人工语法学习迁移效应研究进展

时间：2022-11-18 02:56:53 硕士毕业论文我要投稿

相关推荐

人工语法学习迁移效应研究进展

　　[摘要]迁移和潜在抽象知识表征是内隐学习的两个重要基石。在人工语法学习研究范式下，对迁移效应产生机制的解释主要有两类：一是组块信息迁移的统计归纳理论。主张对测验序列进行分类的基础是序列成分组块分布特征的统计归纳；二是抽象类比迁移理论，主张是对测验序列进行分类的基础是在范例序列相似性基础上的重复成分的抽象类比．两种观．最各持一说。其问存在着明显的分歧和争议．
　　
　　[关键诃]人工语法学习；迁移效应；序列依存性；组块信息迁移；抽象类比迁移
　　
　　内隐学习作为一个研究领域始于20世纪60年代后期，Reber开创的人工语法学习(artificialgrammar learning)研究揭开了内隐学习研究的序幕，而对此研究领域的进一步关注则是最近十几年的事情．由Broadbent及其同事进行的造句系统研究推动(Berry&Broadbent，1984)，继而被系列反应时(Nissen&Bullemer，1987)和偶然反应时研究(Lewicki&Czyzewska&Hafman，1987)将其引向了认知，6-理学研究的前沿u J．迁移是个体在一种情境中的学习对其在其他情境中的学习和行为的影响．作为内隐学习经典研究范式的人工语法学习对迁移的关注源于被试在学习阶段习得的知识表征的本质属性与迁移密切相关，迁移和潜在的抽象知识表征是内隐学习的两个重要基石．对人工语法学习迁移效应的研究有助于我们更深入地认识和把握内隐学习的机制，从而为探明无意识学习的实质提供了一个重要的视角和有效的研究途径．
　　
　　1 人工语法学习迁移效应研究的新进展
　　
　　过去的三十多年中，研究者提出了许多理论来解释被试在人工语法学习中的学习．一些研究者认为，从仅以抽象规则知识为基础的解释到抽象规则知识与整个学习范例共存，从仅以局部知识为基础的解释到局部与抽象规则共存．语法规则的抽象与序列成分的分布统计特征的习得是相同的．人工语法学习及对迁移的解释与被试在学习过程中习得的知识表征密切相关．有三种理论解释被试在人工语法学中习得的知识：第一是基于范例的解释，认为对学习序列初步加工的表征构成了被试的知识；第二是局部编码加工理论，认为被试习得的是组成序列的成分对或成分组块知识；第三是基于抽象知识的解释，认为被试习得了独立于学习序列表层结构的潜在语法结构知识．这三种理论对迁移效应的解释也各不相同．在最早的内隐学习研究中，Reber认为被试习得了抽象结构知识，这些知识可以被相对容易地应用到潜在结构相同的序列中，并且能够成为区别语法和非语法(潜在语法结构不同)序列的基础．对抽象知识的明确表述是由Whittle．sea和Dorken提出的，他们将这些知识称为深层结构，是重复出现在每个序列中的模式，对它们的编码加工独立于学习序列的表层结构．主张局部加工解释的研究者认为，被试习得的知识基本由成分组块(两个或两个以上的序列成分)构成．基于范例的解释则认为，学习序列在学习阶段中未被加工，被试记忆了整个学习序列，在标准分类任务和迁移操作中，被试是在测验序列与已贮存的学习序列的相似性基础上做出判断的．在一般的内隐学习和具体的人工语法学习中，内隐知识的迁移包括两类：一是表层结构和深层结构都相同的刺激间的迁移；二是表层结构不同，但深层结构相同的刺激间的迁移．目前，研究者已经提出大量的理论来解释第一类迁移效应，认为被试学习和表征了序列的潜在语法规则，且能在这种规则的基础上，对测验序列进行分类．一些研究表明，被试习得的并不是语法规则的真实表征信息，而是一些与语法规则相关的信息表征，Perruchet和Pacteau将这些相关的信息表征称为“相关语法”(correlatedgrammar)，认为它们是由对学习序列成分出现频率的记忆组成的，被试根据测验序列是否由他们所熟悉的成分构成，来分类测验序列．Vokey和Brooks则认为，被试对整个学习序列进行了编码，在已贮存的学习与测验序列之间相似性的基础上，对测验序列进行了分类．但是，在不考虑表征是对抽象语法结构进行编码，还是对序列成分进行编码，亦或是对整个序列范例进行编码的情况下，在这三种表征形式中，都假定被试对学习序列的一些基本分布特征敏感，如序列的成分经常独自或共同出现在序列的哪些位置上．因此，当测验与学习序列表层结构相同时，对测验序列的分类而言，三种编码形式之间有很大的重叠，它们之间的差异很难区分．但当测验序列的表层结构与学习序列不同时，三种编码形式之间则有差异．在此情况下，被试就需要在两个序列集合的潜在语法结构知识间建立一种对应关系．此外，Brunstrom(2002)等人研究发现，内隐学习需要注意，可能依赖注意机制和工作记忆机制．注意的指向与集中系统哪一个是内隐学习所必需的?内隐学习受被试运用策略影响的程度如何?而且，注意容量有限，同时进行的认知过程间会有冲突(如不同的工作记忆过程)，那么哪些工作记忆过程是内隐学习所必需的呢?它们又是如何影响内隐学习的呢?有关这些问题的实证研究已经逐渐成为内隐学习研究的热点，但迄今为止，尚无明确的结论．目前，有关人工语法学习迁移效应的研究都采用无意义的材料，这样就限制了其生态效度．如何减少人为性，让实验研究更符合人类学习的真实情况呢?这些都对我们在实验设计、变量选择与控制．材料的运用等方面提出了更高的要求，同时也使这一领域的研究充满了挑战，敦促我们继续在这片广袤未知的领域中探索前行．
　　
　　2 人工语法学习迁移效应研究的争议
　　
　　不论人工语法还是自然语法，都可以用于建构知识，而这些知识则是受其组成成分的序列顺序限定的，这些限定可以被分解为：相同成分问的序列依存性(在序列某一位置上，某个成分的出现取决于其前某一位置上不同成分的出现)和不同成分间的序列依存性(在序列某一位置上，某个成分的出现取决于其前某一位置上同一成分的出现)，它们可以独立地解释表层结构不同的情景下的分类操作．这里分别将它们称为“非重复”和“重复”成分间的序列依存性．目前，相关的理论已经将重复成分间依存性的迁移和整个学习序列的记忆，及其抽象类比的形成过程联系在一起；而非重复成分间依存性的迁移则和局部序列组块的记忆，以及相关规则的归纳相联系．研究表明，潜在语法规则与表层结构的相似性之间在机能上可以分离．研究者从不同角度出发，对内隐学习中人工语法学习迁移效应进行研究，获得了证据，但也存在一些明显的分歧和争议，主要表现在：
　　
　　2．1 实验证据及理论解释上的分歧与争议有些研究结果表明：人工语法学习迁移效应是在潜在的抽象规则的基础上产生的．研究者对此进行了进一步探讨并发现：这种迁移效应是在测验与学习序列的相似性基础上，进行抽象类比产生的．另一些研究结果则表明：人工语法学习迁移效应是在序列成分组块信息的基础上产生的，当学习与测验序列的表层结构不同时，迁移效应很难发生[10]．但是他们的研究只关注了迁移效应的出现，而并没有进一步探究迁移效应缘何而起，所以这些研究涉及了序列依存性，但却没有深入分析．一些更为系统深入的实验研究表明：人工语法学习中，当序列的表层结构不同时，迁移效应是以重复结构的抽象类比，即重复成分间的序列依存性为基础的，而非重复成分间的依存性则不能迁移．另一些研究表明：人工语法学习迁移效应是以成分组块的分布特征的统计归纳，即以非重复成分间依存性为基础的，而不是以重复结构的抽象类比为基础的．实验证据上的分歧引发了理论解释上的争议，这些分歧和争议基本可以分为两方面．1)组块信息(chunks information)一一统计归纳(statistical induction)迁移Redington和Chater(1996)提出了一种启发式模型的解释，这种模型可以将重复和非重复成分间的依存性迁移到不同表层结构的序列中．例如，学习序列是JKJK和I(JI(J，那么模型就会将JK和I(J作为一个整体组块进行编码，然后根据测验序列是否由其熟悉的组块构成，对测验序列进行语法分类．结果序列JKJKJ就有可能被判断为语法序列，因为它是由模型所熟悉的组块JK或I<J构成；而序列JKKJ则可能被判断为非语法序列，因为序列中包含了模型不熟悉的组块KK．那么这种启发式模型是怎样将组块信息迁移到表层结构不同的情境中的呢?他们的实验表明，这种模型对每个学习序列开始的两个成分非常敏感，在学习阶段中掌握了所有序列都是以MS、Mv和VX开始的．在测验阶段中呈现表层结构不同的序列，例如JDHBHF，BFHHHH和JBHH，此时模型就会做出判断：J出现在序列位置1的频率较高，而其后则跟有两个成分D和B．因此，测验序列中的J一定与学习序列中的M相对应，因为M 出现在测验序列位置1上的频率相对较高；与之相似，B一定与v对应，因为B与v一样，既可以出现在位置1，又可以出现在位置2；F是惟一跟在B后面的成分，而学习序列中x是惟一跟在v后面的成分，故而F与X相对应；那么D只有和S对应．一旦知道了这种构成成分间的对应关系，那么对表层结构不同的测验序列的分类，就可以按照对表层结构相同的测验的分类方式进行．启发式模型可以解释许多先前研究中所发现的迁移效应，但是随着启发式模型编码序列成分组块的长度不同，其模拟的准确率与被试分类成绩之间差异很大，同时模型对包含在迁移中的心理过程也没有提出一种合理的解释[ ．研究者提出了一种更为有效合理的解释—— 简单循环网络模型(Simple Recurrent Network，SRN；)．模型包括输出层、输入层和潜藏层，它能够习得并迁移重复和非重复成分间的依存性，给SRN呈现一个序列的部分组成成分，让它通过改变网络内成分的联结强度，来预测序列中的下一个成分．倘若SRN可以准确地预测某一序列的构成成分，那么此序列就被判断为符合语法，反之则被认为是不符合语法的．经过学习阶段后，SRN就能够正确地模拟出被试分类序列的情况．但是，在SRN中激活模式与序列成分的表层结构紧密相连，这样就很难解释，假如SRN习得了序列ABCD间的依存性，那它又是如何将这种依存性迁移到表层结构不同的序列LMND中的?【1 1Dienes和Altmann等人(1999)提出了一种解释，认为由于序列成分的表层结构是作为一种激活的分布模式，经由输入单元被呈现给SRN的；而语法是作为联结的分布模式，通过网络中除输出单元以外的其他单元被表征的，因此只有输出和输入层与序列的表层结构相连．这样，当序列的表层结构不同时，SRN要预测随后输入的序列成分，只需要调整从输入到输出各单元间的联结强度就可以了．假如SRN保持其内部的联结强度(即对表层结构相同的序列成分的统计分布的编码)不变，且SRN的任务只是关注预测序列成分的话，那么它就能够判断出在表层结构不相同的序列中，哪些成分会跟在另一些成分之后．实际上SRN也就形成了不同表层结构的序列成分间的映射(mapping)关系．他们对SRN进行了修正和完善，在模型中增加了一个编码层，它是输入单元和潜藏层之间的中介．他们认为SRN对学习序列的成分进行了编码，而不是贮存了学习序列本身，从本质而言这种学习是一种统计归纳．与Redington和Chater(1996)提出的启发式模型相同，SRN可以在学习和测验序列成分出现的频率间形成映射，并在此基础上将学习序列成分间的依存性迁移到表层结构不同的测验序列中序列范例—— 抽象类比(abstract anMogy)迁移另一些研究者认为，被试可能记忆了全部学习序列，在随后的分类测验中，他们会以学习与测验序列的相似性为基础对测验序列进行分类．当学习与测验序列的表层结构相同时，被试可以直接计算出它们之间的相似性(忽略了重复与非重复成分)．例如，被试在判断序列MXRMXT时，可能回忆起序列MXRVXT，那么测验序列就可能被判断为语法序列，因为它与学习序列仅有一处不同，而序列MVXRMX则可能被判断为非语法序列，因为它与学习序列的不同多于一处；当学习与测验序列的表层结构不同时，二者间的相似性是以重复结构的抽象类比为基础，逐个序列进行计算的．假如被试记忆了一个学习序列MXVVVM，那么测验序列BDCCCB则可能被判断为语法序列，因为它包含了与学习序列相似的重复模式，这种模式可以被抽象为1-2221，而序列BCCDBC则被判断为非语法序列，因为它的抽象结构为122—12．对没有重复成分的序列而言，有关序列成分的信息(如出现的频率)就会丢失，被试也就不能归纳出序列成分及其依存性在表层结构不同序列间的对应关系．TunneY和Altmann(1999，2001)指出，目前还没有证据表明被试能对非重复成分间的序列依存性进行迁移．但有证据表明，被试可以迁移包含了重复结构的信息，也可以迁移包含了在序列特定位置上单个成分出现频率的信息．但是对迁移包含了成分组块共同出现频率信息的证据尚不充分．因此，现在的问题在于，是否能找到成分组块共同出现频率信息可以迁移的证据，如果可以找到，那么以重复结构为基础的迁移和以非重复成分间的序列依存性为基础的迁移，二者之间是否可以分离?
　　
　　2．2 两种迁移模型的分离在人工语法学习的研究范式下，倘若给被试呈现了表层结构相同的学习和测验序列，那么以范例为基础的表征模式和以成分组块为基础的表征模式，在被试的分类任务中可以等同，它们都反映了学习序列的分布统计特征，且测验序列中的重复成分和非重复成分都能被计算．但是当学习与测验序列的表层结构不同时，重复成分与非重复成分就将两种不同的表征模式区分开来，不同的表征模式必然会产生不同的理论解释及迁移模型．这两种表征模式之间的第一个主要差异是，学习与测验序列成分间的对应过程是在逐个序列基础上进行的，还是在全部序列基础上进行的．主张统计归纳解释的研究者认为，被试在学习了全部序列后，以学习和测验序列成分共同遵循的分布统计规则为基础，计算出两种表层结构下序列成分间的对应关系，编码分布统计规则的表征是在学习了全部序列后被归纳出来的，它不依赖于重复成分和非重复成分间的具体差异．主张抽象类比的研究者则认为，测验和学习序列间的相似性可以在逐个序列的基础上计算出来，而且抽象类比也能够辨别出重复与非重复成分，尽管在序列表层结构相同的情况下，非重复成分间依存性的信息对序列的分类起了一定的作用，但在表层结构不同的情况下，这些信息并不重要，此时相似性是在重复成分间依存性的基础上逐个序列地被计算出来．究竟迁移效应是抽象类比的结果还是成分组块信息的迁移呢?Altmann等人(1995)研究发现，当表层结构不同时，抽象类比并不是迁移发生的惟一基础．但他们在随后的研究中又发现(1999)，先前的结论并不成熟，因为在先前的实验中，不同表层结构下的语法和非语法序列中还含有其他的依存性．他们对实验设计进行了改进，发现被试仅对出现在序列首位成分的频率敏感，并没有证据表明，表层结构不同时，被试能够以非重复成分间的依存性为基础对测验序列进行分类．与此相似，Gomez等人(2000)研究发现，只有以重复结构为基础区分语法和非语法序列时，才能出现语法信息的迁移效应n ．这两种表征模式之间的第二个主要差异是：当测验与学习序列的表层结构不同时，学习序列的分布特征对二者成分间映射关系形成的重要性．抽象类比的迁移理论认为，序列成分的分布特征对迁移效应影响不大．譬如，被试编码或记忆了两个重复成分间的依存性A—A一，那么就会很容易地将这种序列依存性的模式对应到表层结构不同的序列x—x一上，在此情况下被试就能够通过将测验序列与贮存的一个或多个包含了重复成分间序列依存性的范例进行比较，对测验序列进行分类．即使学习阶段中，引入了噪音序列，如A—B一，这样A不总是决定另一个A的出现，此时被试仍然能够在序列A—A一和X—x一之间形成匹配．这说明另一种结构的存在并没有对被试提取恰当的范例线索产生不利影响，只要能找到与测验序列的重复结构相匹配的学习序列就可以了．与此相反，非重复成分间序列依存性的匹配则是一个相对复杂的过程，因为学习序列的分布特征是非常重要的．例如，倘若每个学习序列都以成分组块AB的形式出现，那么被试就可能在出现频率的基础上，通过学习序列归纳出语法规则(如将AB匹配到测验序列的XY上)．但是，倘若学习序列内的依存性不只一个(引入噪音分布)，即位置1的A并不总是与B相连，那么AB与XY之间对应的计算就很困难了．因此，从理论上讲；学习序列中噪音的介入会抑制以统计归纳为基础产生的迁移效应，而对以重复结构的抽象类比为基础产生的迁移效应影响不大，但会使随后对特定学习范例的提取变得更困难．研究证明，这两种迁移过程可以进行分离(Tunney，2001)，它们是以各自对不同类型的编码具有不同的敏感性为基础的：一种对共同出现的成分的分布统计归纳特征很敏感，而另一种则对编码重复结构的抽象很敏感．就此而言，应该存在两种不同的表征图式．
　　
　　2．3 人工语法学习迁移知识及其表征的内隐性目前，关于人工语法学习迁移知识内隐性的争论仍然悬而未定【15，l6】．有关测量知识内隐性的方法主要有三种：口头报告，根据被试能否报告出自己用于作出判断的知识来区别内隐与外显知识，倘若被试无法报告出那些明显影响其判断的知识，那么这些知识就是内隐的．有研究者认为，被试不能报告出影响其判断的知识并不是因为知识是内隐的，而是因为缺少恰当的表达方式，因此他们主张用客观检验法，即将间接测量(分类任务)与直接测量(再认任务)间的分离，来作为检验知识内隐性的一种客观方法．另一些研究者从实验设计和方法学上对客观检验法存在的问题提出了批评，认为这种方法的结果并不能说明人工语法知识是内隐的或是外显的，因为其检验结果并不纯净，用于检验外显知识的客观法有可能受到内隐知识的污染，他们主张用主观测量方法来检验知识的内隐性，并提出了主观自信水平(Subjective confidence Levels)的概念，认为倘若在测验任务中，被试的成绩超过了机遇值，但他们仍认为自己是猜测的，也就是说他们的自信度与正确率无关，那么他们所具有的知识就是内隐的．这也说明在被试的语言知识与其主观意识程度间出现了分离，即被试缺乏对自己完成任务的元知识，这是阈下知觉的一个本质特征．有研究者指出，知识表征的内隐与外显性间的区别，似乎并不在于知识能否被意识到，而是在于信息加工的特点上．他们发现：在人工语法学习中，被试习得的知识是由对具体范例的记忆构成的，而非对抽象规则的贮存，内隐知识大部分基于记忆系统中范例的积累，而范例表现了序列成分的分布特征汐卜显知识则更多是基于抽象规则，且凌驾于具体范例之上．目前，还不能确定人工语法中迁移是否是内隐的，但有一点需要考虑的是，学习是发生在传统的内隐学习条件下，因此可以认为，人工语法学习迁移效应在主观上是内隐的，它们迁移的知识即被试在人工语法学习范式下习得的知识，低于主观阈限却高于客观阈限．此外，当前的研究只集中于内隐学习获得的知识是否是内隐的，却很少考虑其潜在的表征形式．传统的内隐学习研究中将内隐知识界定为不能报告的知识．Roberts(1997)对传统内隐知识的界定进行了区分，认为在这种界定下包含了两种可能：一是这种由于某些原因而不能报告的知识在表征上却是外显的；二是这些不能报告出的知识在表征上也是内隐的．目前，对这两种可能性的区分尚不清楚．内隐知识是否就是被内隐表征的呢?在理论上也存在外显表征的可能性，倘若内隐知识是外显表征的，那么表征的内隐性就不能作为内隐知识的特征，而且它也不能为内隐知识和内隐学习提供一个适宜的解释框架。我们可以推测，内隐知识可能是位于以范例为基础到以抽象规则为基础的连续体上，但内隐知识与外显知识也有可能是截然不同的．总之，在以后的深入研究中，我们将面临一个严峻的挑战——怎样才能更准确地探知内隐知识和外显知识的特征及其相互作用，并将其具体化．
　　
　　3 结语
　　
　　人工语法学习迁移效应的研究发展至今，已经蓄积了丰富的实验证据，理论总结方面也有了长足的进步．研究者开始尝试对众多实验成果作出系统的理论概括，以期能更好地揭示出人工语法学习迁移效应的机制，这也为研究的进一步发展提供了一个比较清晰的框架．但是这些理论分析还有待于实验研究的进—步证实，研究的范围还有待于进一步拓宽，以增强其理论模型的解释力．

人工语法学习迁移效应研究进展

中国硕士论文网提供大量免费硕士毕业论文,如有业务需求请咨询网站客服人员！

【人工语法学习迁移效应研究进展】相关文章：

谈国外职业决策困难研究进展06-10

超硬材料薄膜涂层研究进展及应用05-03

光电效应的研究历史和光电效应法测量的探讨论文04-23

纳米阻燃材料的研究进展论文（通用6篇）05-14