مکانیسم های تصحیح خطا در یادگیری زبان: مدل سازی افراد قسمت 2

وظیفه یادگیری زبان

وظیفه یادگیری زبان طبیعی ساده شده ما از چالش یادگیری توافق موضوع و فعل در زمان گذشته جمع در لهستانی الهام گرفته شده است. در زمان گذشته، افعال برای جنسیت دستوری موضوع طبق قوانین زیر مشخص می شوند:

1. اگر یکی از ارجاعات شخصی مذکر باشد (مثلاً "مرد")، جنسیت فاعل در کل -li است که گاهی اوقات به عنوان پایان شخصی مذکر نامیده می شود.

یادگیری زبان طبیعی قابلیتی است که به ما کمک می کند زبان را بهتر درک کرده و به کار ببریم. حافظه یک توانایی به همان اندازه مهم است که به ما کمک می کند دانش و مهارت ها را بهتر تسلط پیدا کنیم. رابطه این دو نزدیک است و مکمل یکدیگر هستند.

اول، یادگیری زبان طبیعی می تواند حافظه ما را بهبود بخشد. هنگامی که واژگان و قواعد دستور زبان جدید را یاد می گیریم، باید آنها را به طور مکرر تمرین و حفظ کنیم، که می تواند توانایی حافظه ما را تمرین کند. زمانی که بتوانیم یک مدل زبانی معنادار و منطقی بسازیم، راحت‌تر می‌توانیم دانش مرتبط را به خاطر بسپاریم و درک کنیم.

علاوه بر این، حافظه همچنین می تواند به ما کمک کند زبان طبیعی را بهتر یاد بگیریم. هنگامی که برخی از ساختارهای اصلی زبان و واژگان را به خاطر می سپاریم و به آن مسلط می شویم، می توانیم زبان را راحت تر بفهمیم و به کار ببریم، که همچنین به ما کمک می کند تا تجربه و مهارت بیشتری در روند بهبود توانایی های یادگیری زبان طبیعی جمع آوری کنیم.

به طور خلاصه، یادگیری زبان طبیعی و حافظه توانایی های بسیار مهمی هستند و ما باید به طور مداوم آنها را تمرین و بهبود دهیم. فقط با استفاده کامل از مزایای هر دو می‌توانیم زبان را راحت‌تر یاد بگیریم و بر آن مسلط شویم و در نتیجه زندگی‌مان را بهتر و رنگارنگ‌تر کنیم. مشاهده می شود که باید حافظه خود را تقویت کنیم. Cistanche deserticola می تواند به طور قابل توجهی حافظه ما را بهبود بخشد، زیرا Cistanche deserticola همچنین می تواند تعادل انتقال دهنده های عصبی را تنظیم کند، مانند افزایش سطح استیل کولین و فاکتورهای رشد. این مواد برای حافظه و یادگیری بسیار مهم هستند. نکته مهم، علاوه بر این، گوشت حاصل از گوشت نیز می‌تواند جریان خون را بهبود بخشد و اکسیژن رسانی را تقویت کند، که می‌تواند اطمینان حاصل کند که مغز مواد مغذی و انرژی کافی دریافت می‌کند و در نتیجه نشاط و استقامت مغز را بهبود می‌بخشد.

برای بهبود حافظه، روی مکمل‌های شناختی کلیک کنید

2. اگر ارجاع‌ها جاندار مؤنث (مانند «اردک»)، شخصی مؤنث (مثلا «دختر»)، یا خنثی (مثلاً «کودک») باشند، جنسیت موضوع –ły که گاهی اوقات به آن اشاره می‌شود. به عنوان شخصیت غیرمردانه.

3. گرامرهای تجویزی و گویشوران بومی لهستانی در مورد اینکه چه شکلی باید به موضوعی اختصاص داده شود که شامل چندین مرجع مذکر جاندار است که شخص نیستند (مثلاً «سگ و گربه به پیاده روی رفتند») یا ترکیبی از ارجاعات شخصی زنانه و جاندار مذکر است، اختلاف نظر دارند. (مثلاً «دختر و سگ به پیاده روی رفتند»). طبق گفته Kiełkiewicz-Janowiak و Pawelczyk (2014)، کتاب‌های درسی دستور زبان استفاده از –ły را تجویز می‌کنند، در حالی که به نظر می‌رسد گویشوران بومی استفاده از –li را ترجیح می‌دهند.

برای طراحی ساده‌شده یادگیری زبان طبیعی، دو قانون اول را پیاده‌سازی کردیم، اما فرض کردیم که موضوعی متشکل از ارجاع‌های متحرک مردانه باید با شکل شخصی مردانه استفاده شود، همانطور که Kiełkiewicz-Janowiak و Pawelczyk (2014) پیشنهاد کردند. ما چنین امتیازی را برای بهبود تست پذیری کارمان از منظر یادگیری، همانطور که در طراحی کار زیر توضیح داده شده است، دادیم.

محرک ها

هر رویداد در تکلیف یادگیری ما شامل صحنه‌ای بود که نشان‌دهنده یک کنش مشترک بود که توسط گروهی از شخصیت‌های انسان و/یا حیوان انجام می‌شد، و برای هر رویداد آموزشی، شرکت‌کنندگان تصویری را مشاهده کردند که صحنه را به تصویر می‌کشید (شکل 1)، همراه با یک ضبط صوتی از یک بند لهستانی که آن را توصیف می کند. آزمایشی جدید با یک نقطه ثابت شروع شد که در مرکز صفحه نمایش به مدت حدود 500 میلی ثانیه نشان داده شد و به دنبال آن نمایش همزمان تصویر صحنه انجام شد. شرکت کنندگان 250 میلی ثانیه پس از شروع تصویر صحنه، صدای ضبط شده بند را شنیدند که تصویر صحنه را توصیف می کند، در حالی که تصویر در نمایش باقی می ماند. سپس آزمایش جدیدی پس از حدود 1 ثانیه ارائه شد.

ما از انتخاب فعل ("راه رفتن")، با دو شکل زمان گذشته جمع ممکن chodziły (شکل جمع غیر مذکر) و choli (شکل جمع مذکر)، به عنوان عمل مشترک در همه رویدادهای یادگیری استفاده کردیم. نمونه‌ای از جمله‌ای که شرکت‌کنندگان شنیدند Chłopiec i kaczka chodzili ("پسر و اردک راه می‌رفتند") است. سه ستون اول در جدول 1 فهرستی از تمام شخصیت‌های مورد استفاده در آزمایش را به همراه دسته‌بندی‌های زبانی آن‌ها از نظر جنسیت و جانداری ارائه می‌دهد. دو ستون آخر مربوط به طراحی کار است و در بخش بعدی مرتبط خواهند شد.

تصاویری که شخصیت‌های مختلف انسان و حیوان را نشان می‌دهند از Adobe Stock (https://stock.adobe.com) استخراج و سپس با استفاده از Adobe Photoshop CC 2018 ویرایش شدند. ضبط‌های صوتی هر دو برچسب کاراکتر و دو شکل فعل با استفاده از سینت سایزر گفتار تهیه شد. نرم افزارSpeech2Go (نرم افزار هارپو، 2018).

ما وظیفه خود را به این ترتیب ساختار دادیم تا جلوه‌های مسدودکننده را ایجاد کنیم، همانطور که معمولاً در آزمایش‌های یادگیری پاولوی دیده می‌شود. به عنوان مثال، افزودن نشانه‌های FA3 و FP3 به ترکیبات "FA{3}} FA2" و "FP1 + FP2" به ترتیب، در بلوک دوم باید قدرت ارتباطی را که می‌توان با FA3 و FP3 به دست آورد کاهش داد. نتیجه np. به همین ترتیب، آموزش MP1 و MP2 با نتیجه در بلوک اول باید مانع از به دست آوردن ارتباط مثبت FA4 با mp شود. علاوه بر پیش‌بینی مسدود شدن FA4، ما همچنین پیش‌بینی کردیم که می‌تواند برای mp بازدارنده شود، یعنی وزن ارتباط منفی با mp به دست آورد، همانطور که وقتی نتایج شبیه‌سازی برازش مدل را ارائه می‌کنیم، دیده می‌شود.

Wethus به FA3 و FP3 به عنوان نشانه های مسدود شده و به FA4 به عنوان یک نشانه مسدود بازدارنده اشاره می کنیم.

ما نشانه‌ها را بر اساس ویژگی‌های زبانی و اثرات مسدودکننده‌ای که پیش‌بینی می‌کنند به هفت دسته مختلف دسته‌بندی کردیم (به ستون سمت راست در جدول 1 مراجعه کنید). به طور خاص، هفت دسته بر اساس مذکر بودن یا مؤنث بودن نشانه، شخصی یا جاندار بودن، مسدود شدن یا رفع انسداد پیش‌بینی‌شده و اینکه آیا پیش‌بینی می‌شود نشانه مسدود شده بازدارنده باشد، بود. شباهت بین نشانه‌ها در هر یک از این دسته‌ها با این واقعیت تقویت می‌شود که آنها وزن‌های ارتباطی یکسانی را با هر نتیجه، طبق نظریه R-W، به اشتراک می‌گذارند، همانطور که در بخش نتایج در مورد وزن‌های تداعی شکل اسم-فعل آموخته شده نشان داده خواهد شد.

طرح

ابتدا، به شرکت‌کنندگان برچسب‌های لهستانی شخصیت‌های مختلف حیوان و انسان که در کار یادگیری استفاده می‌شد، آموزش داده شد. به طور خاص، به شرکت‌کنندگان تصاویر همه شخصیت‌ها همراه با برچسب‌های مربوط به آنها، ابتدا به صورت جداگانه و سپس به صورت ترکیبی، همانطور که بعداً در کار یادگیری ظاهر می‌شوند (به عنوان مثال، یک سگ، یک پسر، یک سگ و یک میمون) ارائه شد. هشت ترکیب از این کاراکترها وجود داشت، و شرکت‌کنندگان باید حداقل هفت مورد از آنها را به خاطر بسپارند (یعنی برای رسیدن به دقت حفظ 87.5%) قبل از اینکه بتوانند به کار اصلی ادامه دهند (برای جزئیات بیشتر به پیوست S2 در اطلاعات پشتیبانی آنلاین مراجعه کنید). شرکت کنندگان تا 10 بار مجاز بودند تا به سطح دقت مورد نیاز برسند.

وظیفه اصلی شامل یک مرحله آموزشی و آزمایشی بود. طراحی بخش آموزشی تکلیف در جدول 2 خلاصه شده است. این کار شامل 12 نشانه و دو نتیجه بود. علامت «+» نشان می‌دهد که نشانه‌ها در ترکیب ارائه شده‌اند، و نماد پیکان «→» نشان می‌دهد که نتیجه در سمت راست از نشانه‌ها پیروی می‌کند. بنابراین، برای مثال، "FP{4}} FP2 + FP3 → np" بیانگر عبارتی مانند Dziewczyna، kobieta i babcia chodziły ("دختر، زن و مادربزرگ در حال راه رفتن بودند") است. موضوع بند از سه کاراکتر مؤنث تشکیل شده است و فعل به صورت ماضی جمع غیر مذکر (np) است، در مقابل شکل گذشته جمع مذکر (mp). دو بلوک آموزشی وجود داشت که هر کدام شامل چهار رویداد بود که هر کدام 15 بار تکرار شد. ترتیب رویدادها در هر بلوک به طور کامل تصادفی شد. رویدادهای بلوک اول از جفت نشانه تشکیل شده بودند، در حالی که رویدادهای این بلوک دوم از سه نشانه تشکیل شده بودند.

پس از آموزش، شرکت‌کننده به مرحله آزمون رفت. آزمون شامل دو جزء بود. با استفاده از یک نشانه تولید شده به طور تصادفی از هر دسته، ما یک بار یادگیری را روی همه جفت‌های ممکن آزمایش کردیم که نشانه‌هایی را از همان دسته نشانه (مانند FP{0}} FP2 از گروه uFP) یا نشانه‌هایی از دسته‌های مختلف (مانند MA {2}} FP3 از گروه‌های uMA و bFP). ما همچنین چهار ترکیب متشکل از سه نشانه ارائه شده در مرحله آموزش را به عنوان بررسی سلامت عقل برای یادآوری شرکت‌کنندگان وارد کردیم (این ترکیب‌ها از تحلیل‌های اصلی ما حذف شدند). به طور کلی، در مرحله آزمون، هر زبان آموز در مجموع با 29 ترکیب نشانه مواجه شد که به طور تصادفی از مجموع 70 ترکیب نشانه ممکن انتخاب شدند. (قالب و دستورالعمل های دقیق مورد استفاده در هنگام اجرای کار در ضمیمه S2 در اطلاعات پشتیبانی آنلاین ارائه شده است، و لیست تمام ترکیبات نشانه آزمایشی در پیوست S3 ارائه شده است.)

در نهایت، اجازه دهید به این سوال بازگردیم که چرا قانون کیلوکیویک جانویاک و پاولزیک (2014) را پذیرفتیم، که به موجب آن هر ترکیب موضوعی که دارای مرجع مذکر باشد، شکل جمع شخصی مذکر را به خود می گیرد. اول، داشتن ترکیب "MA{1}} MA2 + MA3" مرتبط با "mp" به جای "np" امکان داشتن تعداد متعادلی از رویدادهای mp و np را هم در کل کار و هم در هر بلوک ممکن کرد. . این امر احتمال ظهور هرگونه سوگیری نسبت به np را صرفاً به دلیل طراحی کاهش داد. دوم، این به ما اجازه می‌دهد تا ترکیب‌های چالش‌برانگیزتری داشته باشیم که یادگیری شرکت‌کنندگان را بهتر بررسی کند، به‌ویژه ترکیب‌هایی که نشانه‌های زنانه و مردانه را در هم می‌آمیزند.

تحلیل و بررسی

از تکلیف یادگیری، داده‌های سه شرکت‌کننده کنار گذاشته شد، زیرا آنها به طور مداوم پاسخ یکسانی را در مرحله آزمون انتخاب می‌کردند (27 یا بیشتر از 29 پاسخ؛ به عنوان مثال، نرخ > 93 درصد). -مدل سازی افکت ها داده‌ها شامل اندازه‌گیری‌های مکرر از همان شرکت‌کنندگان و آیتم‌ها در کارآزمایی‌های متعدد بود، از این رو اثرات تصادفی را هم برای شرکت‌کنندگان و هم برای آیتم‌ها (یعنی ترکیب‌های نشانه در مرحله آزمایش) اضافه کردیم. ما ساختار اثرات تصادفی مدل‌ها را با استفاده از یک استراتژی از بالا به پایین انتخاب کردیم که با تمام شیب‌های قطع و تصادفی شروع می‌شود و سپس گام به گام اثرات تصادفی مرتبه بالاتر را بر اساس امتیازات معیار اطلاعات Akaike حذف می‌کنیم. ما مدل‌های جلوه‌های ترکیبی را در R (تیم R Core، 2019) با استفاده از بسته lme4 اجرا کردیم. مقادیر p با استفاده از بزرگترین بسته بر اساس تقریب های Satterthwaite به دست آمد و جداول خلاصه مدل با استفاده از بسته sjPlot تولید شد. برای تعیین اهمیت آماری، از سطح آلفای 0.05 استفاده کردیم. در تجزیه و تحلیل زمان پاسخ، ما از روش Box-Cox همانطور که در بسته بندی خودرو پیاده سازی شده است برای تبدیل توزیع به نرمال و تسهیل مدل سازی آماری استفاده کردیم.

پرسشنامه دانش صریح و دموگرافیک

پس از تکمیل تکلیف یادگیری زبان، شرکت‌کنندگان پرسشنامه‌ای را پر کردند که از آن‌ها می‌پرسید که آیا از قوانین صریح برای تصمیم‌گیری در مورد استفاده از هر یک از دو شکل فعل استفاده می‌کنند و اگر این کار را انجام می‌دهند، این قوانین چیست. این پرسشنامه همچنین اطلاعاتی در مورد جنسیت شرکت کنندگان، سن آنها، زبانهایی که صحبت می کنند (به غیر از انگلیسی) و بالاترین سطح تحصیلات آنها را جمع آوری کرد. فهرست کامل سوالات مورد استفاده در پرسشنامه در پیوست S4 در اطلاعات پشتیبانی آنلاین ارائه شده است. ما به طور خاص بر روی نقش سن و جنسیت در توضیح هر گونه تفاوت فردی مشاهده شده هنگام تطبیق مدل R-W با داده ها تمرکز می کنیم. این به این دلیل است که نشان داده شده است که سن و جنسیت بر یادگیری انجمنی و یادگیری زبان دوم تأثیر می گذارد. به عنوان مثال، Mutter و همکاران. (2012) نشان داد که احتمال کمتری وجود دارد که ارتباط نشانه-نتیجه توسط افراد مسن تر نسبت به افراد جوان بدست آید. همچنین به خوبی ثابت شده است که افراد مسن در یادگیری زبان دوم نسبت به بزرگسالان جوان کمتر موثر هستند (برای بررسی، به Muñoz & Singleton، 2011 مراجعه کنید) و مشکلات بیشتری را در تولید زبان تجربه می کنند (Burke & Shafto، 2004). چندین مطالعه همچنین گزارش داده‌اند که زنان سطوح شرطی‌سازی بالاتری را در تکالیف یادگیری تداعی نشان می‌دهند (Lonsdorf و همکاران، 2015؛ Merz و همکاران، 2018) و زبان را به‌طور مؤثرتری کسب می‌کنند (Adani & Cepanec، 2019؛ van der Slik و همکاران، 2015) نسبت به مردان. .

در کنار تکلیف اصلی یادگیری، یک وظیفه استاندارد توانایی یادگیری ضمنی و یکی از حافظه کاری (WM) را گنجانده ایم. ما این دو وظیفه را انتخاب کردیم زیرا آنها ویژگی های برجسته تنظیم یادگیری را نشان می دهند: (الف) این واقعیت که هیچ دستورالعمل صریحی داده نشده است. و (ب) این واقعیت که پدیده زبانی را می توان در آن ویژگی (صورت فلکی) فاعل که ابتدا ذکر شد ناپیوسته در نظر گرفت، تعیین می کند که کدام پایان گذشته در فعل ذکر شده دوم استفاده می شود، به طوری که مقداری حفظ فاعل. - اطلاعات مربوط به حافظه مورد نیاز است. از آنجایی که سنجش توانایی یادگیری ضمنی ما غیراستاندارد است و نقش مهمی در مدل‌های ما بازی نمی‌کند، این کار را در پیوست S5 در SupportingInformation آنلاین گزارش می‌کنیم.

وظیفه حافظه کاری

محرک ها

برای اندازه‌گیری ظرفیت WM شرکت‌کنندگان، از یک نسخه کمی تغییر یافته از آزمون بازه عملیات (Turner & Engle, 1989) استفاده کردیم که توسط Medimorec و همکاران (2021) استفاده شد. در هر کارآزمایی، از شرکت‌کنندگان خواسته شد تا فهرستی از ارقام (بین 1 تا 9) را که هر بار ارائه می‌شد، حفظ کنند. ارائه هر رقم 1 ثانیه به طول انجامید و پس از آن یک عملیات ریاضی ساده که می‌توانست درست یا نادرست باشد (50 درصد عملیات ریاضی درست بود) دنبال می‌شد. شرکت کنندگان باید صحت عملیات ریاضی را قبل از نمایش رقم بعدی بررسی می کردند. در پایان هر آزمایش، آنها باید ارقام را به همان ترتیبی که به آنها ارائه شده بود تایپ می کردند. طول لیست رقمی به تدریج از دو به هشت افزایش یافت و هر طول آن سه بار تکرار شد. بنابراین، کار شامل 21 آزمایش بود.

تحلیل و بررسی

ما دامنه WM هر شرکت‌کننده را ابتدا با جمع‌آوری تعداد موارد صحیحی که به خاطر می‌آورند به ترتیب صحیح و سپس z-تبدیل امتیاز به‌دست‌آمده محاسبه کردیم. ما یک شرکت‌کننده را که امتیاز WMش از بقیه نمونه ناپیوسته بود حذف کردیم (امتیاز WM آنها 4.3- انحراف استاندارد از میانگین بود، در حالی که دومین امتیاز WM دورتر 1.8- انحراف استاندارد از میانگین بود).

مدلسازی محاسباتی

معادلات رسکولا-واگنر

مدل R-W (رسکولا و واگنر، 1972) به طور محاسباتی چگونگی ایجاد ارتباط بین نشانه‌ها و پیامدها را توصیف می‌کند. در زمینه آزمایش ما، یک نشانه برچسب و تصویر لهستانی یکی از شخصیت‌های انسانی یا حیوانی است که در یک آزمایش معین در صحنه ظاهر می‌شود، و یک نتیجه، شکل فعل است که عمل مشترک آنها را توصیف می‌کند. برای مثال، بند Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("پسر، مرد و میمون راه می رفتند") به عنوان نشانه های chłopiec، m ˛ezczyzna ˙ و małpa و به عنوان نتیجه chodzili است. در مورد ما، وزن تداعی (یا قدرت) تمایل یک فعل را به رخ دادن در حضور یک اسم خاص اندازه می‌گیرد.

پس از مواجهه با یک بند، یادگیرنده با استفاده از یک قانون تصحیح نوع دلتا، وزن ارتباط بین نشانه ci و نتیجه o را بسته به اینکه نشانه و نتیجه در جمله ظاهر شوند، به روز می کند:

زیرنویس t به کارآزمایی حاضر اشاره دارد، بنابراین wt (ci, o) قدرت ارتباط بین ci ​​و o در آزمایش t است. و نرخ یادگیری را برای thecue ci و نتیجه o نشان دهید. λ به حداکثر ارتباط با نتیجه اشاره دارد و تقریباً همیشه روی 1 تنظیم می شود.

بر اساس معادله، سه حالت تعیین می کند که چگونه یک وزن ارتباطی تنظیم می شود:

1. اگر نشانه وجود نداشته باشد، وزن را تنظیم نمی کنیم.

2. اگر نشانه و نتیجه هر دو وجود داشته باشند، آنگاه این شواهد مثبتی را ارائه می‌کند که باید وزن ارتباط را تقویت کند، و مجموع وزن نشانه‌های موجود در رویداد جاری به سمت حداکثر مقدار همبستگی تنظیم می‌شود. اگر نشانه وجود داشته باشد اما نتیجه مشاهده نشود، آنگاه این شواهد منفی ارائه می دهد که باید وزن ارتباط را تضعیف کند و مجموع وزن ها به سمت 0 تنظیم می شود.

برای پیاده سازی مدل، از بسته ای استفاده کردیم که به عنوان بخشی از مطالعه توسط Milin و همکاران توسعه داده شد. (2020).

پیش بینی انتخاب ها از مدل

برای ایجاد یک انتخاب فرم فعل (یا در اصطلاح مدل، یک نتیجه) از مدل با مجموعه مشخصی از نشانه‌ها، ابتدا فعال‌سازی هر فرم را با جمع کردن وزن‌های ارتباط بین فرم و هر یک از نشانه‌های مربوطه محاسبه می‌کنیم. پاسخ پیش‌بینی‌شده از مدل، فرمی است که بیشترین فعال‌سازی را دارد. به عنوان مثال، اگر در یک آزمایش معین در مرحله آزمایش، عروج شامل یک دختر و یک میمون باشد، آنگاه فعال‌سازی‌های جمع مذکر (mp; chodzili) و جمع غیر مذکر (np; chodziły) به صورت زیر محاسبه می‌شوند:

در جایی که برای فرمول‌ها، از وزن‌های نهایی به‌دست‌آمده در پایان مرحله آموزش استفاده کردیم و از این رو زیرنویس‌های آزمایشی را حذف کردیم (هیچ یادگیری در مرحله آزمون اتفاق نمی‌افتد). اگر فعال (np) > فعال (mp)، مدل فرم np را پیش بینی می کند و در غیر این صورت، فرم mp را پیش بینی می کند.

روش نصب مدل

در شبیه‌سازی‌هایمان، λ=1 و=1 را در نظر گرفتیم و نرخ یادگیری را به‌عنوان یک پارامتر آزاد برای هر شرکت‌کننده در نظر گرفتیم (از این پس، هر زمان که به نرخ یادگیری اشاره کنیم، همیشه به پارامتر). به طور خاص، ما 50 شبیه‌سازی کامپیوتری را برای هر شرکت‌کننده با استفاده از جستجوی شبکه‌ای از 01.0 تا 0.50 اجرا کردیم. در هر شبیه‌سازی، یک عامل مجازی را برنامه‌ریزی کردیم تا مطابق مدل R-W رفتار کند و آزمایش‌های آموزشی مشابه شرکت‌کننده‌ای را که قصد داشتیم تاریخچه یادگیری او را مدل‌سازی کنیم، به آن ارائه کردیم. از مدل آموزش‌دیده، سپس گزینه‌هایی برای همان آزمایش ایجاد کردیم که شرکت کننده در مرحله آزمون مواجه شد. ما در نهایت نرخ یادگیری (و در نتیجه مدل) را انتخاب کردیم که نرخ تطابق بین پاسخ‌های مشاهده‌شده شرکت‌کننده و پاسخ‌های پیش‌بینی‌شده مدل را به حداکثر می‌رساند (یعنی نسبت آیتم‌های آزمایشی که مدل برای آن‌ها پاسخی مشابه با یادگیرنده ایجاد می‌کند). با توجه به غیرقابل شناسایی بودن مدل بهترین برازش، که در برخی موارد بیش از یک مقدار نرخ یادگیری نرخ تطابق را به حداکثر می‌رساند، نرخ یادگیری متوسط ​​را به عنوان بهترین پارامتر انتخاب کردیم.

ارزیابی مدل

برای کمک به توضیح داده‌های رفتاری شرکت‌کنندگان، ما یک اندازه‌گیری مبتنی بر فعال‌سازی را از مدل R-W برازش گرفته‌ایم که آن را پشتیبانی فعال‌سازی برای نتیجه می‌نامیم. هدف این معیار توضیح انتخاب فرم و زمان پاسخ شرکت‌کنندگان است و به عنوان تفاوت بین فعال‌سازی نتیجه علاقه و فعال‌سازی نتیجه باقی‌مانده تعریف می‌شود. به عنوان مثال، پشتیبانی فعال سازی شکل جمع غیر مذکر (np) با موارد زیر ارائه می شود:

پشتیبانی فعال سازی (np)=فعال (np) − فعال (mp)

ما فرض کردیم که هرچه پشتیبانی فعال‌سازی برای یک فرم فعل بیشتر باشد (یعنی هر چه شواهد از مدل حمایت کننده از فرم فعل نسبت به سایر شکل‌های ممکن قوی‌تر باشد)، احتمال انتخاب آن فرم توسط شرکت‌کنندگان بیشتر است. همچنین انتظار داشتیم که میزان پشتیبانی فعال‌سازی با زمان پاسخ‌دهی شرکت‌کنندگان همبستگی منفی داشته باشد. به عبارت دیگر، هر چه میزان این اندازه گیری بیشتر باشد، پاسخ شرکت کننده سریعتر خواهد بود. این باید به یک رابطه درجه دوم بین پشتیبانی فعال سازی و زمان پاسخ تبدیل شود، با کمترین پاسخ های مورد انتظار زمانی که مقادیر پشتیبانی فعال سازی نزدیک به صفر هستند، و سریع ترین پاسخ های مورد انتظار برای مقادیر مثبت یا منفی بالا.

نتایج

این بخش میزانی را که مدل R-W رفتار شرکت کنندگان ما را با برازش یک مدل جداگانه برای داده های هر شرکت کننده توضیح می دهد، ارزیابی می کند و بررسی می کند که آیا کیفیت تناسب مدل تحت تأثیر تفاوت های فردی مانند گستره WM، سن و جنسیت قرار می گیرد یا خیر. ما ابتدا برخی از نتایج توصیفی را در مورد وزن‌های ارتباطی مدل‌های برازش ارائه می‌کنیم که شرکت‌کنندگان دانش زبانی را که در کار یادگیری زبان کسب کرده‌اند، خلاصه می‌کند. در مرحله بعد، کیفیت برازش مدل را با سایر استراتژی‌های پاسخ معقول و در عین حال مبتنی بر قانون مقایسه می‌کنیم. سپس ما به‌طور متوالی تحلیل‌هایی ارائه می‌کنیم که ظرفیت مدل برای بازیابی انتخاب‌های زبان شرکت‌کنندگان، تأخیرهای زمانی و سطوح توافق پاسخ را ارزیابی می‌کند. تأثیر ویژگی‌های شناختی و شخصی بر میزان یادگیری زبان توسط مدل R-W در انتهای بخش نتایج تحلیل می‌شود.

اوزان ارتباط شکل اسم-فعل آموخته شده

با پیروی از روش تناسب که قبلاً در بخش مدل‌سازی محاسباتی توضیح داده شد، مدلی را انتخاب کردیم که بهترین انتخاب‌هایی را که هر شرکت‌کننده در طول آزمایش‌ها انجام می‌دادند، با یافتن پارامتر نرخ یادگیری "درست" انتخاب کردیم (به پیوست S6 در اطلاعات پشتیبانی آنلاین مراجعه کنید). هر شرکت‌کننده عمدتاً با دو رژیم دقت برازش مدل مشخص می‌شود: یکی برای نرخ‌های یادگیری که تقریباً بین 05/0 تا 11/0 است و دیگری برای نرخ‌های یادگیری بین 12/0 تا 50/0 (به استثنای شرکت‌کنندگان 12، 19، 27 و 35). ، که برای آنها سه رژیم دقت وجود داشت)، با هیچ یک از دو رژیم به طور مداوم به دقت مناسب مدل بهتری منجر نمی شد. در مجموع، اگرچه تنوع توضیح داده شده در انتخاب های ارائه شده توسط پارامتر نرخ یادگیری محدود بود، انجام تنظیمات توسط شرکت کنندگان برای آن پارامتر هنوز مفید و روشنگر بود: ما مشاهده کردیم که یک مقدار نرخ یادگیری واحد وجود نداشت که منجر به بالاترین دقت مناسب مدل شود. همه شرکت کنندگان به عبارت دیگر، به نظر می رسد تفاوت های فردی قابل توجهی در میزان یادگیری وجود دارد. شکل 2 توزیع وزن‌های ارتباطی اکتسابی همه جفت‌های ممکن اسم-فعل را از بهترین مدل‌ها نشان می‌دهد.

به طور کلی، توزیع وزن‌های تداعی در هر دسته نشانه مشابه بود (مانند MA1، MA2، و MA3 در دسته uMA)، که گروه‌بندی نشانه‌ها را بر اساس جنسیت دستوری و جانداری اسم‌هایی که نشان می‌دهند، تقویت می‌کرد. ثانیا، و جای تعجب نیست، نشانه‌های مردانه (بدون انسداد) وزن ارتباط مثبت با شکل جمع مذکر به دست آوردند (یعنی این نشانه‌ها به احتمال زیاد منجر به انتخاب شکل جمع مذکر می‌شوند)، در حالی که نشانه‌های زنانه بدون انسداد وزن ارتباط مثبت را با شکل جمع مذکر به دست آوردند. شکل غیر مذکر (یعنی این نشانه ها به احتمال زیاد منجر به انتخاب شکل جمع غیر مذکر می شود). اندازه وزن‌ها نیز برای اکثر نشانه‌ها بین شرکت‌کنندگان متفاوت بود، بنابراین ابزاری بالقوه برای ثبت تفاوت‌های فردی در داده‌های ما ایجاد کرد.

همانطور که توسط مسدود کردن (استاندارد) پیش‌بینی می‌شود، وزن‌های ارتباطی بین نشانه‌های مسدود شده زنانه (یعنی FA3 و FP3) و شکل غیرمردانه بیشتر از همتایان مسدود نشده‌شان در اطراف صفر متمرکز بود (به بخش‌های FA3 و FP3 در شکل 2 مراجعه کنید). با این حال، انسداد هنوز به طور کامل در وزن‌های به دست آمده منعکس نشده است، زیرا برای بسیاری از شرکت‌کنندگان، وزن‌های ارتباطی بین نشانه‌های زنانه مسدود شده و شکل غیرمردانه با صفر متفاوت بود. یک اثر مسدودکننده بازدارنده (یعنی یک وزن منفی بین FA4 و شکل جمع مذکر) برای حدود یک سوم از شرکت کنندگان ظاهر شد. برای بقیه شرکت‌کنندگان، FA4 بیشتر شبیه یک نشانه بلوک‌شده استاندارد بود، زیرا وزن ارتباط آن با فرم مردانه حدود صفر بود. در مجموع، جلوه‌های مسدودکننده گرایش‌هایی را در جهت‌های پیش‌بینی‌شده نشان دادند.

ما فرض کردیم که بزرگی نسبتاً خفیف آنها به این دلیل است که آزمایش ما مراحل اولیه یادگیری را به تصویر می‌کشد، جایی که نمایش محرک‌ها تنها 15 بار تکرار می‌شد. این فرضیه با اجرای مجدد شبیه سازی های ارائه شده در شکل 2، اکنون با 1،{3}} تکرار در هر رویداد، همانطور که در پیوست S7 در اطلاعات پشتیبانی آنلاین نشان داده شده است، تأیید شد. اثرات مسدود کننده و بازدارنده برای همه شرکت کنندگان صرف نظر از ترتیب سرعت یادگیری آنها رخ داده است. این نتایج آنچه را که قبل از آن به آن اشاره کردیم تأیید می کند.

نرخ های مسابقه شرکت کننده-مدل

در مرحله بعد، بررسی کردیم که اگر ترتیب رویدادهایی که هر شرکت کننده با آن مواجه می شود و همچنین تفاوت در نرخ یادگیری آنها را در نظر بگیریم، تا چه اندازه می توان این تفاوت ها در یادگیری را توسط مدل R-W دریافت کرد. دقت برازش مدل (یعنی نسبت تطابق بین پاسخ‌های یک شرکت‌کننده معین و مدل R-W مناسب آن) از 0.24 تا 1 متغیر بود.00 (M=0.68,SD { {6}} 0.17): 17 نفر از 63 شرکت‌کننده دقت مناسبی بیشتر یا برابر با 0.80 داشتند و فقط نه شرکت‌کننده نسبت مسابقات کمتر از 0.50 داشتند. ارزیابی تناسب مدل با استفاده از اعتبارسنجی متقاطع ترک یک خروجی6 نشان می‌دهد که دقت برازش مدل در داده‌های دیده نشده به همان اندازه بالا بود، با دقت متوسط ​​0.68 (SD=0.17) و 17 شرکت‌کننده از 63 شرکت‌کننده به دقت مناسبی بیشتر از یا برابر با 80/0. نرخ‌های دقت مناسب برای رویدادهای حاوی نشانه شخصی مردانه (M=0.74) یا نشانه شخصی زنانه بدون انسداد (M=0.68) بالاترین بود، و برای رویدادهای حاوی نشانه مسدود شده بازدارنده (M) کمترین میزان بود.=0.61) یا یک نشانه متحرک (همه معنی≈ 0.65).

با توجه به اینکه ما یک استراتژی ساده برای ایجاد پیش‌بینی پاسخ بر اساس فعال‌سازی‌های مدل در نظر گرفته‌ایم، این نتایج نشان می‌دهد که مدل R-W به طور منطقی برازش خوبی با داده‌های شرکت‌کنندگان دارد - یعنی برای هر رویداد، شکل فعل را انتخاب کردیم که بیشترین فعال‌سازی را داشت. صرف نظر از تفاوت در اندازه های فعال سازی دو شکل فعل ممکن. ما بعداً حساسیت فعال‌سازی مدل‌های برازش را به نسبت‌های انتخاب فرم مشاهده‌شده و زمان‌های پاسخ تحلیل خواهیم کرد.

مقایسه بین مدل رسکولا-واگنر و سایر استراتژی های تصمیم گیری

نتایج ارائه‌شده در بالا نشان می‌دهد که مدل R-W رفتار شرکت‌کنندگان ما را به‌خوبی نشان می‌دهد، اما چگونه این مدل با سایر استراتژی‌هایی که شرکت‌کنندگان ممکن است در طول آزمایش استفاده کرده‌اند مقایسه شود؟ برای پاسخ به این سوال، چهار راهبرد تصمیم گیری را در نظر گرفتیم. دو مورد اول راهبردهای تجویزی و هنجاری هستند که قبلا ارائه کردیم. راهبرد تجویزی همان است که توسط کتاب‌های دستور زبان لهستانی توصیف یا تجویز می‌شود که به موجب آن یک شرکت‌کننده همیشه شکل فعل غیر مذکر را انتخاب می‌کند، مگر در مواردی که یک نشانه شخصی مردانه وجود داشته باشد (ما همچنین به این استراتژی به عنوان راهبرد «مغرضانه زنانه» اشاره می‌کنیم). راهبرد هنجاری همان راهبردی است که عموماً توسط گویشوران بومی زبان لهستانی اتخاذ می‌شود، که به موجب آن، فرم فعل مذکر همیشه انتخاب می‌شود، مگر زمانی که همه نشانه‌ها مؤنث باشند (به عنوان استراتژی «مذکر مغرضانه» شناخته می‌شود). ما همچنین دو استراتژی اساسی را گنجانده‌ایم که به موجب آن یک شرکت‌کننده همیشه فرم فعل مذکر را انتخاب می‌کند (که به عنوان راهبرد «فقط مردانه» نامیده می‌شود) یا همیشه شکل فعل غیرمذکر را انتخاب می‌کند (به استراتژی «فقط زنانه» اشاره می‌شود). دو استراتژی آخر برای به تصویر کشیدن رفتار شرکت کنندگان در حد افراط گنجانده شد.

شکل 3 نسبت شرکت‌کنندگانی را نشان می‌دهد که با هر یک از پنج مدل به‌دست‌آمده (R-W و چهار استراتژی تصمیم‌گیری ما) به بهترین شکل برازش می‌شوند. ما مدل(های) با بالاترین نرخ تطابق شرکت کننده-مدل در بین پنج مدل را به عنوان بهترین مدل(ها) در نظر گرفتیم. مدل R-W مدلی بود که پاسخ های شرکت کنندگان را به بهترین شکل توضیح داد (31 از 63 شرکت کننده)، به دنبال آن استراتژی هنجاری (26 شرکت کننده). سه استراتژی دیگر انتخاب های شرکت کنندگان را به طور قابل ملاحظه ای کمتر از آن دو استراتژی توضیح دادند (< 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