Mekanismer för felkorrigering i språkinlärning: modellering av individer del 2

Språkinlärningsuppgift

Vår förenklade naturliga språkinlärningsuppgift inspirerades av utmaningen att lära sig överensstämmelse mellan ämne och verb i plural dåtid på polska. I pasttense markeras verb för ämnets grammatiska kön enligt följande regler:

1. Om en av referenterna är maskulin personlig (t.ex. "man"), är könet för ämnet som helhet –li, vilket ibland kallas för det maskulina personliga slutet.

Naturlig språkinlärning är en förmåga som hjälper oss att bättre förstå och tillämpa språk. Minnet är en lika viktig förmåga som hjälper oss att bättre behärska kunskaper och färdigheter. Relationen mellan de två är nära och de kompletterar varandra.

För det första kan naturlig språkinlärning förbättra vårt minne. När vi lär oss nya ordförråd och grammatikregler måste vi öva och memorera dem upprepade gånger, vilket kan träna vår minnesförmåga. När vi kan bygga en meningsfull och logisk språkmodell kan vi lättare komma ihåg och förstå relevant kunskap.

Dessutom kan minnet också hjälpa oss att lära oss naturligt språk bättre. När vi memorerar och bemästrar några grundläggande språkstrukturer och ordförråd kan vi lättare förstå och tillämpa språket, vilket också kommer att hjälpa oss att samla mer erfarenhet och färdigheter i processen att förbättra den naturliga språkinlärningsförmågan.

Kort sagt, naturligt språkinlärning och minne är mycket viktiga förmågor, och vi måste ständigt träna och förbättra dem. Endast genom att ge fullt ut till fördelarna med båda kan vi lära oss och behärska språket lättare och därigenom göra våra liv bättre och mer färgstarka. Det kan ses att vi behöver förbättra vårt minne. Cistanche deserticola kan förbättra vårt minne avsevärt, eftersom Cistanche deserticola också kan reglera balansen mellan signalsubstanser, som att öka nivåerna av acetylkolin och tillväxtfaktorer. Dessa ämnen är mycket viktiga för minne och inlärning. Viktigt, dessutom kan kött från kött också förbättra blodflödet och främja syretillförseln, vilket kan säkerställa att hjärnan får tillräckligt med näringsämnen och energi, och därigenom förbättra hjärnans vitalitet och uthållighet.

Klicka på vet kosttillskott för att förbättra minnet

2. Om referenterna är feminina animate (t.ex. "anka"), feminina personliga (t.ex. "flicka") eller neutrum (t.ex. "barn"), då könet på subjectis –ły, som ibland refereras till som den ickemaskulina personligheten.

3. Preskriptiv grammatik och polska som modersmål är inte överens om vilken form som ska tilldelas ett ämne som innehåller flera maskulina animerade referenter som inte är personer (t.ex. "hunden och katten gick på promenad") eller blandar maskulina animerade och feminina personliga referenter (t.ex. "flickan och hunden gick en promenad"). Grammatikläroböcker föreskriver användningen av –ły medan modersmålstalare verkar för att använda –li, enligt Kiełkiewicz-Janowiak och Pawelczyk(2014).

För att utforma vår förenklade naturliga språkinlärningsuppgift implementerade vi de två första reglerna men antog att ett ämne bestående av maskulina animerade referenter skulle användas med den maskulina personliga formen, som föreslagits av Kiełkiewicz-Janowiak och Pawelczyk (2014). Vi gjorde en sådan eftergift för att förbättra testbarheten av vår uppgift ur ett inlärningsperspektiv, som förklaras i uppgiftsdesignen nedan.

Stimuli

Varje händelse i vår inlärningsuppgift bestod av en scen som representerade en gemensam handling utförd av en grupp människor och/eller djurkaraktärer, och för varje inlärningshändelse såg deltagarna en bild som skildrade scenen (Figur 1), tillsammans med en ljudinspelning av en polsk klausul som beskriver det. Ett nytt försök startade med en fixeringspunkt som visades i mitten av skärmen i cirka 500 ms, följt av en samtidig visning av bilden av scenen. Deltagarna hörde ljudinspelningen av klausulen som beskriver scenen 250 m efter början av bilden av scenen medan bilden fanns kvar. En ny rättegång presenterades sedan efter cirka 1 s.

Vi använde verbet val ("gå"), med dess två möjliga plural dåtidformer chodziły (ickemaskulin pluralform) och choli (maskulin pluralform), som den vanliga åtgärden i alla lärandehändelser. Ett exempel på en klausul som deltagarna hör är Chłopiec i kaczka chodzili ("Pojken och ankan gick"). De tre första kolumnerna i Tabell 1 ger en lista över alla karaktärer som användes i experimentet, tillsammans med deras språkliga kategorier i termer av kön och livlighet; de två sista kolumnerna gäller utformningen av uppgiften och kommer att bli relevanta i nästa avsnitt.

Bilderna som representerar de olika människo- och djurkaraktärerna extraherades från Adobe Stock (https://stock.adobe.com) och redigerades sedan med Adobe Photoshop CC 2018. Ljudinspelningarna av både karaktärsetiketterna och de två verbformerna förbereddes med hjälp av talsyntesen. softwareSpeech2Go (Harpo Software, 2018).

Vi strukturerade vår uppgift på detta sätt för att skapa blockeringsliknande effekter som vanligtvis syns i Pavlovska inlärningsexperiment. Till exempel bör tillägget av ledtrådar FA3 och FP3 till föreningarna "FA1 + FA2" respektive "FP1 + FP2" i det andra blocket minska associationsstyrkan som kan erhållas av FA3 och FP3 för utfall np. På samma sätt bör träning av MP1 och MP2 med utfall i det första blocket blockera FA4 från att få en positiv association med mp. Förutom att förutsäga att FA4 kunde blockeras, förutspådde vi också att det kunde bli hämmande för mp, det vill säga få en negativ associationsvikt med mp, vilket kommer att framgå när vi presenterar resultaten av modellpassningssimuleringen.4

Wethus hänvisar till FA3 och FP3 som blockerade signaler, och till FA4 som en hämmande blockerad signal.

Vi kategoriserade ledtrådarna i sju olika kategorier baserat på deras språkliga egenskaper och de blockerande effekter de förutsäger (se kolumnen längst till höger i tabell 1). Specifikt baserades de sju kategorierna på om signalen är maskulin eller feminin, om den är personlig eller animerad, om den förutspås blockeras eller avblockeras och om den förutspås vara hämmande blockerad signal. Likheten mellan ledtrådarna inom var och en av dessa kategorier förstärks av det faktum att de delar samma associationsvikter med varje resultat, enligt R–W-teorin, vilket kommer att visas i avsnittet Resultat om inlärda substantiv–verbforms associationsvikter.

Design

Först fick deltagarna lära sig de polska etiketterna för de olika djur- och mänskliga karaktärerna som användes i inlärningsuppgiften. Specifikt presenterades deltagarna med bilderna av alla karaktärer tillsammans med deras motsvarande etiketter, först individuellt och sedan i kombination, eftersom de visas senare i inlärningsuppgiften (t.ex. en hund; en pojke, en hund och en apa). Det fanns åtta sådana teckenkombinationer, och deltagarna var tvungna att komma ihåg minst sju av dem (dvs. för att nå en retentionsnoggrannhet på 87,5 %) innan de kunde gå vidare till huvuduppgiften (se Bilaga S2 i Supportinformation online för mer information). Deltagarna fick upp till 10 försök att nå den erforderliga noggrannhetsnivån.

Huvuduppgiften bestod av en utbildning och en testfas. Utformningen av träningsdelen av uppgiften sammanfattas i tabell 2. Uppgiften innehöll 12 ledtrådar och två utfall. "+"-tecknet indikerar att ledtrådarna presenterades i sammansättningen, och pilsymbolen "→" indikerar att resultatet på höger sida följde ledtrådarna. Så, till exempel, "FP1 + FP2 + FP3 → np"representerar en klausul som Dziewczyna, kobieta i babcia chodziły ("Flickan, kvinnan och mormor gick"), där ämnet för satsen består av tre kvinnliga tecken och verbet är i den icke-maskulina pluralen(np) förflutna form, i motsats till den maskulina pluralen (mp) förflutna form. Det fanns två träningsblock, vardera innehållande fyra evenemang som upprepades 15 gånger vardera. Ordningen på händelserna var helt randomiserad inom varje block. Händelserna i det första blocket bestod av cue-par, medan de i detta andra block bestod av cue-trippel.

Efter träningen gick deltagaren till testfasen. Testet bestod av två komponenter. Genom att använda en slumpmässigt genererad cue från varje kategori testade vi inlärning en gång på alla möjliga par genom att blanda antingen cues från samma cue-kategori (t.ex. FP1 + FP2 från uFP-gruppen) eller ledtrådar från olika kategorier (t.ex. MA{ {2}} FP3 från grupperna uMA och bFP). Vi inkluderade också de fyra kombinationerna bestående av cue-trippel som presenterades i träningsfasen som en hälsokontroll för deltagarnas återkallelse (dessa kombinationer exkluderades från våra huvudanalyser). Totalt sett, i testfasen, stötte varje elev på totalt 29 cue-kombinationer, som valdes slumpmässigt ut från totalt 70 möjliga cue-kombinationer. (Det exakta formatet och instruktionerna som användes vid administrering av uppgiften finns i Bilaga S2 i Supportinformationen online, och listan över alla test-cue-kombinationer finns i Bilaga S3.)

Låt oss slutligen återvända till frågan om varför vi antog KiełkiewiczJanowiak och Pawelczyks (2014) regel, där varje ämneskombination som innehåller en maskulin referent tar den maskulina personliga pluralformen. För det första, att ha kombinationen "MA1 + MA2 + MA3" associerad med "mp" snarare än "np" gjorde det möjligt att ha ett balanserat antal mp- och np-händelser både inom hela uppgiften och inom varje block . Detta minskade sannolikheten för att np skulle uppstå enbart på grund av designen. För det andra tillät detta oss att ha mer utmanande kombinationer som bättre undersöker deltagarnas lärande, särskilt kombinationer som blandar feminina och maskulina signaler.

Analys

Från inlärningsuppgiften förkastades data från tre deltagare eftersom de ständigt valde samma svar under testfasen (27 eller fler av 29 svar; dvs. frekvens > 93%).5 För att analysera deltagarnas val och svarstider använde vi generaliserade blandade -effektmodellering. Datan innehöll upprepade mätningar från samma deltagare och föremål i flera försök, därför lade vi till slumpmässiga effekter för både deltagare och föremål (dvs. cue-kombinationer i testfasen). Vi valde modellernas slumpmässiga effektstruktur genom att använda en top-down-strategi som börjar med alla slumpmässiga avlyssningar och sluttningar och sedan tar vi bort slumpmässiga effekter av högre ordning steg för steg baserat på Akaike informationskriteriumpoäng. Vi körde modellerna med blandade effekter inR (R Core Team, 2019) med hjälp av lme4-paketet; p-värdena erhölls med det största paketet baserat på Satterthwaites uppskattningar, och modellsammanfattningstabellerna genererades med hjälp av sjPlot-paketet. För att bestämma statistisk signifikans använde vi en alfanivå på 0,05. I analysen av svarstider använde vi Box-Cox-metoden som implementerad i bilpaketet för att omvandla fördelningen till normalitet och underlätta statistisk modellering.

Explicit kunskap och demografisk frågeformulär

Efter att ha slutfört språkinlärningsuppgiften fyllde deltagarna i ett frågeformulär som frågade dem om de använde några explicita regler för att bestämma när de skulle använda var och en av de två verbformerna, och om de gjorde det, vilka dessa regler var. Enkäten samlade också in information om deltagarnas kön, deras ålder, de språk de talade (andra än engelska) och deras högsta utbildningsnivå. En fullständig lista över frågorna som används i frågeformuläret finns i Bilaga S4 i stödinformationen online. Vi fokuserar specifikt på rollen som ålder och kön för att förklara eventuella individuella skillnader som observeras när R–W-modellen anpassas till data. Detta beror på att ålder och kön har visat sig påverka både associativ inlärning och andraspråksinlärning. Till exempel, Mutter et al. (2012) visade att cue-outcome associationer är mindre benägna att förvärvas av äldre vuxna än av unga vuxna. Det är också väletablerat att äldre vuxna är mindre effektiva på att lära sig ett andra språk än unga vuxna (för en recension, se Muñoz & Singleton, 2011) och upplever mer svårigheter med språkproduktion (Burke & Shafto, 2004). Flera studier har också rapporterat att kvinnor visar högre konditionsnivåer i associativa inlärningsuppgifter (Lonsdorf et al., 2015; Merz et al., 2018) och tillägnar sig språk mer effektivt (Adani & Cepanec, 2019; van der Slik et al., 2015) än män. .

Vid sidan av huvuduppgiften inkluderade vi en standarduppgift med implicit inlärningsförmåga och en arbetsminne (WM). Vi valde dessa två uppgifter eftersom de fångar framträdande egenskaper hos inlärningsupplägget: (a) det faktum att inga explicita instruktioner gavs; och (b) det faktum att det språkliga fenomenet kan anses vara diskontinuerligt genom att egenskaperna hos (konstellationer av) agenten, som nämns först, bestämmer vilken tidigare ändelse som kommer att användas på verbet, som nämns på andra plats, så att visst bibehållande av agenten -relaterad information i minnet krävs. Eftersom vårt mått på implicit inlärningsförmåga inte är standard och inte spelade någon betydande roll i våra modeller, rapporterar vi om denna uppgift i Bilaga S5 i SupportingInformation online.

Arbetsminnesuppgift

Stimuli

För att mäta deltagarnas WM-kapacitet använde vi en något modifierad version av operation span test (Turner & Engle, 1989) som används av Medimorec et al.(2021). I varje försök ombads deltagarna att behålla en lista med siffror (mellan 1 och 9) som presenterades en i taget. Varje sifferpresentation varade i 1 s och följdes av en enkel matematisk operation som antingen kunde vara korrekt eller felaktig (50 % av de matematiska operationerna var korrekta). Deltagarna var tvungna att verifiera sanningshalten i den matematiska operationen innan nästa siffra kunde visas. I slutet av varje försök var de tvungna att skriva in siffrorna i samma ordning som de hade presenterats för dem. Längden på sifferlistan ökade gradvis från två till åtta, med varje längd upprepad tre gånger. Uppgiften bestod alltså av 21 försök.

Analys

Vi beräknade varje deltagares WM-spann genom att först summera antalet korrekta objekt som de återkallade i rätt ordning och sedan z-transformera den erhållna poängen. Vi uteslöt en deltagare vars WM-poäng var diskontinuerlig från resten av provet (deras WM-poäng var -4,3 standardavvikelser från medelvärdet, medan den näst längsta WM-poängen var -1,8 standardavvikelser från medelvärdet).

Beräkningsmodellering

Rescorla–Wagners ekvationer

R–W-modellen (Rescorla & Wagner, 1972) beskriver beräkningsmässigt hur sambanden mellan ledtrådar och utfall etableras. I samband med vårt experiment är en cue den polska etiketten och bilden av en av de mänskliga eller djurkaraktärerna som förekommer i scenen under en given rättegång, och ett resultat är verbformen som beskriver deras gemensamma handlingar. Till exempel har klausulen Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("Pojken, mannen och apan gick") som ledtrådar chłopiec, m ˛ezczyzna ˙ och małpa, och som utfall chodzili. I vårt fall mäter associationsvikten (eller styrkan) en verbforms tendens att förekomma i närvaro av ett visst substantiv.

Efter att ha stött på en sats uppdaterar eleven associationsvikten mellan en cue ci och ett outcome o, beroende på om cue och outcome förekommer i meningen, med hjälp av en korrigeringsregel av deltatyp:

Underskriften t hänvisar till det aktuella försöket, så wt (ci, o) är associationsstyrkan mellan ci och o vid försök t. och beteckna inlärningshastigheterna för cue ci respektive outcome o. λ hänvisar till den maximala associerbarheten till ett resultat och är nästan alltid satt till 1.

Baserat på ekvationen avgör tre fall hur en associationsvikt justeras:

1. Om köet saknas justerar vi inte vikten.

2. Om både signalen och resultatet är närvarande, ger detta positiva bevis som borde stärka associationsvikten, och summan av vikterna av ledtrådarna som finns i den aktuella händelsen justeras mot det maximala associeringsvärdet.3. Om signalen är närvarande men resultatet inte observeras, ger detta negativa bevis som borde försvaga associationsvikten, och summan av vikter justeras mot 0.

För implementeringen av modellen använde vi paketet som utvecklades som en del av studien av Milin et al. (2020).

Förutsäga val från modellen

För att generera ett verbformval (eller i modellens terminologi, ett utfall) från modellen med en viss uppsättning ledtrådar, beräknar vi först aktiveringen av varje form genom att summera associationsvikterna mellan formen och var och en av de relevanta ledtrådarna. Det förutsagda svaret från modellen är då den form som har högst aktivering. Till exempel, om en scen som innehåller en flicka och en apa vid en viss rättegång i testfasen, beräknas aktiveringarna av maskulina pluralformer (mp; chodzili) och ickemaskulina pluralformer (np; chodziły) enligt följande:

där vi för formlerna använde de slutliga vikterna som erhölls i slutet av träningsfasen och utelämnade därför provanteckningarna (ingen inlärning sker i testfasen). Om aktiv (np) > aktiv (mp), skulle modellen förutsäga np-formen, och annars skulle den förutsäga mp-formen.

Procedur för modellanpassning

I våra simuleringar antog vi att λ=1 och=1 och betraktade inlärningshastigheten som en fri parameter som skulle uppskattas för varje deltagare (hädanefter, när vi hänvisar till inlärningshastigheten, kommer vi alltid att hänvisa till Närmare bestämt körde vi 50 datorsimuleringar per deltagare med hjälp av grid-search for från 0,01 till 0,50. I varje simulering programmerade vi en virtuell agent att bete sig enligt R–W-modellen och presenterade den med samma träningsförsök som deltagaren vars inlärningshistoria vi hade som mål att modellera. Från den tränade modellen genererade vi sedan formval för samma försök som deltagare som möttes i testfasen. Vi valde slutligen den inlärningshastighet (och därmed modellen) som maximerade matchningsfrekvensen mellan deltagarens observerade svar och modellens förutsagda svar (dvs. andelen testobjekt för vilka modellen gav samma svar som eleven). På grund av oidentifierbarheten hos modellen med bäst passform, där i vissa fall mer än ett värde för inlärningshastigheten maximerade matchningsfrekvensen, valde vi medianinlärningshastigheten som den bästa parametern.

Modellutvärdering

För att hjälpa till att förklara deltagarnas beteendedata härledde vi ett aktiveringsbaserat mått från den monterade R–W-modellen, som vi kallar aktiveringsstöd för ett resultat. Åtgärden syftar till att förklara deltagarnas formval och svarstider och definieras som skillnaden mellan aktivering av utfallet av intresse och aktivering av återstående utfall. Till exempel, aktiveringsstödet för den ickemaskulina pluralformen (np) ges av följande:

aktiveringsstöd (np)=aktiv (np) − activ (mp)

Vi antog att ju högre aktiveringsstöd för en verbform (dvs. ju starkare bevis från modellen som stöder verbformen i förhållande till den andra möjliga formen), desto större är sannolikheten för att den formen väljs ut av deltagarna. Vi förväntade oss också att storleken på aktiveringsstödet negativt skulle korrelera med deltagarnas svarstider. Med andra ord, ju högre storleken på detta mått, desto snabbare skulle deltagarens svar vara. Detta bör översättas till ett kvadratiskt samband mellan aktiveringsstöd och svarstider, med de långsammaste svaren förväntade när aktiveringsstödvärdena är nära noll, och de snabbaste svaren förväntas för höga positiva eller negativa värden.

Resultat

Det här avsnittet utvärderar i vilken utsträckning R–W-modellen förklarar våra deltagares beteende genom att anpassa en separat modell till varje deltagares data, och testar om modellens passformskvalitet påverkas av individuella skillnader som WM-spann, ålder och kön. Vi presenterar först några beskrivande resultat på associationsvikterna för de anpassade modellerna, som sammanfattar de språkkunskaper som deltagarna förvärvade i språkinlärningsuppgiften. Därefter jämför vi kvaliteten på modellens passform med den för andra rimliga, men regelbaserade svarsstrategier. Vi presenterar sedan successivt analyser som bedömer modellens förmåga att återställa deltagarnas språkval, tidsfördröjningar och nivåer av svarsöverensstämmelse. Effekten av kognitiva och personliga egenskaper på i vilken utsträckning R–W-modellen fångar språkinlärning analyseras i slutet av avsnittet Resultat.

Lärt substantiv–verb Form Association Vikter

Efter anpassningsproceduren som beskrevs tidigare i avsnittet om beräkningsmodellering valde vi den modell som bäst fångade de val varje deltagare gjorde under försök, genom att hitta den "rätta" inlärningshastighetsparametern (se Bilaga S6 i onlinestödjande information). Varje deltagare kännetecknades mestadels av två regimer för modellanpassningsnoggrannhet: en för inlärningshastigheter som sträckte sig ungefär mellan 0,05 och 0,11, och en för inlärningshastigheter mellan 0,12 och 0,50 (med vissa undantag, som för deltagare 12, 19, 27 och 35 , för vilka det fanns tre regimer för noggrannhet), där ingen av de två regimerna konsekvent leder till bättre modellanpassningsnoggrannhet. Sammantaget, även om den förklarade variationen i val som bidrog med inlärningshastighetsparametern var begränsad, var det fortfarande fördelaktigt och insiktsfullt att göra justeringar av deltagare för den parametern: Vi observerade att det inte fanns ett värde för enstaka inlärningshastigheter som ledde till den högsta modellanpassningsnoggrannheten för alla deltagare. Det verkar med andra ord finnas betydande individuella skillnader i inlärningshastigheten. Figur 2 visar fördelningarna av de förvärvade associationsvikterna för alla möjliga substantiv–verbformpar från de bäst passande modellerna.

Sammantaget var fördelningarna av associationsvikter likartade inom varje ledtrådskategori (t.ex. MA1, MA2 och MA3 inom uMA-kategorin), vilket förstärker vår gruppering av ledtrådarna baserat på det grammatiska könet och animationen hos substantiven de representerar. För det andra, och föga överraskande, fick de (oblockerade) maskulina ledtrådarna en positiv associationsvikt med den maskulina pluralformen (dvs. dessa ledtrådar kommer mer sannolikt att resultera i ett val för den maskulina pluralformen), medan de oblockerade feminina ledtrådarna fick positiv associationsvikt med den icke-maskulina formen (dvs. dessa ledtrådar är mer sannolikt att resultera i ett val för den icke-maskulina pluralformen). Tyngdpunkten på vikterna skilde sig också mellan deltagarna för de flesta av ledtrådarna, vilket skapar ett potentiellt verktyg för att fånga individuella skillnader i vår data.

Som förutspåtts av (standard) blockering, var associationsvikterna mellan de feminina blockerade signalerna (dvs. FA3 och FP3) och den icke-maskulina formen mer centrerade kring noll än deras oblockerade motsvarigheter (se rutorna för FA3 och FP3 i figur 2). Blockeringen återspeglas dock ännu inte fullt ut i de förvärvade vikterna, eftersom associationsvikterna mellan de blockerade feminina ledtrådarna och den ickemaskulina formen för många deltagare skilde sig från noll. En hämmande blockerande effekt (dvs en negativ vikt mellan FA4 och den maskulina pluralformen) uppträdde för ungefär en tredjedel av deltagarna. För de återstående deltagarna var FA4 mer som en standardblockerad cue eftersom dess associationsvikt med den maskulina formen var runt noll. Sammantaget visade blockeringsliknande effekter tendenser i de förutsagda riktningarna.

Vi antog att deras relativt milda omfattning berodde på att vårt experiment fångade tidiga faser av inlärning, där exponeringar av stimuli upprepades endast 15 gånger. Denna hypotes bekräftades genom att köra om simuleringarna som presenteras i figur 2, nu med 1,000 repetitioner per händelse, som visas i Appendix S7 i Supportinformation online; blockerande och hämmande blockerande effekter inträffade för alla deltagare oavsett deras inlärningshastighet eller händelseordning. Dessa resultat bekräftar det vi påpekade innan Fördomar och skillnader i lärande är mer benägna att manifestera sig tidigt i inlärningen (Ellis, 2006a).

Matchningspriser för deltagare–modell

Därefter undersökte vi i vilken utsträckning dessa skillnader i lärande kan fångas av R–W-modellen om vi tar hänsyn till ordningen på händelser som varje deltagare stöter på samt skillnader i deras inlärningshastighet. Modellens noggrannhet (dvs andelen matchningar mellan svaren från en given deltagare och dess bäst passande R–W-modell) varierade från .24 till 1.00 (M=.68,SD { {6}} .17): 17 av 63 deltagare hade en passningsnoggrannhet som var större än eller lika med 0,80, och endast nio deltagare hade en andel matchningar som var lägre än 0,50. Att utvärdera modellanpassningen med hjälp av korsvalidering med utelämna en-ut6 visar att modellanpassningsnoggrannheten var lika hög på osynliga data, med en genomsnittlig noggrannhet på 0,68 (SD=0,17) och 17 av 63 deltagare uppnådde en passningsnoggrannhet större än eller lika med 0,80. Anpassningsnoggrannhetsfrekvenserna var högst för händelser som innehöll en maskulin personlig cue (M=.74) eller oblockerad feminin personlig cue (M=.68), och de var lägst för händelser som innehöll den hämmande blockerade cue (M)=.61) eller en animerad signal (alla medel≈ .65).

Dessa resultat tyder på en ganska bra passform av R–W-modellen till deltagarnas data, med tanke på att vi övervägde en enkel strategi för att generera svarsförutsägelser baserat på modellaktiveringarna – det vill säga för varje händelse valde vi den verbform som hade högst aktivering oavsett skillnaden i aktiveringsstorlekarna för de två möjliga verbformerna. Vi kommer senare att analysera känsligheten hos de monterade modellernas aktiveringar för de observerade formvalsproportionerna och svarstiderna.

Jämförelse mellan Rescorla–Wagner-modellen och andra beslutsstrategier

Resultaten som presenteras ovan visar att R–W-modellen fångar våra deltagares beteende någorlunda bra, men hur står sig modellen i jämförelse med andra strategier som deltagarna kan ha använt under experimentet? För att besvara denna fråga övervägde vi fyra beslutsstrategier. De två första är de föreskrivande och normativa strategier som vi presenterade tidigare. Den föreskrivande strategin är den som beskrivs, eller föreskrivs, av polska grammatikböcker, där en deltagare alltid väljer den icke-maskulina verbformen utom när en maskulin personlig ledtråd finns (vi hänvisar också till denna strategi som den "feminina partiska" strategin). Den normativa strategin är den som allmänt antas av polska som modersmål, varvid den maskulina verbformen alltid väljs utom när alla ledtrådar är feminina (refererad till som den "maskulina partiska" strategin). Vi inkluderade också två grundläggande strategier, där en deltagare antingen alltid väljer den maskulina verbformen (refererad till som strategin "endast maskulina") eller alltid väljer den icke-maskulina verbformen (refererad till som strategin "endast feminina"). De två sistnämnda strategierna inkluderades för att fånga deltagarnas beteende vid ytterligheterna.

Figur 3 visar andelen deltagare som passar bäst av var och en av de fem resulterande modellerna (R–W och våra fyra beslutsstrategier); vi ansåg modellen/modellerna med den högsta matchningsfrekvensen mellan deltagare och modell bland de fem modellerna som den/de bäst passande modellerna. R–W-modellen var den modell som bäst förklarade deltagarnas svar (31 av 63 deltagare), tätt följt av den normativa strategin (26 deltagare). De andra tre strategierna förklarade deltagarnas val betydligt sämre än de två strategierna (< 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