met de mannelijke meervoudsvorm (dat wil zeggen, deze signalen resulteren eerder in een keuze voor de mannelijke meervoudsvorm), terwijl de niet-geblokkeerde vrouwelijke signalen een positief associatiegewicht wonnen met de mannelijke meervoudsvorm. de niet-mannelijke vorm (dat wil zeggen: deze aanwijzingen resulteren eerder in een keuze voor de niet-mannelijke meervoudsvorm). De grootte van de gewichten verschilde voor de meeste signalen ook tussen de deelnemers, waardoor een potentieel hulpmiddel ontstond om individuele verschillen in onze gegevens vast te leggen.

Zoals voorspeld door (standaard) blokkering, lagen de associatiegewichten tussen de vrouwelijke geblokkeerde signalen (dwz FA3 en FP3) en de niet-mannelijke vorm meer rond nul gecentreerd dan hun niet-geblokkeerde tegenhangers (zie de vensters voor FA3 en FP3 in figuur 2). De blokkering wordt echter nog niet volledig weerspiegeld in de verkregen gewichten, omdat voor veel deelnemers de associatiegewichten tussen de geblokkeerde vrouwelijke signalen en de niet-mannelijke vorm verschillend waren van nul. Een remmend, blokkerend effect (dwz een negatief gewicht tussen FA4 en de mannelijke meervoudsvorm) trad op bij ongeveer een derde van de deelnemers. Voor de overige deelnemers leek FA4 meer op een standaard geblokkeerd signaal, aangezien het associatiegewicht met de mannelijke vorm rond de nul lag. Alles bij elkaar vertoonden blokkerende effecten tendensen in de voorspelde richtingen.

We gingen ervan uit dat de relatief milde omvang ervan te danken was aan het feit dat ons experiment de vroege leerfasen vastlegde, waarbij de exposities van de stimuli slechts vijftien keer werden herhaald. Deze hypothese werd bevestigd door de simulaties uit Figuur 2 opnieuw uit te voeren, nu met 1,000 herhalingen per gebeurtenis, zoals weergegeven in bijlage S7 in de ondersteunende informatie online; blokkerende en remmende blokkerende effecten traden op bij alle deelnemers, ongeacht hun leertempo of volgorde van gebeurtenissen. Deze resultaten bevestigen wat we al eerder aangaven. Vooroordelen en verschillen in het leren manifesteren zich waarschijnlijk al vroeg in het leerproces (Ellis, 2006a).

Matchpercentages tussen deelnemers en modellen

Vervolgens hebben we onderzocht in hoeverre deze verschillen in leerproces kunnen worden vastgelegd door het R-W-model als we rekening houden met de volgorde van de gebeurtenissen die elke deelnemer tegenkomt, evenals met de verschillen in hun leersnelheid. De fitnauwkeurigheid van het model (dat wil zeggen het aandeel overeenkomsten tussen de antwoorden van een bepaalde deelnemer en het best passende R–W-model) varieerde van .24 tot 1.00 (M=.68,SD { {6}} .17): 17 van de 63 deelnemers hadden een fitnauwkeurigheid groter dan of gelijk aan .80, en slechts negen deelnemers hadden een percentage matches lager dan .50. Uit evaluatie van de modelfit met behulp van 'leave-one-out'-kruisvalidatie6 blijkt dat de nauwkeurigheid van de modelfit even hoog was op onzichtbare gegevens, met een gemiddelde nauwkeurigheid van 0,68 (SD=0,17) en dat 17 van de 63 deelnemers een fitnauwkeurigheid bereikten die groter was dan of gelijk aan .80. De nauwkeurigheidspercentages voor de aanpassing waren het hoogst voor gebeurtenissen die een mannelijke persoonlijke aanwijzing bevatten (M=.74) of een niet-geblokkeerde vrouwelijke persoonlijke aanwijzing (M=.68), en ze waren het laagst voor gebeurtenissen die de remmende geblokkeerde aanwijzing bevatten (M=.61) of een animatiesignaal (allemaal betekent ≈ .65).

Deze resultaten suggereren dat het R-W-model redelijk goed aansluit bij de gegevens van de deelnemers, gegeven het feit dat we een eenvoudige strategie hebben overwogen voor het genereren van responsvoorspellingen op basis van de modelactivaties. Dat wil zeggen dat we voor elke gebeurtenis de werkwoordsvorm hebben geselecteerd die de hoogste activatie had. ongeacht het verschil in de activeringsgrootheden van de twee mogelijke werkwoordsvormen. We zullen later de gevoeligheid van de activeringen van de aangepaste modellen voor de waargenomen vormkeuzeverhoudingen en responstijden analyseren.

Vergelijking tussen het Rescorla-Wagner-model en andere beslissingsstrategieën

Uit de hierboven gepresenteerde resultaten blijkt dat het R–W-model het gedrag van onze deelnemers redelijk goed weergeeft, maar hoe verhoudt het model zich tot andere strategieën die deelnemers mogelijk tijdens het experiment hebben toegepast? Om deze vraag te beantwoorden, hebben we vier beslissingsstrategieën overwogen. De eerste twee zijn de prescriptieve en normatieve strategieën die we eerder hebben gepresenteerd. De prescriptieve strategie is de strategie die wordt beschreven of voorgeschreven door Poolse grammaticaboeken, waarbij een deelnemer altijd de niet-mannelijke werkwoordsvorm kiest, behalve wanneer er een mannelijk persoonlijk signaal aanwezig is (we noemen deze strategie ook wel de ‘vrouwelijk bevooroordeelde’ strategie). De normatieve strategie is de strategie die algemeen wordt aangenomen door moedertaalsprekers van het Pools, waarbij de mannelijke werkwoordsvorm altijd wordt geselecteerd, behalve wanneer alle aanwijzingen vrouwelijk zijn (ook wel de "mannelijk bevooroordeelde" strategie genoemd). We hebben ook twee basisstrategieën opgenomen, waarbij een deelnemer óf altijd de mannelijke werkwoordsvorm kiest (ook wel de ‘alleen mannelijke’ strategie genoemd) óf altijd de niet-mannelijke werkwoordsvorm kiest (ook wel de ‘alleen vrouwelijke’ strategie genoemd). De laatste twee strategieën zijn opgenomen om het gedrag van de deelnemers in de extremen vast te leggen.

Figuur 3 geeft het percentage deelnemers weer dat het best past bij elk van de vijf resulterende modellen (R – W en onze vier beslissingsstrategieën); we beschouwden het model (de modellen) met het hoogste matchpercentage tussen deelnemer en model van de vijf modellen als het (de) best passende model (len). Het R–W-model was het model dat de reacties van de deelnemers het beste verklaarde (31 van de 63 deelnemers), op de voet gevolgd door de normatieve strategie (26 deelnemers). De andere drie strategieën verklaarden de keuzes van de deelnemers aanzienlijk minder goed dan deze twee strategieën (< 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