مکانیسم های تصحیح خطا در یادگیری زبان: مدل سازی افراد قسمت 3

رابطه بین اقدامات مبتنی بر فعال‌سازی مدل و انتخاب‌ها و زمان پاسخ‌دهی شرکت‌کنندگان

در یک ارزیابی بیشتر از کیفیت برازش مدل R-W، ما یک تحلیل مدل‌سازی با اثرات مختلط خطی تعمیم‌یافته انجام دادیم که به رابطه بین انتخاب‌های شرکت‌کنندگان و معیار مبتنی بر فعال‌سازی مشتق‌شده از مدل‌های R-W برازش شده است. ، پشتیبانی از فعال سازی فرم np (برای جزئیات بیشتر به بخش مدل سازی محاسباتی مراجعه کنید). ما همچنین رابطه بین زمان پاسخ شرکت‌کنندگان و پشتیبانی فعال‌سازی را با برازش یک مدل چند جمله‌ای با اثرات مختلط خطی با شرایط خطی و درجه دوم پشتیبانی فعال‌سازی تحلیل کردیم، زیرا انتظار داشتیم پشتیبانی فعال‌سازی اثر درجه دوم بر زمان‌های پاسخ داشته باشد (جدول 3). خلاصه‌های دقیق‌تر از مدل‌ها با ساختارهای اثرات تصادفی در پیوست S8 در اطلاعات پشتیبانی آنلاین ارائه شده است.

اثر تصادفی به تأثیر تغییرات تصادفی در بین افراد اشاره دارد. به طور گسترده ای در جامعه شناسی، روانشناسی و سایر زمینه ها استفاده می شود. حافظه یک شاخص مهم برای افراد برای اندازه گیری عملکرد مغز است و به طور مستقیم بر یادگیری و زندگی افراد تأثیر می گذارد. اما دقیقاً چه رابطه ای بین اثرات تصادفی و حافظه وجود دارد؟

تحقیقات نشان می دهد که ارتباط خاصی بین اثرات تصادفی و حافظه وجود دارد. هنگام انجام وظایف حافظه، تداخل عوامل تصادفی باعث کاهش کارایی و دقت یک فرد می شود و در نتیجه بر عملکرد حافظه تأثیر می گذارد. به همین ترتیب، آموزش توانایی ضد تداخل یک فرد می تواند توانایی آنها را برای پاسخ به اثرات تصادفی بهبود بخشد و در نتیجه حافظه را بهبود بخشد.

علاوه بر این، گروه های مختلف مردم به عوامل تصادفی متفاوت پاسخ می دهند. برخی از افراد سازگاری قوی دارند و هنگام مواجهه با یک محیط بسیار تصادفی توانایی حافظه بهتری از خود نشان می دهند. در حالی که برای برخی افراد، عوامل تصادفی باعث تداخل بیش از حد و کاهش حافظه آنها می شود. مرحله. این به توانایی اولیه حافظه، کیفیت روانشناختی، تجربه زندگی و عوامل دیگر مربوط می شود.

بنابراین، ما باید تأثیر اثرات تصادفی بر حافظه را بشناسیم و از روش های علمی برای بهبود توانایی ضد تداخل فردی و سازگاری برای بهبود سطح حافظه استفاده کنیم. من معتقدم تا زمانی که تمام تلاشمان را می کنیم، برای کاوش مداوم به علم و فناوری تکیه می کنیم، و دائماً کیفیت خودمان را بهبود می بخشیم، می توانیم در مسیر دنبال کردن یک زندگی عالی و تسلط بر زندگی های شگفت انگیز به جلو حرکت کنیم! مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از مواد فعال مختلفی که شامل اسید، پلی ساکاریدها، فلاونوئیدها و غیره است، ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را ارتقا دهند.

روی روش های بهبود عملکرد مغز کلیک کنید

همانطور که انتظار می‌رفت، پشتیبانی فعال‌سازی برای فرم جمع غیرمذکر به طور مثبتی با احتمال انتخاب‌های فرم غیرمذکر مرتبط بود، یا {{0}}.78، p < .001، 95 % CI [3.82, 12.{20}}3]. شکل 4 (پنجره سمت چپ) همچنین نشان می‌دهد که این رابطه در حدود 0 نامتقارن است، و منعکس‌کننده یک سوگیری قوی نسبت به شکل فعل مذکر است که، حتی با وجود شواهد (مبتنی بر فعال‌سازی) که از فرم غیر مذکر پشتیبانی می‌کند، همچنان می‌تواند به ترجیح شکل مذکر منجر شود. همچنین، و مطابق با فرضیه‌های ما، عبارت چندجمله‌ای مرتبه دوم پشتیبانی فعال‌سازی پیش‌بینی‌کننده قابل‌توجهی برای زمان پاسخ بود، زیرا یک رابطه درجه دوم بین پشتیبانی فعال‌سازی و زمان پاسخ وجود داشت، با کمترین پاسخ‌ها ثبت‌شده برای حداقل‌ترین رویدادها، b{{ 12}} -0.20، p=0.012، 95% فاصله اطمینان (CI) [-0.35، 0.04 -]; شکل 4، صفحه سمت راست را نیز ببینید.

این نتایج نشان می‌دهد که مدل‌های برازش شده در پیش‌بینی انتخاب‌های فرم شرکت‌کنندگان به خوبی عمل می‌کنند و اطلاعات رمزگذاری‌شده در وزن‌های مرتبط - ارز اصلی یک مدل R-W - پیش‌بینی‌کننده خوبی برای احتمال انتخاب یک فرم خاص فعل و سرعت است. که با آن پاسخ داده می شود. بنابراین، سطح توافق شرکت‌کنندگان در مورد انتخاب یک فرم فعل خاص، بسته به پشتیبانی فعال‌سازی آن فرم خاص متفاوت بود، با سطح بالایی از توافق مورد انتظار و تأیید شده برای مقادیر حمایتی فعال‌سازی مثبت یا پایین منفی و با سطح بالایی از عدم توافق مورد انتظار. و برای پشتیبانی فعال سازی در حدود صفر تایید شده است.

سطح توافق بین شرکت کنندگان از طریق لنز مدل

ما رفتار شرکت‌کنندگان را با بررسی دو سؤال دیگر بیشتر تحلیل کردیم. اول، با توجه به نوع خاصی از رویداد، چه سطح توافقی بین زبان آموزان وجود داشت (به عنوان مثال، رویدادهایی که از نشانه هایی از یک جنس دستوری در مقابل رویدادهایی که نشانه های ترکیبی از جنس های دستوری مختلف را در هم می آمیزند) وجود داشت؟ دوم، و از همه مهمتر، آیا می توان تفاوت در سطوح توافق را با استفاده از مدل R-W به خوبی توضیح داد؟

برای پاسخ به این پرسش‌ها، تأثیر حضور هر دسته رویداد را بر نسبت شرکت‌کنندگانی که یکی از دو شکل فعل را انتخاب کردند، تحلیل کردیم (برای فهرست کامل دسته‌های رویداد مورد استفاده در کار، به پیوست S3 در اطلاعات پشتیبانی آنلاین مراجعه کنید). برای به دست آوردن تخمین مدل نسبت‌ها، از مدل اثرات مختلط خطی تعمیم‌یافته که در تحلیل قبلی ساخته‌ایم (جدول 3، سمت چپ) برای مدل‌سازی رابطه بین پشتیبانی فعال‌سازی و انتخاب شکل جمع غیرمذکر استفاده کردیم. به طور خاص، برای هر دسته رویداد، نسبت‌های پیش‌بینی‌شده مدل از فرم‌های غیرمذکر را بر اساس مقادیر پشتیبانی فعال‌سازی آن در بین شرکت‌کنندگان میانگین گرفتیم (با توجه به اینکه هر دسته رویداد یک بار توسط هر شرکت‌کننده مواجه شد). نتایج در شکل 5 خلاصه شده‌اند. رویدادها در شکل‌ها بر اساس نسبت‌های انتخابی مشاهده‌شده در آزمایش به ترتیب صعودی مرتب می‌شوند، بنابراین سمت چپ‌ترین و راست‌ترین قسمت‌ها مناطقی را نشان می‌دهند که سطح توافق بالایی بین شرکت‌کنندگان وجود دارد، در حالی که رویدادهای واقع در قسمت میانی سطح بالایی از اختلاف را بین شرکت‌کنندگان برانگیخت.

زمانی که رویداد حاوی نشانه شخصی مردانه (uMP) یا زمانی که رویداد فقط نشانه های مردانه متحرک (یعنی "uMA1 + uMA2") را در بر می گرفت، شرکت کنندگان ترجیح واضحی برای شکل جمع مذکر داشتند. به همین ترتیب، زمانی که رویدادها صرفاً حاوی نشانه‌های زنانه، چه شخصی و چه جاندار (مانند "uFA +uFP") بودند، شرکت‌کنندگان شکل جمع غیرمذکر را ترجیح دادند. سطوح بالای اختلاف عمدتاً برای رویدادهایی مشاهده شد که نشانه مسدود شده بازدارنده و یک نشانه زنانه یا یک جاندار مردانه و یک نشانه شخصی زنانه (با نسبت‌هایی بین 44/0 و 51/0) در هم آمیختند.

با مقایسه نسبت‌های مشاهده‌شده و پیش‌بینی‌شده، مدل موفق شد تفاوت در سطوح توافق بین شرکت‌کنندگان در دسته‌های مختلف رویدادها را به‌طور شگفت‌آوری به خوبی ثبت کند. به نظر می‌رسد که بزرگترین اختلاف بین نسبت‌های مشاهده‌شده و پیش‌بینی‌شده، پیش از رویدادهایی رخ داده است که نشانه‌های مسدود شده و بازدارنده را شامل می‌شود، که نشان می‌دهد که برای مدل چالش‌برانگیزتر بود که تأثیر آن‌ها را بر انتخاب‌های شرکت‌کنندگان ثبت کند.

رابطه بین کیفیت برازش مدل و اندازه‌گیری‌های تفاوت فردی نتایج برازش مدل نشان داد که مدل R-W با موفقیت رفتار بخش بزرگی از شرکت‌کنندگان، از جمله زمان پاسخ‌دهی آن‌ها را توضیح می‌دهد. با این حال، کیفیت برازش در بین شرکت‌کنندگان متفاوت بود، با داده‌های چند شرکت‌کننده که برازش بسیار ضعیفی با مدل داشتند. در تلاشی برای ارزیابی اینکه آیا سایر معیارهای جمع‌آوری‌شده در طول آزمایش (ویژگی‌های جمعیت‌شناختی، دامنه WM و یادگیری ضمنی) می‌توانند تفاوت‌های فردی مشاهده‌شده در کیفیت برازش مدل را توضیح دهند، ما یک رگرسیون خطی چندگانه برای پیش‌بینی نرخ تطابق شرکت‌کننده-مدل اجرا کردیم (logit). -تبدیل شده) بر اساس معیارهای مختلف تفاوت فردی جمع آوری شده است. به طور خاص، پیش‌بینی‌کننده‌ها شامل دامنه WM (تبدیل شده به z)، جنسیت و سن بودند. شیب های زمانی استخراج شده برای هر شرکت کننده از تکلیف یادگیری ضمنی سهم قابل توجهی نداشت و در ضمیمه S5 در اطلاعات پشتیبانی آنلاین گزارش شده است.

از مدل رگرسیون خطی کامل که شامل هر چهار متغیر اندازه گیری فردی و همچنین تعامل بین جنسیت و گستره WM بود، با استفاده از انتخاب متغیر معکوس بر اساس آزمون نسبت درستنمایی، مدل نهایی را مشتق کردیم که فقط شامل متغیرهای معنادار است. داده‌های دو شرکت‌کننده از این تجزیه و تحلیل حذف شدند، زیرا یکی از آنها جنسیت خود را گزارش نکرد و یکی به‌عنوان یک امر پرت مشخص شد، همانطور که در بخش وظیفه WM توضیح داده شد. در مجموع، داده‌های 61 شرکت‌کننده به مدل رگرسیون خطی داده شد. بهترین مدل پس از انتخاب متغیر شامل هر دو دامنه WM و جنسیت بود، اما نه تعامل آنها (جدول 4).

دقت برازش مدل با افزایش دامنه WM،b {{0}}.17، p=به طور قابل توجهی افزایش یافت.008، 95% CI [{{24} }}.05، 0.30]، همانطور که در شکل 6 نشان داده شده است (پنجره سمت چپ) و برای شرکت کنندگان زن (M=0.69، SD=0.17) بطور قابل توجهی بالاتر بود. با شرکت‌کنندگان مرد (M=0.63، SD=0.16)، b=0.28-، p =.033، 95% فاصله اطمینان (CI) [-0.54، 0.02- ]، همانطور که در شکل 6 (پنجره سمت راست) نشان داده شده است. برای بررسی اینکه حذف باقیمانده‌های تأثیرگذار بر یافته‌های ما تأثیری ندارد، ما از انتقاد مدل همانطور که در Baayen و Milin (2010) توضیح داده شده است، استفاده کردیم. حذف تک باقیمانده شدید با امتیاز az بیشتر از 2.5 در مدل ما منجر به اثرات حتی قوی‌تر شد (p=0.004 برای دامنه WM و p=0.007 برای جنسیت). همچنین، گستره WM به طور قابل توجهی با جنسیت همبستگی نداشت (p=0.058)، که نشان می‌دهد بعید است که رابطه آنها بر اثرات جنسیت و گستره WM بر دقت برازش مدل تأثیر بگذارد (پیوست S9 را در اطلاعات پشتیبانی ببینید). آنلاین برای جزئیات بیشتر). بنابراین، یافته‌های ما نشان می‌دهد که داشتن ظرفیت WM بیشتر یا زن بودن احتمال انتخاب فعل‌های یک شرکت‌کننده با مدل R-W را در کار یادگیری زبان ما افزایش می‌دهد.

بحث

خلاصه ای از یافته ها

یافته‌های ما نشان می‌دهد که یک مکانیسم R-W به خوبی نشان می‌دهد که شرکت‌کنندگان چگونه توافق موضوع-فعل را در یک زبان از لحاظ صرفی پیچیده یاد می‌گیرند و به‌طور بسط، چگونه می‌توانند زبان را از طریق قرار گرفتن صرف در معرض آن یاد بگیرند. با میانگین دقت برازش 68 درصد، بر اساس یک استراتژی تصمیم گیری مبتنی بر فعال سازی ساده، مدل انتخاب های فرم فعل را که توسط بخش بزرگی از شرکت کنندگان انجام شده بود، به خوبی توضیح داد. به شدت با احتمال انتخاب یک فرم فعل خاص و زمان مورد نیاز برای انجام این انتخاب.

این مدل همچنین بینش‌هایی را در مورد اینکه چرا شرکت‌کنندگان ممکن است در هنگام انتخاب فرم فعل، سطوح توافق بالا و پایین را، بسته به ماهیت موضوع بند، نشان دهند، ارائه کرد. طبق این مدل، این به دلیل نقاط قوت ارتباطی است که شرکت کنندگان به دست می آورند، که برای محاسبه پشتیبانی فعال سازی برای هر یک از اشکال فعل ممکن استفاده می شود. این نقاط قوت تداعی بیشتر تحت تأثیر (الف) نرخ یادگیری یادگیرنده برای نشانه‌ها (نرخ یادگیری میزان تصحیح وزن‌ها را بر اساس خطای تخمین زده شده در هر آزمایش تعیین می‌کند) و (ب) توزیع رویدادهای یادگیری که در طول دوره با آن‌ها مواجه شده‌اند. مرحله یادگیری (این شامل فراوانی هر رویداد یادگیری و ترتیب رویدادهای یادگیری و موارد دیگر می شود). بنابراین، یک پیش‌بینی از مطالعه ما این است که تغییر ترتیب یا فرکانس‌های نسبی رویدادهای یادگیری در طول آموزش ممکن است منجر به الگوهای انتخاب متفاوتی از الگوهایی شود که در اینجا مشاهده کردیم.

ما همچنین یک رابطه معنی‌دار بین جنسیت و ظرفیت WM و نرخ تطابق شرکت‌کننده-مدل پیدا کردیم، که به آنچه ممکن است تفاوت‌های مشاهده‌شده در کیفیت تناسب مدل را هدایت کند، روشن می‌کند. این واقعیت که در آزمایش ما نسبت بیشتری از زنان نسبت به مردان با مکانیسم R-W عمل می‌کردند، با یافته‌های چندین مطالعه قبلی که ارتباط بین جنسیت و شرطی‌سازی کلاسیک را برای هر دو انسان برجسته می‌کرد، مطابقت دارد (Lonsdorf و همکاران، 2015؛ Merz et al. همکاران، 2018) و حیوانات (به عنوان مثال، ولاسکو و همکاران، 2019). این نشان می‌دهد که تفاوت قابل‌توجهی در یادگیری بین مردان و زنان وجود دارد، به طوری که زنان بهتر با قانون یادگیری تصحیح خطا R-W مدل‌سازی می‌شوند. زنان عموماً دارای مزیت زبانی اندکی نسبت به مردان هستند (برای ارزیابی گسترده به کیمورا، 1999 مراجعه کنید)، به‌ویژه در زمینه‌های مربوط به بازیابی واژگانی (بالینگ و بااین، 2008، 2012). پیشنهاد شده است که این ممکن است به دلیل برخورداری زنان از حافظه اعلانی برتر باشد، که می توانند از آن برای تعمیم به اشکال همسایه ذخیره شده استفاده کنند (Hartshorne & Ullman, 2006).

این یافته که احتمال رفتار یک زبان آموز بر اساس مکانیسم R-W با ظرفیت WM افزایش می یابد، شواهدی را ارائه می دهد که WM می تواند با تأثیر بر پذیرش مکانیسم شرطی سازی کلاسیک مانند قانون R-W نقشی در شرطی سازی کلاسیک ایفا کند. ساساکی (2009) و باتو و همکاران. (2018) قبلاً شواهدی مبنی بر اختلال در عملکرد شرطی سازی کلاسیک زمانی که WM با استفاده از پارادایم های وظیفه دوگانه بارگذاری می شود ارائه کرده بود. یافته حاضر به شواهد فزاینده ای اضافه می کند که برخلاف باور غالب، WM ممکن است در فرآیندهای شناختی سطح پایین مانند یادگیری ابزاری دخیل باشد. ، معمولاً به عنوان یادگیری تقویتی در جوامع علوم اعصاب و یادگیری ماشین (کالینز و فرانک، 2012؛ Ez-zizi، 2016) و در برخی از اشکال یادگیری ضمنی (Medimorec و همکاران، 2021) نامیده می شود.

اثرات مسدود کننده و بازدارنده مانند مسدود کردن از R-Wmodel برای همه شرکت کنندگان ظاهر نشد. همانطور که نشان داده شد، این عمدتاً به دلیل کوتاه بودن مدت مرحله آموزش بود. افزایش تعداد کارآزمایی‌های آموزشی نه تنها منجر به ظهور مجدد اثرات مسدودکننده برای همه پارامترهای مناسب همه شرکت‌کنندگان شد، بلکه تغییر در وزن‌های مرتبط را نیز حذف کرد، بنابراین پیش‌بینی کرد که همه شرکت‌کنندگان باید در درازمدت به همان شیوه رفتار کنند. به پیوست S7 در اطلاعات پشتیبانی آنلاین مراجعه کنید). با توجه به کار Danks (2003) که نشان می دهد در بسیاری از موارد، سیستم R-W بدون در نظر گرفتن پارامترهای مورد استفاده، به همان تعادل همگرا می شود، تعجب آور نیست. به عبارت دیگر، مقصد یادگیرندگان اغلب یکسان است (این نیز مطلوب است، زیرا ما اغلب می‌خواهیم همه یادگیرندگان یاد بگیرند که تداعی‌های یکسانی ایجاد کنند)، اما مسیرهای رسیدن به آن مقاصد بسته به ماهیت مشکل یادگیری می‌تواند به‌طور اساسی متفاوت باشد (مثلاً مقدار داده های موجود، فراوانی نسبی رویدادها، تعداد نشانه ها و پیامدها). این امر پیامدهای زیادی برای مطالعات یادگیری زبان با استفاده از مدل R-W دارد، همانطور که در بخش بعدی مورد بحث قرار گرفت.

مفاهیم برای مطالعات یادگیری زبان که از مدل رسکولا-واگنر استفاده می کنند

چندین گروه تحقیقاتی زبان، مدل R-W را به دلیل سادگی، معقول بودن شناختی و موفقیت‌های آن در توضیح طیف وسیعی از پدیده‌های یادگیری زبان، به عنوان یک رویکرد ارزشمند برای مدل‌سازی پدیده‌های یادگیری زبان پذیرفته‌اند. مطالعه حاضر پشتیبانی بیشتری را برای شبیه‌سازی یا مدل‌سازی یادگیری زبان با استفاده از این مدل ارائه می‌کند، اما همچنین توجه را به موضوع مهم تفاوت‌های فردی جلب می‌کند، که تاکنون در مطالعاتی که مدل‌سازی محاسباتی با استفاده از مدل R-W و داده‌های تجربی را ترکیب می‌کند نادیده گرفته شده است.

با توجه به میزان تفاوت فردی که در داده های خود مشاهده کردیم، عاقلانه است که از رویکرد غالب فعلی که در آن مدل theR-W یک بار با مقادیر پارامترهای پیش فرض اجرا می شود و برای توضیح داده های همه شرکت کنندگان استفاده می شود، فاصله بگیریم. اگرچه تأثیر پارامتر نرخ یادگیری بر دقت برازش مدل برای کار انتخاب شده قابل توجه نبود، در عمل، عملکرد R-W همیشه تحت تأثیر انتخاب نرخ یادگیری، صرف نظر از چالش مدل‌سازی خاص قرار می‌گیرد (Milin، Divjak، و بااین، 2017، ص 1739–1741).

روش رایج دیگری که ممکن است نیاز به بازنگری داشته باشد، آموزش مدل بر روی یک مجموعه داده بزرگ یا زیر مجموعه کوچکی از آن است. در نتیجه، ویژگی‌هایی که مدل را از مدل‌های طبقه‌بندی آماری صرفاً متمایز می‌کنند - یعنی امکان انتخاب پارامترهایی که سرعت یادگیری یک فرد را نشان می‌دهند و توانایی محاسبه اثرات سفارش ورودی - بلااستفاده باقی می‌مانند. بنابراین، تعجب آور نیست که چندین مطالعه تفاوت جزئی یا بدون تفاوت بین مدل R-W و سایر مدل های آماری یا یادگیری مانند رگرسیون لجستیک، یادگیری مبتنی بر حافظه و درختان تصمیم را گزارش کرده اند (Baayen, 2011; Baayen et al. ، 2013). با چنین رویکردی، مزیت اصلی مدل R-W نسبت به تکنیک‌های صرفاً آماری، توانایی آن در انجام یادگیری افزایشی، با در دسترس شدن داده‌ها است. با این حال، همین مزیت را می‌توان از هر مدل شبکه عصبی بدون لایه پنهان منتفی کرد، زیرا چنین مدلی می‌تواند وزن‌هایی بین نشانه‌ها و پیامدها نیز ایجاد کند، البته با یک قانون یادگیری متفاوت و احتمالاً کمتر معقول (در اینجا عمدتاً به قانون یادگیری پس انتشار اشاره می‌کنیم. که در حال حاضر رویکرد غالب در هنگام آموزش مدل های شبکه عصبی است). با چنین مدلی، همان رویکرد برازش مدلی که در اینجا استفاده کردیم، همچنان می‌تواند اعمال شود، اما با مجموعه‌ای از پارامترهای متفاوت برای تنظیم، مانند نوع تابع فعال‌سازی، تعداد نورون‌ها و نرخ یادگیری.

کار اخیر در چارچوب‌های مبتنی بر کاربرد، تفاوت‌های فردی گسترده‌ای را که دانش زبان را در جمعیت‌های زبان اول مشخص می‌کند، برجسته کرده است. تفاوت‌های فردی در گرامر از نظر اندازه با دانش واژگانی قابل مقایسه است و هم به کیفیت ورودی و هم با توانایی‌های شناختی زبان‌آموز مرتبط است (D ˛ آبرووسکا، 2018). یافته‌های ما نشان می‌دهد که هنگام مقایسه مدل R-W یا سایر مدل‌های محاسباتی با داده‌های شرکت‌کنندگان، برازش مدل فردی باید گزینه پیش‌فرض باشد. به طور خاص، پارامترهای مدل و ورودی داده‌ها باید به‌طور جداگانه برای هر شرکت‌کننده تنظیم شوند تا امکان توضیح بهتری از پاسخ‌های فردی فراهم شود و تصویری دقیق‌تر از محل قرارگیری دانش، به عنوان مثال، یک قانون، چه در ذهن انبوه زبان‌شناس یا فرد به دست آید. ذهن کاربران (Divjak، 2018)، و نحوه توزیع آن در بین جمعیت. داده‌های ما همچنین از این موضع مبتنی بر استفاده پشتیبانی می‌کنند که دانش زبانی ما توسط ویژگی‌های فردی و شناختی ما شکل می‌گیرد، همانطور که توسط نقش مهم جنسیت WMand در کیفیت تناسب مدل تأیید می‌شود. چنین عواملی باید به طور پیش فرض در هنگام مدل سازی زبان در نظر گرفته شوند.

محدودیت ها و مسیرهای آینده

مطالعه ما اولین مطالعه ای است که مدل R-W را با رفتار زبان آموزان فردی در یک کار واقعی یادگیری زبان مطابقت می دهد. ما از مدل R-W به شکل موجود در حال حاضر استفاده کردیم، اما یافته‌های ما، علیرغم اینکه بسیار امیدوارکننده است، نشان می‌دهد که ممکن است توسعه مدل برای رسیدگی به محدودیت‌های ظرفیت WM جالب باشد. تحقیقات بیشتر در چنین جهتی می تواند از کار انجام شده در یادگیری تقویتی الهام گرفته شود - زمینه ای نزدیک به شرطی سازی کلاسیک - جایی که مدت ها تصور می شد که یادگیری در مناطقی رخ می دهد که اغلب با عملکردهای شناختی سطح پایین، مانند مخطط پشتی و شکمی همراه است. (Balleine & O'Doherty، 2010)، اما اکنون به رسمیت شناخته شده است که شامل کنترل شناختی سطح بالا از طریق WM نیز می شود. این منجر به توسعه چارچوب‌های یادگیری جدید شده است که در آن WM به طور صریح به عنوان یک مؤلفه کلیدی مدل‌سازی می‌شود که از یادگیری با حفظ اطلاعات آزمایش‌های قبلی پشتیبانی می‌کند (به عنوان مثال، به Collins & Frank, 2012؛ Ezzizi et al., 2015 مراجعه کنید). این می تواند رویکردی برای R-W و سایر مدل های شرطی سازی کلاسیک باشد، به ویژه به این دلیل که در مطالعات زبانی مبتنی بر شبیه سازی بزرگ، رویدادهای یادگیری معمولاً حاوی تعداد زیادی نشانه هستند (مثلاً همه سه نمودارها یا کلمات در یک جمله) که نمی توانند به‌دلیل محدودیت‌های ظرفیت WM شناخته‌شده، آن‌طور که در به‌روزرسانی‌های مدل R-W مورد نیاز است، یک‌باره توسط یک یادگیرنده انسانی پردازش شود (برای تلاش‌های اولیه در این جهت، به Glautier، 2013، و Baayen et al.، 2016 مراجعه کنید).

جهت دیگر برای گسترش آینده کار ما این است که پاسخ های شرکت کنندگان را در طول زمان جمع آوری کنیم، در حالی که آنها به جای داشتن یک مرحله آزمون پس از یادگیری جداگانه، در مورد ارتباط نشانه-نتیجه آموزش می بینند. این پتانسیل را برای بهبود تناسب بیشتر مدل و ارائه تصویر گسترده‌تری از رفتار شرکت‌کنندگان در حین یادگیری کار دارد. به‌علاوه، این می‌تواند امکان استخراج یک معیار یادگیری بر اساس شیب زمانی برای تکلیف یادگیری زبان را فراهم کند، مانند کاری که ما برای تکلیف یادگیری ضمنی انجام دادیم، و در نتیجه احتمال یافتن پیوندی بین یادگیری ضمنی و کیفیت تناسب R- را افزایش می‌دهد. مدل W (به بحث ما در ضمیمه S5 در اطلاعات پشتیبانی آنلاین نیز مراجعه کنید). ارتباط بین این دو معیار همچنین می‌تواند با برازش مدل R-W به زمان‌های پاسخ جمع‌آوری‌شده در کار یادگیری ضمنی، همانطور که توسط نوتارو و همکاران انجام شد، بررسی شود. (2018)، به جای استفاده از شیب های زمانی یا ترکیبی از این دو.

در نهایت، ساختار خاص تکلیف یادگیری زبان ما به استراتژی هنجاری (تعصبی مردانه) ترجیح داد، اما یک سوال جالب که پاسخ داده نشده است این است که آیا می‌توانیم از مدل R-W برای پیش‌بینی ظهور استراتژی‌های مختلف استفاده کنیم، زیرا ساختار ورودی زبان را تغییر می‌دهیم. و کنترل تفاوت های فردی در بین زبان آموزان. رویکرد استفاده از مدل theR-W برای توضیح یا پیش‌بینی سطح توافق بین کاربران زبان را می‌توان فراتر از توافق فاعل و فعل لهستانی در زمان گذشته جمع گسترش داد تا سایر جنبه‌های زبان را که در آن عدم توافق در استفاده از زبان مشاهده شده است، پوشش دهد (مثلاً رجوع کنید به Geeraert و همکاران، 2020؛ Milin، Divjak، و Baayen، 2017).

نتیجه

مدل R-W یک مدل یادگیری بسیار ساده است، اما دارای منابع متعددی از تغییرات است که می تواند برای توضیح رفتار شرکت کنندگان در آزمایش های یادگیری زبان استفاده شود. اینها شامل نرخ یادگیری مدل، ترتیب ارائه مثال‌های یادگیری، و فراوانی‌های نسبی رخدادهای نشانه-نتیجه است. در مطالعه حاضر، ما به طور سیستماتیک این منابع تنوع را در هنگام تطبیق مدل با داده‌های شرکت‌کنندگان گنجانده‌ایم، بنابراین مدل را قادر می‌سازیم تا با موفقیت انتخاب‌ها و تأخیر پاسخ اکثر شرکت‌کنندگان را در یک کار یادگیری زبان بر اساس توافق موضوع-فعل لهستانی به تصویر بکشد. علاوه بر این، ویژگی های شناختی و جمعیت شناختی مانند WM و جنسیت تعیین کننده میزانی است که یادگیری زبان توسط اصول یادگیری R-W-like هدایت می شود.

باز کردن نشان های تحقیقاتی

این مقاله نشان‌های Open Data و Open Materials را برای در دسترس قرار دادن داده‌های دیجیتالی قابل اشتراک‌گذاری و اجزای روش‌های تحقیق مورد نیاز برای بازتولید رویه و نتایج گزارش‌شده به‌دست آورده است. همه داده‌ها و مطالبی که نویسندگان استفاده کرده‌اند و حق اشتراک‌گذاری را دارند در https://github.com/ooominds/Error-correction-mechanismsin-language-learning و https://doi.org/10.25500/edata.bham در دسترس هستند. 00000911. تمام مواد اختصاصی به طور دقیق در نسخه خطی شناسایی شده است.

یادداشت

1 ایده رقابت نشانه نیز در هسته مدل رقابت Batesand MacWhinney (1987) برای اکتساب زبان است. با این حال، مدل آنها عمدتاً از نشانه‌های نمادین/زبانی مانند ترتیب کلمات یا ویژگی‌های ریخت‌شناختی کلمات استفاده می‌کند و مبتنی بر رویکرد پیوندگرایانه است که به معماری بسیار پیچیده‌تری نسبت به مدل R-W نیاز دارد.

2 محتویات هر مجموعه، در بهترین حالت، تقریبی بسیار تقریبی از ورودی هایی است که کاربران زبان دریافت می کنند. برعکس، زبان‌های مصنوعی برای درک زبان‌های طبیعی گویا و آموزنده هستند، اما به سختی انعکاسی واقع‌گرایانه از پیچیدگی موجود در هر زبان طبیعی معینی هستند.

3 اجرای اولیه قانون R-W به عنوان مدل یادگیری تبعیض ساده بر روی یک نسخه غیر تکراری از الگوریتم، همانطور که توسط Danks (2003) ارائه شده است، متکی بود، که امکان ظهور هر گونه اثرات سفارش را از بین می برد.

4 مهم است که توجه داشته باشیم که در اینجا ما علاقه ای به آزمایش اثرات مسدود کننده به خودی خود نداریم، همانطور که معمولاً در آزمایشات رفتاری شرطی سازی کلاسیک انجام می شود. در این آزمایش‌ها، فقط رویدادهای مربوط به مسدود کردن گنجانده می‌شوند (مسدود کردن جدا از سایر اثرات آزمایش می‌شود)، و مسدود کردن بر روی یک نشانه دوم آزمایش می‌شود تا نشانه سوم مانند مورد ما (به عنوان مثال، Kamin، 1969). همچنین، یادگیرنده معمولاً به مدت کافی برای اطمینان از اینکه نشانه «مسدود کننده» به یک پیش بینی کننده خوب برای نتیجه مورد علاقه تبدیل می شود، آموزش می بیند. چنین چیدمان آزمایشی تمیزی به طور منصفانه نشان دهنده «بی نظمی» بسیار فراگیر در زبان های طبیعی نیست. از آنجایی که مطالعه ما در مورد یادگیری زبان است، ما تصمیم گرفتیم تا حد امکان از یک موقعیت یادگیری واقعی تقلید کنیم.

5 یک شرکت‌کننده دیگر در اواسط مرحله آزمایش دچار نقص عملکرد تجهیزات شد و مجبور شد دوباره آزمایش را انجام دهد. ما داده‌های این شرکت‌کننده را حفظ کردیم زیرا آنها در مرحله دوم مرحله آزمایشی هیچ آموزش اضافی را سپری نکردند و بنابراین اجرای جدید را با همان دانشی که در مرحله اول انجام شد آغاز کردیم (به یاد داشته باشید که بازخورد نتیجه فقط در مرحله آموزش ارائه می‌شود). جلوه‌های آشنایی نباید در اینجا نقشی ایفا کند زیرا همه شرکت‌کنندگان قبل از شروع آزمایش واقعی، در تمام مراحل تحت چند آزمایش تمرینی قرار گرفتند. ما همچنین همه تحلیل‌ها را بدون داده‌های این شرکت‌کننده دوباره اجرا کردیم و تأیید کردیم که حذف آنها هیچ یک از نتایج ارائه‌شده در مقاله را تغییر نمی‌دهد.

6 کیفیت برازش مدل بر روی داده‌های دیده نشده با استفاده از اعتبارسنجی ترک-یک-برون‌گرا ارزیابی شد. به طور خاص، برای هر شرکت‌کننده، یک رویداد از آن‌هایی که در مرحله آزمایش با آن‌ها مواجه شدند برگزار کردیم و یک مدل R-W را برای رویدادهای باقی‌مانده برازش کردیم. سپس این مدل تنها در رویداد رزرو شده با ارزیابی اینکه آیا پاسخ شرکت‌کننده با آن مطابقت دارد یا خیر ارزیابی شد. مناسب ترین مدل R-W آن. این کار برای همه رویدادهای آزمایشی تکرار شد و سپس میانگین برازش (ترک یک‌خارج) محاسبه شد، یعنی نسبت تطابق بین پاسخ‌های یک شرکت‌کننده معین در هر یک از رویدادهای رزرو شده و پیش‌بینی‌های مرتبط با آن‌ها از روی مناسب‌ترین R- شرکت‌کننده. مدل W.

7 در واقع، این سطح دقت را می توان عالی در نظر گرفت زیرا ما یک فرآیند انتخاب کنش غیر احتمالی بسیار ساده را فرض کردیم که در آن یک فرم فعل در صورتی انتخاب می شود که بالاترین فعال سازی را داشته باشد. این تغییرپذیری را که ممکن است از کاوش، عدم توجه، یا سر و صدای ذاتی مغز ناشی شود، در نظر نمی گیرد.

منابع

1. Adani, S., & Cepanec, M. (2019). تفاوت‌های جنسی در توسعه ارتباطات اولیه: شاخص‌های رفتاری و عصبی زیست‌شناختی رشد سیستم ارتباطی آسیب‌پذیرتر در پسران. مجله پزشکی کرواسی، 60 (2)، 141-149.Https٪3a٪2f٪2fdoi.org٪2f10.3325٪2fcmj.2019.60.141

2. امبریج، بی، و لیون، EVM (2011). فراگیری زبان کودک: رویکردهای نظری متضاد انتشارات دانشگاه کمبریج.

3. Baayen, RH (2011). زبانشناسی بدنه و یادگیری تبعیض آمیز ساده لوحانه. RevistaBrasileira de Linguística Aplicada، 11(2)، 295-328.https٪3a٪2f٪2fdoi.org٪2f10.1590٪2fS٪7b٪7b2٪7d٪7d

4. Baayen, RH, Endresen, A., Janda, LA, Makarova, A., & Nesset, T. (2013). Makingchoices به زبان روسی: مزایا و معایب روش های آماری برای فرم های رقیب. زبانشناسی روسی، 37(3)، 253-291.https٪3a٪2f٪2fdoi.org٪2f10.1007٪2fs٪7b٪7b2٪7d٪7d

5. Baayen, RH, & Milin, P. (2010). تجزیه و تحلیل زمان واکنش مجله بین المللی تحقیقات روانشناسی، 3 (2)، 12-28.Https٪3a٪2f٪2fdoi.org٪2f10.21500٪2f20112084.807 

6. Baayen, RH, Milin, P., Filipovic Ður ´ đevic, D., Hendrix, P., & Marelli, M. (2011). یک مدل آمورف برای پردازش مورفولوژیکی در درک بصری مبتنی بر یادگیری متمایز ساده بررسی روانشناسی، 118 (3)، 438-481.Https٪3a٪2f٪2fdoi.org٪2f10.1037٪2fa0023851
7. Baayen, RH, Shaoul, C., Willits, J., & Ramscar, M. (2016). درک بدون تقسیم بندی: اثبات مفهوم با یادگیری افتراقی ساده لوحانه. زبان، شناخت و علوم اعصاب، 31 (1)، 106-128.https٪3a٪2f٪2fdoi.org٪2f10.1080٪2f23273798.2015.1065336

8. Baetu, I., Burns, N., & Child, B. (2018). تفاوت های فردی در ظرفیت حافظه کاری، عملکرد را در یک تکلیف یادگیری انجمنی پیش بینی می کند [ارائه مقاله]. روانشناس استرالیایی، سیدنی، استرالیا.https٪3a٪2f٪2fdoi.org٪2f10.1111٪2fap.12372

9. Balleine، BW، و O'Doherty، JP (2010). همسان‌شناسی انسان و جوندگان در کنترل کنش: عوامل تعیین‌کننده کورتیکوستریتال عملکرد هدف‌محور و عادتی. نوروسیکوفارماکولوژی، 35 (1)، 48-69.https://doi.org/10.1038/npp.2009.131

10. Balling, LW, & Baayen, RH (2008). اثرات مورفولوژیکی در تشخیص کلمه شنوایی: شواهدی از دانمارکی زبان و فرآیندهای شناختی، 23 (7-8)، 1159-1190.https://doi.org/10.1080/01690960802201010

For more information:1950477648nn@gmail.com