[摘要]迁移和潜在抽象知识表征是内隐学习的两个(2)
2013-07-27 01:07
导读：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
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?
