论文部分内容阅读
摘要：在观察式学习条件下考察类别维度数量(三维度类别、六维度类别、九维度类别)，类别维度结构(线性分离结构、非线性分离结构)的变化对家族相似性类别学习的影响。结果表明：观察式学习条件下，类别维度数量的变化对样例学习无影响。对特征学习有影响，表现在特征正确再认数量上有差异，但特征再认正确率上无差异：类别维度结构的变化对样例学习有影响，对特征学习无影响，表现在样例正确再认数目上线性结构大于非线性结构。
关键词：类别学习，观察式学习，类别维度，家族相似性。 分类号B842.3
1 问题提出
类别学习指个体学习把刺激放人两个组或更多组中去的认知加工过程。类别(category)学习是分类(classsification)学习中非常重要的内容，还是诸如注意、记忆、决策、问题解决和推理等这些认知能力的基础。Posner和Keele在他们的研究中说明有两种类别学习任务：一种是观察式学习，一种是反馈式学习。其中观察式学习是指被试被给予标签和样例。要求被试把样例整合到标签中去。这个学习过程后来被证明更可能是一个内隐的加工过程，被试可能不能用言语来说明自己分类的规则。
类别学习研究中存在不同的模型，Hoffman和Murphv等人认为类别学习模型的主要区别在于类别维度的变化对类别学习的影响上。规则加例外模型(rule－plus－exception nodel)假设分类首先检验单维规则，当单维规则满足不了分类要求时加入更多的维度形成新的规则，可能的规则数量随着维度的增加而成幂指数增加，即增加了学习的难度，从而学习到更少的样例。联结主义者学习算法认为，网络可以容纳包含更多输入节点的附加维度，同时产生更大数量的激活传输给类别输出，导致正确反应比率的增加；也就是说在家族相似性类别学习中，这种非限制的网络可以用附加的信息化的维度来进行更快的学习。错误一驱动(error－driven)学习算法认为，学习是在错误中扩散的，如果一个维度或维度集可以成功的预测结果，既没有了错误，那么其他的维度就不会参与到分类活动中去。这里类别维度的变化主要是指类别维度数量的变化。即类别维度数量的多少对类别学习的影响在这些模型中是有争议的。
同时一系列的证据表明分类心理学研究的核心是寻找结构的可能性。一些类别可以用言语表述的规则很好地区分。例如，用一个简单的言语规则区分三角形和四边形。也有研究表明专家可以用非常难的、不能用言语表述的规则来解决分类问题。即在实际的自然物的分类过程中人们可以掌握非常复杂的类别结构。如McKinley和Nosofsky在1995年的研究表明人可以学习一些非常复杂的类别规则(如，非线性分离结构)。也就是说不同维度结构的类别都能够被人所学习，那么结构的变化是否会对类别学习产生影响它产生影响的方向是什么?这都是值得探究的问题。
传统的规则理论很难解释人们的类别形成，尤其是自然类别的形成。自然类别不是以标准的确定特征为基础组织起来的，自然类别没有必不可少的特征。也没有充分的特征，自然类别中不存在任何可以保证能够对事物进行准确划分的特征。如Wittgenstein举例说，“游戏”就是一个不能够通过必要和充分特征表述的类别概念。他提出类别是以家族相似性(family resemblances)为基础的，强调类别内成员之间的相似性。类别维度数量和结构的变化影响了这种相似性。
同时自然界中的物体存在着的特性是多维度的、且结构是复杂多变的。而大多数的实验研究都是从较少的维度数量和较简单的维度结构着手来进行的，这是不符合现实的。本实验从类别维度数量的变化(三维度类别、六维度类别、九维度类别)、结构的变化(线性分离结构、非线性分离结构)人手，通过实验的方法来揭示类似自然类别在观察式学习方式下的学习。本实验假设在观察式学习条件下，类别维度数量的变化对样例学习无影响，类别维度结构的变化对样例学习有影响；特征学习将受到类别维度数量变化的影响。而和维度结构变化无关。
2 研究方法
2.1 被试
选取50名大学生为被试，男女各半。从中随机选取30名被试分到类别维度数量变化实验组，男女各一半；其余20名被试分到类别维度结构变化实验组，男女各一半。
2.2 类别维度
本实验设计的类别从维度数量上来说分为三维度类别、六维度类别和九维度类别，每个维度有两个特征值，0和1。以三维度类别说明实验中的两个类别A和B，A类别的原型是000，变式为在每个维度上有一个B类别的特征值1，如010、100。六维度类别为三维度类别的对称叠加，九维度类别为三维度类别的三重叠加。
本实验设计的类别从维度结构上来说分为线性分离结构(以下简称为线性)和非线性分离结构(以下简称为非线性)。线性结构是指刺激特征间的线性关系。非线性结构是指刺激特征间的非线性关系。线性结构就是5－4家族相似性结构中每个维度的变化是线性的，如00000，00001，00010，00100，01000，10000等，即类别内各样例和原型的相似性均等。而非线性分离结构的每个维度的变化是非线性的，如00000，01010，00101，10100，01001等，即类别内各样例和原型的相似性不均等。类别维度结构的变化可以类比自然物。
2.3 实验设计
本实验的自变量为：(1)类别维度的数量(三维度、六维度、九维度)，(2)类别维度的结构(线性结构、非线性结构)；因变量为：(1)样例学习：样例平均学习时间、样例正确再认个数和样例再认反应时。(2)特征学习：特征再认个数、特征再认正确率和特征再认反应时。
因为比较不同数量维度的类别学习会存在一些问题。例如给被试一个100个维度的样例。被试可能学习到10个特征，那么给另一个被试一个10个维度的样例，他可能学习到5个特征，那么就不能说前一个被试学习的效果比后一个被试好，因为他们所接触的维度数量是不同的。本实验用特征再认正确率作为指标来考察这种维度数量变化的类别学习，即10／100和5／10。
2.4 实验材料
本实验的实验材料为两类花朵的简笔画，每类花朵共分为三部分，每一部分有三个维度，每个维度上有两个特征值。根据排列组合的原理共可做出图形512张，但根据类别维度数量和结构的变化，选取了52张图片作为实验材料。
2.5 实验程序
实验采用DMDX程序编程。在每一项实验条件下随机呈现类别图片，图片为300×250像素的彩色BMP图像，放置在1024×768像素白色背景中央位置，图片上方为50×70像素大小的类别标签“A”、“B”。让被试坐在计算机前，两眼距离屏幕 50cm。首先呈现观察式类别学习的指导语。确定被试明白了指导语的内容后，被试开始自定步幅学习图片和标签。由计算机记录被试的学习时间。学习阶段结束后被试进入样例再认阶段。屏幕上随机呈现学习阶段学习过的样例(无标签)，由被试判断该样例所属的类别，计算机记录被试反应正确与否及被试的反应时。最后是特征再认阶段，屏幕上随机呈现学习阶段样例的单个特征(无标签)，由被试按键判断该特征所属的类别，计算机记录被试反应正确与否和被试的反应时。
3 结果与分析
3.1 样例学习的结果
表1为观察式学习条件下类别维度数量和结构的变化对类别样例学习影响的基本数据。
对表1的各项指标进行方差分析，类别维度结构上的变化在观察式学习条件下样例正确再认个数上差异显著，F(1，18)=27.82，p<0.001，说明类别维度结构的变化对样例学习是有影响的。表现在在观察式学习条件下。线性结构类别更有利于样例的学习(11.50个和8.10个)。
类别维度数量的变化对样例学习无显著影响。
3.2 特征学习的结果
表2为观察式学习条件下类别维度数量和结构的变化对类别特征学习影响的基本数据。
对表2的各项指标进行方差分析。类别维度数量上的变化在观察式学习条件下只有在特征正确再认个数上差异显著，F(2,27)=12.92，p<0.001(3.20个、5.90个和7.10个)。因为本实验设计的三维度类别的特征数为4个，六维度类别的特征数为8个，九维度类别的特征数为10个(为了严格区分两个类别，九维度类别的特征从12个中选取了10个)，即随着维度数量的增多，被试能正确再认到更多的特征。但值得注意的是在特征再认正确率上无显著差异，F(2,27)=0.38，p>0.05(0.71、0.76和0.73)。
类别维度结构的变化对特征学习无显著影响。
4 讨论
4.1 类别维度数量的变化对类别学习的影响
从结果来看，在观察式学习条件下类别维度数量的变化对样例学习没有影响，对类别特征学习有影响。表现在特征正确再认数量上有差异。而这种差异是因为本实验设计的不同维度类别的特征个数是不同的。从特征再认正确率上看，三者是没有差异的。从中可以看到，随着类别维度的增加特征的数量也随着增加，而这种增加的维度数量使被试可以学习到更多的特征，而这种学习的结果并不是以学习时间为代价的，因为三维度类别、六维度类别和九维度类别的学习时间是没有差异的，样例再认和特征再认的反应时也是差异不显著的。
尽管三维度类别、六维度类别、九维度类别学习时间无显著性差异，但从表1中可以看出其学习时间是随着维度数量的增加而成递增趋势的。而这种趋势并没有反映在学习到的样例上。而是反映在学习到的特征的绝对数量上。这也在一定意义上说明被试在观察式学习条件下的注意可能是集中在类别各维度上的。而不是整个样例上。说明在观察式学习条件下。被试把各维度整合为样例的过程更可能是一个内隐的加工过程，因为这个学习过程的结果并没有反映在样例正确再认的数目上。
规则加例外模型(RULEX)认为随着维度的增加被试会学习到更少的类别样例，而本实验结果是不支持这个观点的。而联结主义者学习算法认为家族相似性类别学习中。非限制的网络可以用附加的信息化的维度来进行更快的学习，但这种更快的学习在本实验观察式学习条件下只是单纯的体现在学会了更多的类别特征。
4.2 类别维度结构的变化对类别学习的影响
从结果来看。在观察式学习条件下类别维度结构的变化对类别样例学习是有影响的，在样例正确再认个数上线性结构和非线性结构是差异显著的。同时和不同维度数量的类别学习相似，这种学习的差异也不是以学习时间为代价的，因为两种类别结构的学习从样例平均学习时间到样例和特征再认反应时都是没有差异的。
从样例正确再认个数来看，不同维度结构的类别对样例学习是有影响的，但对特征学习是没有影响的。一方面，本实验不同的维度结构类别中的样例数是恒定的(都是12个)，说明类别结构影响了样例学习；另一方面，本实验不同的维度结构类别中的维度数量是恒定的(都是6维度)，反映了类别维度结构的变化在观察式学习条件下对类别特征的学习没有影响，结合不同维度数量类别的特征学习可知，只是维度数量的变化影响了特征学习。
错误一驱动学习算法认为，学习是在错误中扩散的，如果一个维度或维度集可以成功的预测结果，既没有了错误，那么其他维度的权重就不会改变。从反证的角度来推测，在观察式学习条件下线性结构和非线性结构中样例维度和原型维度的重叠是不同的，非线性结构的重叠较少，故存在样例学习的困难，这在反面证明了错误一驱动学习算法的合理性。但从特征学习的数量上看，这种类别结构的变化并没有影响到类别特征再认个数，因为特征再认个数和特征再认正确率是没有差异的。
5 结论
(1)观察式学习条件下，类别维度数量的变化对样例学习无影响，对特征学习有影响，表现在特征正确再认数量上有差异，但特征再认正确率上无差异。
(2)观察式学习条件下，类别维度结构的变化对样例学习有影响，对特征学习无影响，表现在样例正确再认数目上线性结构大于非线性结构。
关键词：类别学习，观察式学习，类别维度，家族相似性。 分类号B842.3
1 问题提出
类别学习指个体学习把刺激放人两个组或更多组中去的认知加工过程。类别(category)学习是分类(classsification)学习中非常重要的内容，还是诸如注意、记忆、决策、问题解决和推理等这些认知能力的基础。Posner和Keele在他们的研究中说明有两种类别学习任务：一种是观察式学习，一种是反馈式学习。其中观察式学习是指被试被给予标签和样例。要求被试把样例整合到标签中去。这个学习过程后来被证明更可能是一个内隐的加工过程，被试可能不能用言语来说明自己分类的规则。
类别学习研究中存在不同的模型，Hoffman和Murphv等人认为类别学习模型的主要区别在于类别维度的变化对类别学习的影响上。规则加例外模型(rule－plus－exception nodel)假设分类首先检验单维规则，当单维规则满足不了分类要求时加入更多的维度形成新的规则，可能的规则数量随着维度的增加而成幂指数增加，即增加了学习的难度，从而学习到更少的样例。联结主义者学习算法认为，网络可以容纳包含更多输入节点的附加维度，同时产生更大数量的激活传输给类别输出，导致正确反应比率的增加；也就是说在家族相似性类别学习中，这种非限制的网络可以用附加的信息化的维度来进行更快的学习。错误一驱动(error－driven)学习算法认为，学习是在错误中扩散的，如果一个维度或维度集可以成功的预测结果，既没有了错误，那么其他的维度就不会参与到分类活动中去。这里类别维度的变化主要是指类别维度数量的变化。即类别维度数量的多少对类别学习的影响在这些模型中是有争议的。
同时一系列的证据表明分类心理学研究的核心是寻找结构的可能性。一些类别可以用言语表述的规则很好地区分。例如，用一个简单的言语规则区分三角形和四边形。也有研究表明专家可以用非常难的、不能用言语表述的规则来解决分类问题。即在实际的自然物的分类过程中人们可以掌握非常复杂的类别结构。如McKinley和Nosofsky在1995年的研究表明人可以学习一些非常复杂的类别规则(如，非线性分离结构)。也就是说不同维度结构的类别都能够被人所学习，那么结构的变化是否会对类别学习产生影响它产生影响的方向是什么?这都是值得探究的问题。
传统的规则理论很难解释人们的类别形成，尤其是自然类别的形成。自然类别不是以标准的确定特征为基础组织起来的，自然类别没有必不可少的特征。也没有充分的特征，自然类别中不存在任何可以保证能够对事物进行准确划分的特征。如Wittgenstein举例说，“游戏”就是一个不能够通过必要和充分特征表述的类别概念。他提出类别是以家族相似性(family resemblances)为基础的，强调类别内成员之间的相似性。类别维度数量和结构的变化影响了这种相似性。
同时自然界中的物体存在着的特性是多维度的、且结构是复杂多变的。而大多数的实验研究都是从较少的维度数量和较简单的维度结构着手来进行的，这是不符合现实的。本实验从类别维度数量的变化(三维度类别、六维度类别、九维度类别)、结构的变化(线性分离结构、非线性分离结构)人手，通过实验的方法来揭示类似自然类别在观察式学习方式下的学习。本实验假设在观察式学习条件下，类别维度数量的变化对样例学习无影响，类别维度结构的变化对样例学习有影响；特征学习将受到类别维度数量变化的影响。而和维度结构变化无关。
2 研究方法
2.1 被试
选取50名大学生为被试，男女各半。从中随机选取30名被试分到类别维度数量变化实验组，男女各一半；其余20名被试分到类别维度结构变化实验组，男女各一半。
2.2 类别维度
本实验设计的类别从维度数量上来说分为三维度类别、六维度类别和九维度类别，每个维度有两个特征值，0和1。以三维度类别说明实验中的两个类别A和B，A类别的原型是000，变式为在每个维度上有一个B类别的特征值1，如010、100。六维度类别为三维度类别的对称叠加，九维度类别为三维度类别的三重叠加。
本实验设计的类别从维度结构上来说分为线性分离结构(以下简称为线性)和非线性分离结构(以下简称为非线性)。线性结构是指刺激特征间的线性关系。非线性结构是指刺激特征间的非线性关系。线性结构就是5－4家族相似性结构中每个维度的变化是线性的，如00000，00001，00010，00100，01000，10000等，即类别内各样例和原型的相似性均等。而非线性分离结构的每个维度的变化是非线性的，如00000，01010，00101，10100，01001等，即类别内各样例和原型的相似性不均等。类别维度结构的变化可以类比自然物。
2.3 实验设计
本实验的自变量为：(1)类别维度的数量(三维度、六维度、九维度)，(2)类别维度的结构(线性结构、非线性结构)；因变量为：(1)样例学习：样例平均学习时间、样例正确再认个数和样例再认反应时。(2)特征学习：特征再认个数、特征再认正确率和特征再认反应时。
因为比较不同数量维度的类别学习会存在一些问题。例如给被试一个100个维度的样例。被试可能学习到10个特征，那么给另一个被试一个10个维度的样例，他可能学习到5个特征，那么就不能说前一个被试学习的效果比后一个被试好，因为他们所接触的维度数量是不同的。本实验用特征再认正确率作为指标来考察这种维度数量变化的类别学习，即10／100和5／10。
2.4 实验材料
本实验的实验材料为两类花朵的简笔画，每类花朵共分为三部分，每一部分有三个维度，每个维度上有两个特征值。根据排列组合的原理共可做出图形512张，但根据类别维度数量和结构的变化，选取了52张图片作为实验材料。
2.5 实验程序
实验采用DMDX程序编程。在每一项实验条件下随机呈现类别图片，图片为300×250像素的彩色BMP图像，放置在1024×768像素白色背景中央位置，图片上方为50×70像素大小的类别标签“A”、“B”。让被试坐在计算机前，两眼距离屏幕 50cm。首先呈现观察式类别学习的指导语。确定被试明白了指导语的内容后，被试开始自定步幅学习图片和标签。由计算机记录被试的学习时间。学习阶段结束后被试进入样例再认阶段。屏幕上随机呈现学习阶段学习过的样例(无标签)，由被试判断该样例所属的类别，计算机记录被试反应正确与否及被试的反应时。最后是特征再认阶段，屏幕上随机呈现学习阶段样例的单个特征(无标签)，由被试按键判断该特征所属的类别，计算机记录被试反应正确与否和被试的反应时。
3 结果与分析
3.1 样例学习的结果
表1为观察式学习条件下类别维度数量和结构的变化对类别样例学习影响的基本数据。
对表1的各项指标进行方差分析，类别维度结构上的变化在观察式学习条件下样例正确再认个数上差异显著，F(1，18)=27.82，p<0.001，说明类别维度结构的变化对样例学习是有影响的。表现在在观察式学习条件下。线性结构类别更有利于样例的学习(11.50个和8.10个)。
类别维度数量的变化对样例学习无显著影响。
3.2 特征学习的结果
表2为观察式学习条件下类别维度数量和结构的变化对类别特征学习影响的基本数据。
对表2的各项指标进行方差分析。类别维度数量上的变化在观察式学习条件下只有在特征正确再认个数上差异显著，F(2,27)=12.92，p<0.001(3.20个、5.90个和7.10个)。因为本实验设计的三维度类别的特征数为4个，六维度类别的特征数为8个，九维度类别的特征数为10个(为了严格区分两个类别，九维度类别的特征从12个中选取了10个)，即随着维度数量的增多，被试能正确再认到更多的特征。但值得注意的是在特征再认正确率上无显著差异，F(2,27)=0.38，p>0.05(0.71、0.76和0.73)。
类别维度结构的变化对特征学习无显著影响。
4 讨论
4.1 类别维度数量的变化对类别学习的影响
从结果来看，在观察式学习条件下类别维度数量的变化对样例学习没有影响，对类别特征学习有影响。表现在特征正确再认数量上有差异。而这种差异是因为本实验设计的不同维度类别的特征个数是不同的。从特征再认正确率上看，三者是没有差异的。从中可以看到，随着类别维度的增加特征的数量也随着增加，而这种增加的维度数量使被试可以学习到更多的特征，而这种学习的结果并不是以学习时间为代价的，因为三维度类别、六维度类别和九维度类别的学习时间是没有差异的，样例再认和特征再认的反应时也是差异不显著的。
尽管三维度类别、六维度类别、九维度类别学习时间无显著性差异，但从表1中可以看出其学习时间是随着维度数量的增加而成递增趋势的。而这种趋势并没有反映在学习到的样例上。而是反映在学习到的特征的绝对数量上。这也在一定意义上说明被试在观察式学习条件下的注意可能是集中在类别各维度上的。而不是整个样例上。说明在观察式学习条件下。被试把各维度整合为样例的过程更可能是一个内隐的加工过程，因为这个学习过程的结果并没有反映在样例正确再认的数目上。
规则加例外模型(RULEX)认为随着维度的增加被试会学习到更少的类别样例，而本实验结果是不支持这个观点的。而联结主义者学习算法认为家族相似性类别学习中。非限制的网络可以用附加的信息化的维度来进行更快的学习，但这种更快的学习在本实验观察式学习条件下只是单纯的体现在学会了更多的类别特征。
4.2 类别维度结构的变化对类别学习的影响
从结果来看。在观察式学习条件下类别维度结构的变化对类别样例学习是有影响的，在样例正确再认个数上线性结构和非线性结构是差异显著的。同时和不同维度数量的类别学习相似，这种学习的差异也不是以学习时间为代价的，因为两种类别结构的学习从样例平均学习时间到样例和特征再认反应时都是没有差异的。
从样例正确再认个数来看，不同维度结构的类别对样例学习是有影响的，但对特征学习是没有影响的。一方面，本实验不同的维度结构类别中的样例数是恒定的(都是12个)，说明类别结构影响了样例学习；另一方面，本实验不同的维度结构类别中的维度数量是恒定的(都是6维度)，反映了类别维度结构的变化在观察式学习条件下对类别特征的学习没有影响，结合不同维度数量类别的特征学习可知，只是维度数量的变化影响了特征学习。
错误一驱动学习算法认为，学习是在错误中扩散的，如果一个维度或维度集可以成功的预测结果，既没有了错误，那么其他维度的权重就不会改变。从反证的角度来推测，在观察式学习条件下线性结构和非线性结构中样例维度和原型维度的重叠是不同的，非线性结构的重叠较少，故存在样例学习的困难，这在反面证明了错误一驱动学习算法的合理性。但从特征学习的数量上看，这种类别结构的变化并没有影响到类别特征再认个数，因为特征再认个数和特征再认正确率是没有差异的。
5 结论
(1)观察式学习条件下，类别维度数量的变化对样例学习无影响，对特征学习有影响，表现在特征正确再认数量上有差异，但特征再认正确率上无差异。
(2)观察式学习条件下，类别维度结构的变化对样例学习有影响，对特征学习无影响，表现在样例正确再认数目上线性结构大于非线性结构。