مکانیسم های تصحیح خطا در یادگیری زبان: مدل سازی افراد قسمت 1

خلاصه:

از زمان اولین پذیرش آن به عنوان یک مدل محاسباتی برای یادگیری زبان، شواهدی انباشته شده است که یادگیری تصحیح خطا Rescorla-Wagner (رسکولا و واگنر، 1972) چندین جنبه از پردازش زبان را در بر می گیرد. در حالی که مطالعات قبلی با استفاده از آن برای توضیح رفتار شرکت کنندگان در طیف وسیعی از وظایف، پشتیبانی کلی از قانون رسکولا-واگنر ارائه کرده است، ما بر روی آزمایش پیش بینی های تولید شده توسط مدل در یک کار یادگیری زبان طبیعی کنترل شده تمرکز می کنیم و داده ها را در سطح فرد یادگیرنده

بین یادگیری زبان و حافظه رابطه نزدیکی وجود دارد. هنگام یادگیری یک زبان جدید، ما نه تنها نیاز به تسلط بر دستور زبان و واژگان آن داریم، بلکه باید بسیاری از کلمات و عبارات را نیز حفظ کنیم. بنابراین حافظه نقش مهمی در فرآیند یادگیری زبان دارد.

یادگیری زبان می تواند حافظه را تقویت کند. بسیاری از مطالعات نشان داده اند که یادگیری یک زبان جدید می تواند فعالیت عصبی در مغز را تحریک کند، متابولیسم را در قشر مغز تقویت کند و در نتیجه حافظه را تقویت کند. یادگیری یک زبان جدید همچنین می تواند شبکه عصبی مغز را تحریک کند و آن را سالم تر کند و توانایی های شناختی، هوش و تفکر منطقی را بهبود بخشد.

یادگیری زبان نیاز به تکرار و تمرین دارد. ارتباط مکرر صحبت کردن، شنیدن و خواندن می تواند تأثیر را عمیق تر کند و چیزها را به یاد ماندنی تر کند. در عین حال، با برقراری ارتباط با دیگران، می‌توانیم کلمات و عبارات جدید را بهتر به خاطر بسپاریم، با محیط‌ها و فرهنگ‌های زبانی مختلف آشنا شویم و درک خود را از زبان بیشتر کنیم.

یادگیری زبان همچنین به ما امکان می دهد تا نحوه تفکر خود را تغییر دهیم، انعطاف پذیری و خلاقیت تفکر را افزایش می دهد و حافظه را بیشتر بهبود می بخشد. در عین حال می‌توانیم یادگیری زبان و آموزش حافظه را با گوش دادن به موسیقی، تماشای فیلم، خواندن ادبیات چینی و خارجی و غیره، یادگیری به روش‌های مختلف و بازی در حین یادگیری انجام دهیم تا فرآیند یادگیری جذاب‌تر شود، یادگیری افزایش یابد. علاقه و بهبود حافظه

بنابراین هنگام یادگیری زبان می‌توان از روش‌های مختلفی برای تمرین، تمرکز بر فعالیت‌ها و تمرین‌های حافظه، نوآوری مداوم روش‌ها و روش‌های یادگیری و تقویت آموزش حافظه برای بهبود اثرات یادگیری و بهبود حافظه استفاده کرد. مشاهده می شود که باید حافظه خود را تقویت کنیم. Cistanche deserticola می تواند به طور قابل توجهی حافظه را بهبود بخشد زیرا Cistanche deserticola یک ماده دارویی سنتی چینی با اثرات منحصر به فرد بسیاری است که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از بسیاری از مواد فعال موجود در آن ناشی می شود، از جمله اسید، پلی ساکاریدها، فلاونوئیدها و غیره. این مواد می توانند به طرق مختلف سلامت مغز را ارتقا دهند.

روی 10 روش برای بهبود حافظه کلیک کنید

با تنظیم پارامترهای مدل برای تناسب با انتخاب‌های رفتاری شرکت‌کنندگان به‌جای برازش یک مدل یک‌برای همه با استفاده از مجموعه‌ای از پارامترهای پیش‌فرض، نشان می‌دهیم که مدل به دقت انتخاب‌های شرکت‌کنندگان، تأخیرهای زمانی را نشان می‌دهد. و سطوح توافق پاسخ. ما همچنین نشان می‌دهیم که جنسیت و ظرفیت حافظه کاری بر میزان یادگیری زبان توسط مدل Rescorla-Wagner اثر می‌گذارد.

کلید واژه ها

آموزش زبان؛ یادگیری تصحیح خطا؛ مدل رسکولا-واگنر؛ مورفولوژی. توافق.

معرفی

ما انسان ها با دیگر گونه ها مکانیسم های اصلی یادگیری را به اشتراک می گذاریم که به ما امکان می دهد با محیط خود سازگار شویم (رسکولا، 1988). این مکانیسم‌ها شامل شرطی‌سازی کلاسیک (یعنی شرطی‌سازی پاولوف، پاولوف، 1927)، شرطی‌سازی ابزاری (همچنین شرطی‌سازی عامل، اسکینر، 1938) و اشکال یادگیری اجتماعی، مانند یادگیری جانشینی (بندورا، 1962) هستند.

منحصر به فردترین توانایی یادگیری انسان، یادگیری زبان است که شامل انتقال کارآمد بین نسلی نیز می شود و برای شمول اجتماعی و انسجام اساسی است. با این حال، در حالی که مکانیسم های یادگیری مشترک نسبتاً به خوبی درک شده است، یادگیری زبان همچنان یک راز باقی مانده است (Ambridge & Lieven, 2011). تلاش اولیه اسکینر (1957) برای توضیح یادگیری زبان با استفاده از همان اصولی که بر وظایف شناختی سطح پایین حاکم است توسط چامسکی (1959) رد شد.

در بخش اعظم باقیمانده قرن بیستم، زبان به عنوان یک سیستم فطری کلی تلقی می شد که توسط قواعدی اداره می شد و توسط یک ساختار شناختی منحصر به فرد انسانی و تخصصی اداره می شد. این ساختار در ابتدا به عنوان یک ابزار اکتساب زبان مفهومی شد و بعداً به گرامر جهانی تبدیل شد.

این دیدگاه غالب از دو طرف به طور همزمان به چالش کشیده شد. ظهور زبان‌شناسی مبتنی بر کاربرد در دهه 1980 (لانگاکر، 1987) دیدگاه زبان را به‌عنوان یک سیستم پویا و احتمالی، ناشی از ظرفیت‌های شناختی کلی که بر ورودی زبان عمل می‌کنند، ترویج داد (D ˛abrowska & Divjak, 2015). این دیدگاه به خوبی با چارچوب‌های پیوندگرا همخوانی داشت، که نشان می‌داد رفتار قاعده‌مانند می‌تواند تنها از قرار گرفتن در معرض استفاده ظاهر شود و دانش زبان به ویژگی‌های ورودی حساس است (Plaut & Gonnerman, 2000؛ Seidenberg & McClelland, 1989). '

ارتباط گرایی، احتمالاً زمینه را برای تغییراتی در نظریه پردازی نیز هموار کرد، به سمت نگرش به زبان به عنوان هر مهارت دیگری که آموخته می شود، و اوایل دهه 2000 شاهد شروع ادغام مجدد اصول اساسی یادگیری در بدنه کار در مورد زبان بود (به عنوان مثال، بایبی و McClelland، 2005؛ برای کارهای به روزتر، به Ellis و همکاران، 2016 مراجعه کنید، که به یادگیری زبان اول و دوم می پردازد، و همچنین Chuanget al.، 2021، که به اکتساب واژگانی در زبان های دوم و سوم می پردازد. اکنون به نظر می‌رسد که زبان در برابر همان ظرفیت‌های شناختی همه‌منظوره و مکانیسم‌های یادگیری است که انسان‌ها و حیوانات برای حرکت و سازگاری با محیط خود استفاده می‌کنند (ر.ک. Ellis, 2006a؛ Ellis & Sagarra, 2010, 2011؛ ​​Sturdy & Nicoladis, 2017). .

در میان این مدل‌های یادگیری، مدل شرطی‌سازی کلاسیک رسکولا و واگنر (1972) به دلیل سادگی و توانایی آن در توضیح مجموعه‌ای از پدیده‌های یادگیری تجربی برجسته است (سیگل و آلن، 1996). این مدل از نظر بیولوژیکی قابل قبول است (چن و همکاران، 2008) و دارای مزیت غیر تکاملی نسبت به سایر مکانیسم های یادگیری قوی تر است، به این معنا که در مقایسه با سایر مکانیسم های یادگیری قابل قبول، احتمال بیشتری برای انتخاب طبیعی و تداوم در فرآیند تکاملی دارد. جزئیات، به Trimmer et al., 2012 مراجعه کنید).

ادبیات پیشینه

مدل رسکولا-واگنر

به عنوان یک مدل شرطی سازی کلاسیک، مدل رسکولا-واگنر (R-W) به موقعیت هایی مربوط می شود که یک موجود (انسان، حیوان یا ماشین) باید رابطه پیش بینی کننده بین اشیاء و/یا رویدادها را بیاموزد. نتایج) در یک محیط، و جایی که نشانه‌ها برای ارزش پیش‌بینی خود برای یک نتیجه رقابت می‌کنند در حالی که به طور تکراری وزن‌های یادگیری (یا تداعی) را کالیبره می‌کنند. به طور خاص، یک وزن تداعی گرایش یک نتیجه را برای رخ دادن در حضور یک نشانه خاص منعکس می کند. یک مقدار وزن ارتباط مثبت بالاتر برای یک پیامد خاص با احتمال بالاتری از وقوع آن نتیجه در حضور نشانه مطابقت دارد. برعکس، یک مقدار بسیار منفی با احتمال بیشتر عدم وقوع آن پیامد مطابقت دارد (گفته می شود نشانه در این مورد بازدارنده است). مقادیر نزدیک به صفر شانس کم مشاهده (در صورت مثبت بودن وزن) یا مهار (اگر وزن منفی) نتیجه است.

مدل R-W فرض می‌کند که ارگانیسم یک قانون یادگیری تصحیح خطا ساده را محاسبه می‌کند که برای به‌روزرسانی وزن‌های ارتباط در هر رویداد جدید یادگیری (مثلاً هر آزمایش در یک آزمایش رفتاری) استفاده می‌شود. ایده کلی پشت قانون تصحیح این است که ارتباط بین یک نشانه و نتیجه (الف) تقویت می شود اگر هم نشانه و هم نتیجه در رویداد یادگیری وجود داشته باشد، (ب) ضعیف می شود اگر نشانه وجود داشته باشد اما نتیجه وجود ندارد، و (c) ) در صورتی که خود نشانه وجود نداشته باشد همان را حفظ کرد.

به روز رسانی وزن های ارتباطی توسط اختلاف بین نتیجه مورد انتظار و به دست آمده انجام می شود، به طوری که بزرگی به روز رسانی - میزان تنظیم وزن های ارتباطی - توسط دو پارامتر به نام نرخ یادگیری، و جهت به روز رسانی - افزایش آن تعیین می شود. وزن یا کاهش آن - به نشانه تفاوت بین نتیجه مورد انتظار و مشاهده شده بستگی دارد. به این ترتیب، به طور کلی، برای مدل R-W، یادگیری در مورد نتایج است، و این جدا از مدل های مرتبط است که در آن یادگیری در مورد نشانه های ورودی است (به عنوان مثال، پیرس و هال، 1980).

یکی دیگر از ویژگی های مدل R-W این است که، اگرچه نتایج به طور مستقل از یکدیگر به روز می شوند، نشانه های ورودی برای پیش بینی نتایج رقابت می کنند.

به عبارت دیگر، تنظیم وزن‌ها نه تنها به تک نشانه‌ای که به‌روزرسانی می‌شود، بلکه به تمام نشانه‌های موجود در رویداد یادگیری از طریق مجموع وزن‌های مرتبط آن‌ها بستگی دارد. این اصل رقابت نشانه ای به مدل R-W اجازه داد تا بسیاری از پدیده های گیج کننده شرطی سازی کلاسیک را توضیح دهد، که برخی از آنها برای درک مکانیک یادگیری زبان نیز ارزشمند بودند (برای بحث به بخش بعدی مراجعه کنید). یکی از معروف ترین نمونه های چنین پدیده های یادگیری اثر مسدود کننده است (Kamin, 1969). این اثر زمانی اتفاق می‌افتد که یک نشانه در ترکیبی با یک نشانه دوم برای پیش‌بینی نتیجه آموزش داده شود، اما زمانی که نشانه دوم پیش‌بینی‌کننده خوبی برای نتیجه باشد. در چنین مواردی، اولین نشانه نمی تواند ارتباط قوی با نتیجه ایجاد کند (یعنی اولین نشانه توسط نشانه دوم مسدود می شود). به طور کلی، اصل رقابت نشانه اغلب به این مشاهدات منجر می شود که بهترین نشانه ها برای نتیجه مانع از ایجاد ارتباط قوی با همان نتیجه می شود.

مدل رسکولا-واگنر و یادگیری زبان

از زمان اولین ذکر آن در یک بافت زبانی توسط الیس (2006a)، شواهدی انباشته شده است که نشان می دهد مدل R-W می تواند چندین جنبه از یادگیری زبان را به تصویر بکشد (به عنوان مثال، Baayen et al., 2011; Ellis, 2006b; Milin, Divjak, &Baayen, 2017). ؛ میلین، فلدمن، و همکاران، 2017). تاکنون، شواهد تجربی موجود ناشی از مطالعاتی است که یک مدل R-W را آموزش می‌دهد که از مقادیر پارامترهای پیش‌فرض استفاده می‌کند (در اینجا به دو پارامتر نرخ یادگیری که برای به‌روزرسانی وزن‌های مرتبط پس از هر رویداد جدید استفاده می‌شوند، اشاره می‌کنیم)، معمولاً بر روی نمونه‌ای کوچک از آزمایش‌ها بر روی زبان‌های مصنوعی یا مجموعه بزرگی از متون. 2 معیارهای یادگیری پس از آموزش از مدل شبیه‌سازی شده استخراج می‌شوند و با اندازه‌گیری‌های پاسخ مشاهده شده از یک کار آزمایشی مقایسه می‌شوند.

اولین مسئله این است که پیش‌بینی‌ها برای (و از) چنین مدل‌هایی معمولاً به‌طور مستقل از آزمایش ایجاد می‌شوند (به استثنای مطالعات Ramscar & Yarlett، 2007، و Divjak و همکاران، 2021، که در آن مدل فرضیه‌هایی را برای آزمایش تجربی ایجاد کرد). .

پارامترها معمولاً روی مقادیر پیش‌فرض خود تنظیم می‌شوند و فرصت را برای در نظر گرفتن تغییرپذیری که می‌تواند از شبیه‌سازی مدل با مقادیر پارامترهای مختلف به وجود بیاید، از دست می‌دهند (اگرچه به Olejarczuk و همکاران، 2018 مراجعه کنید، که از مقادیر پارامتر ثابت استفاده کردند، اما یک مدل جداگانه برای هر کدام نصب کردند. داده های شرکت کننده با استفاده از همان دنباله مثال هایی که شرکت کننده با آنها مواجه شده است). ترکیب تنوع ناشی از پارامترهای مدل هنگام برازش مدل‌های یادگیری با داده‌های زبان، این پتانسیل را دارد که توضیح‌پذیری تفاوت‌های فردی مشاهده‌شده در آزمایش را بهبود بخشد، به‌ویژه از آنجایی که استفاده و نمایش زبان حوزه‌ای است که تنوع فردی زیادی را نشان می‌دهد (D ˛abrowska, 2018) .

آموزش مدل بر روی یک پیکره در مقیاس بزرگ هزینه بیشتری دارد. ما در اینجا مسئله (عدم شباهت) بین محتویات یک مجموعه و ورودی دریافتی کاربران زبان را کنار می گذاریم (که به طور کلی مطالعات همگرایی را آزار می دهد؛ برای خلاصه، بحث، به Klavan & Divjak، 2016، و برای مجموعه‌ای از نمونه‌های کار شده، به Divjak & Gries، 2012، و Gries & Divjak، 2012 مراجعه کنید. در اینجا ما بر موضوع دیگری تمرکز می‌کنیم: آموزش بر روی یک مجموعه دو منبع اصلی تغییرپذیری مدل - یعنی منابع مربوط به انتخاب پارامترهای مدل و ترتیب نمونه‌های آموزشی - که عمدتاً در مراحل اولیه یادگیری فعال هستند را تغییر می‌دهد (شانکس، 1995). همچنین به میلین و همکاران، 2020، برای یک بحث کلی تر در مورد اثر ترتیب آزمایشی یادگیری تصحیح خطا مراجعه کنید.3 این سوگیری های اولیه، همانطور که الیس (2006a) آنها را نامیده است، یک آزمون واقعی برای مدل R-W قبل از آن است. می تواند به عنوان مدلی برای یادگیری زبان در مقیاس بزرگ به کار گرفته شود. مدل‌سازی تغییرپذیری پارامترها و آموزش مدل R-W بر روی نمونه‌های مشابهی که شرکت‌کنندگان با آن‌ها مواجه شده‌اند، فرصت‌های جدیدی را برای درک یادگیری زبان نشان می‌دهد که هنوز در مطالعات قبلی به طور کامل بررسی نشده است.

مطالعه حاضر

هدف مطالعه حاضر مدل‌سازی نحوه تعامل زبان‌آموزان فردی با تکلیف در دست آزمایش به صورت آزمایشی است که چالشی گام‌به‌گام برای کاربرد یادگیری زبان تبعیض یا یادگیری تصحیح خطا به طور کلی و مدل R-W در در حالی که مطالعات قبلی با استفاده از این مدل برای توضیح رفتار شرکت کنندگان در طیف وسیعی از وظایف، پشتیبانی کلی از قانون R-W ارائه کرده است (Divjak, 2019؛ Milin & Blevins, 2020؛ Milin, Feldman, et al., 2017؛ Pirrelli. و همکاران، 2020)، ما بر روی آزمایش پیش‌بینی‌های تولید شده توسط مدل در یک کار یادگیری زبان طبیعی کنترل‌شده تمرکز می‌کنیم و داده‌ها را در سطح زبان‌آموز فردی مدل‌سازی می‌کنیم. در انجام این کار، ما هر یک از شرکت‌کنندگان را به‌عنوان موجودیت یادگیری جداگانه‌ای در نظر می‌گیریم که توسط ظرفیت‌های متفاوتی اداره می‌شود، که به طور اساسی از طریق پارامترهای یادگیری مدل انتخابی رسمیت می‌یابد.

با توجه به اینکه چندین مطالعه گزارش کرده‌اند که عملکرد شرطی‌سازی کلاسیک می‌تواند تحت تأثیر ویژگی‌های شناختی و شخصی مانند حافظه کاری (Baetu و همکاران، 2018؛ ساساکی، 2009)، جنسیت (Lonsdorfet al., 2015؛ Merz et al., 2018) قرار گیرد. و سن (به عنوان مثال، Mutter و همکاران، 2012)، ما همچنین بررسی می کنیم که آیا چنین ویژگی هایی می توانند بر پذیرش مکانیسم R-Wlike یادگیری زبان تأثیر بگذارند یا خیر.

برای دستیابی به این اهداف و پرداختن به این پرسش‌ها، کار یادگیری زبان طبیعی ساده‌سازی شده را طراحی کردیم: ساده‌سازی شده برای بهره‌برداری از مزیت کنترل تجربی دقیق، اما فقط تا حدی برای حفظ تعهد به اعتبار زیست‌محیطی با ارائه یک تجربه ورودی زبان طبیعی‌تر. این کار تا حد معقولی نشان می دهد که مردم چگونه نگاشت توافق فاعل-فعل لهستانی را از طریق مواجهه طبیعی با مثال ها یاد می گیرند.

ما انگلیسی زبانان بومی را بر روی مجموعه‌ای از نمونه‌هایی که به دقت ساخته شده بودند، آموزش دادیم، که هم ابعاد شنیداری و هم بصری داشتند و برخی از پیچیدگی‌های ذاتی توافق فاعل و فعل در زبان لهستانی را در خود گنجانده بودند. سپس، برای هر شرکت‌کننده، به‌صورت جداگانه، بهترین مدل را انتخاب کردیم (یعنی پارامترهایی که منجر به نزدیک‌ترین تطابق بین پاسخ‌های شرکت‌کننده و مدل شدند)، با استفاده از نمونه‌های آموزشی مشابهی که شرکت‌کننده با آن مواجه شد. سپس مدل R-W را برای ظرفیت آن در بازیابی انتخاب‌های زبان شرکت‌کنندگان و همچنین تأخیر زمانی آن‌ها ارزیابی کردیم و آن را با سایر استراتژی‌های پاسخ معقول و در عین حال مبتنی بر قانون مقایسه کردیم. در نهایت، ما آزمایش کردیم که آیا ویژگی‌های شناختی و شخصی مانند ظرفیت حافظه کاری، سن و جنسیت بر میزان یادگیری زبان در مدل R-W تأثیر می‌گذارد یا خیر.

روش

شركت كنندگان

شصت و شش شرکت کننده (Mdnage=20 سال؛ محدوده=18–65؛ 41 زن) در ازای کوپن 7 پوندی آمازون در این آزمایش شرکت کردند. شرکت کنندگان دانشجویان و کارکنان دانشگاه بودند. همه آنها انگلیسی زبان مادری بودند بدون اینکه زبان لهستانی یا هر زبان اسلاوی دیگری را بلد باشند، شنوایی و بینایی عادی یا اصلاح شده به نرمال داشتند و هیچ گونه اختلال یادگیری نداشتند. شرکت کنندگان سوابق تحصیلی متفاوتی داشتند و بسیاری از آنها می توانستند به زبان های دیگر صحبت کنند. علاوه بر زبان انگلیسی (توزیع سوابق تحصیلی و زبان در پیوست S1 در SupportingInformation آنلاین ارائه شده است).

مواد و روش

همه مطالب ما، از جمله داده ها و کد، به طور آشکار در Github (https://github.com/ooominds/Error-correction-mechanisms-in-languagelearning) و مخزن دسترسی آزاد دانشگاه بیرمنگام، UBIRA (https:/) در دسترس هستند. /doi.org/10.25500/edata.bham.00000911). شرکت کنندگان سه کار و یک پرسشنامه کوتاه را به ترتیب زیر تکمیل کردند: (الف) یک کار یادگیری زبان (وظیفه اصلی)، (ب) یک پرسشنامه دانش صریح و جمعیت شناختی، (ج) یک کار یادگیری ضمنی، و (د) یک حافظه فعال (د) WM) وظیفه. (توضیحات مفصل هر کار در بخش بعدی ارائه شده است.)

وظایف یادگیری زبان و یادگیری ضمنی با استفاده از OpenSesame به شرکت‌کنندگان ارائه شد (Mathôt و همکاران، 2012؛ Mathôt و مارس 2022). پرسشنامه دموگرافیک با استفاده از Google Forms ارائه شد، و کار WM با استفاده از Tatool اجرا شد (فون باستیان و همکاران، 2013). آزمایش به صورت جداگانه یا، در صورت امکان، به صورت جفت، در یک اتاق ساکت، بر روی Intel Core i اجرا شد. 7-8700 رایانه های دارای ویندوز 10 و مجهز به Iiyama G-Master 24.5-در. نمایشگرهایی با فرکانس 59 هرتز با وضوح صفحه نمایش 1920 × 1080 پیکسل کار می کنند. شرکت کنندگان محرک های شنوایی را از طریق هدفون حذف نویز Bose QuietComfort 35 II شنیدند و پاسخ های خود را با استفاده از صفحه کلید ثبت کردند. آزمایش حدود 50 دقیقه طول کشید تا کامل شود.

For more information:1950477648nn@gmail.com