Механизми за коригиране на грешки при изучаването на езици: Моделиране на индивиди, част 3

Връзка между мерките на модела, базирани на активиране, и изборите на участниците и времената за реакция

В по-нататъшна оценка на качеството на прилягане на модела R–W, ние извършихме обобщен линеен анализ на моделиране със смесени ефекти, разглеждайки връзката между изборите на участниците и базираната на активиране мярка, получена от монтираните модели R–W – т.е. , поддръжка за активиране на формуляра np (вижте раздела за изчислително моделиране за повече подробности). Ние също така анализирахме връзката между времената за реакция на участниците и подкрепата за активиране чрез монтиране на полиномиален линеен модел със смесени ефекти както с линейните, така и с квадратичните термини на подкрепата за активиране, тъй като очаквахме подкрепата за активиране да има квадратичен ефект върху времената за реакция (Таблица 3). По-подробни обобщения на моделите със структурите на произволни ефекти са предоставени в Приложение S8 в поддържащата информация онлайн.

Случайният ефект се отнася до въздействието на случайни промени сред индивидите. Той се използва широко в социологията, психологията и други области. Паметта е важен показател за хората за измерване на мозъчната функция и пряко влияе върху ученето и живота на хората. Но каква точно е връзката между случайните ефекти и паметта?

Изследванията показват, че има известна връзка между случайните ефекти и паметта. Когато изпълнявате задачи с паметта, намесата от случайни фактори ще намали ефективността и точността на завършване на индивида, като по този начин ще повлияе на производителността на паметта. Съответно, тренирането на способността за противодействие на намесата на индивида може да подобри способността му да реагира на произволни ефекти, като по този начин подобрява паметта.

Освен това различните групи хора реагират различно на случайни фактори. Някои хора имат силна адаптивност и показват по-добра способност за памет, когато се сблъскат със силно произволна среда; докато за някои хора случайни фактори ще причинят прекомерна намеса и ще намалят паметта им. ниво. Това е свързано с основната памет на индивида, психологическото качество, житейския опит и други фактори.

Следователно трябва да разпознаем въздействието на произволните ефекти върху паметта и да използваме научни методи за подобряване на индивидуалната способност за предотвратяване на смущения и адаптивност за подобряване на нивата на паметта. Вярвам, че докато даваме всичко от себе си, разчитаме на науката и технологиите, за да изследваме непрекъснато, и постоянно подобряваме собственото си качество, ще можем да продължим да вървим напред по пътя към преследване на отличен живот и овладяване на по-прекрасни животи! Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте начините за подобряване на мозъчната функция

Както се очакваше, подкрепата за активиране на немъжката форма за множествено число беше значително положително свързана с вероятността за избор на немъжка форма, ИЛИ {{0}}.78, p < .001, 95 % CI [3,82, 12.03]. Фигура 4 (ляв панел) също показва, че тази връзка е асиметрична около 0, отразявайки силна пристрастност към глаголната форма в мъжки род, която, дори и с (базирани на активиране) доказателства в подкрепа на немъжката форма, все още може да доведе до предпочитание към формата в мъжки род. Също така, и в съответствие с нашите хипотези, полиномният термин от втори ред на поддръжката на активиране беше значителен предиктор за времето за реакция, тъй като имаше квадратична връзка между поддръжката на активиране и времето за реакция, като най-бавните отговори бяха записани за най-малко поддържаните събития, b {{ 12}} −0,20, p=0,012, 95% CI [−0,35, −0,04]; вижте също Фигура 4, десен панел.

Тези резултати предполагат, че монтираните модели са се представили добре при предсказване на избора на форма на участниците и че информацията, кодирана в асоциативните тегла – основната валута на R–W модел – е добър предсказател както за вероятността за избор на определена глаголна форма, така и за скоростта с който се прави отговорът. Нивото на съгласие на участниците по отношение на избора на определена глаголна форма по този начин се различава в зависимост от подкрепата за активиране на тази конкретна форма, с високо ниво на съгласие, очаквано и удостоверено за високи положителни или ниски отрицателни стойности на подкрепа за активиране и с високо ниво на очаквано несъгласие и сертифициран за поддръжка на активиране около нула.

Ниво на съгласие между участниците през призмата на модела

Допълнително анализирахме поведението на участниците, като проучихме два допълнителни въпроса. Първо, какво ниво на съгласие е имало сред изучаващите език, като се има предвид конкретен тип събитие (напр. събития, съставени от знаци от един и същи граматичен род срещу събития, смесващи знаци на различни граматически родове)? Второ, и най-важното, могат ли разликите в нивата на съгласие да бъдат обяснени адекватно с помощта на модела R–W?

За да отговорим на тези въпроси, ние анализирахме ефекта от присъствието на всяка категория събития върху дела на участниците, избрали една от двете глаголни форми (за пълен списък на категориите събития, използвани в задачата, вижте Приложение S3 в Подкрепящата информация онлайн). За да получим оценките на модела на пропорциите, използвахме обобщения линеен модел със смесени ефекти, който изградихме в предишния анализ (Таблица 3, вляво), за да моделираме връзката между подкрепата за активиране и избора на немъжка форма за множествено число. По-конкретно, за всяка категория събития, ние осреднихме прогнозираните от модела пропорции на не-мъжки форми въз основа на неговите стойности за поддръжка на активиране сред участниците (като се има предвид, че всяка категория събития е била срещната веднъж от всеки участник). Резултатите са обобщени на Фигура 5. Събитията в Фигурите са сортирани във възходящ ред според наблюдаваните пропорции на избор в експеримента, така че най-лявата и най-дясната страна представляват области с високо ниво на съгласие между участниците, докато събитията, разположени в средната част, предизвикаха високо ниво на несъгласие между участниците.

Участниците имаха ясно предпочитание към формата за множествено число в мъжки род, когато събитието съдържаше личен сигнал в мъжки род (uMP) или когато събитието включваше само анимирани знаци в мъжки род (т.е. „uMA1 + uMA2“). По същия начин участниците предпочитаха немъжката форма за множествено число, когато събитията съдържаха само женски знаци, независимо дали са лични или одушевени (напр. „uFA +uFP“). Високи нива на несъгласие се наблюдават главно за събития, смесващи инхибиторния блокиран знак и женски сигнал или мъжки анимиран и женски личен сигнал (с пропорции, вариращи между .44 и .51).

Сравнявайки наблюдаваните и прогнозираните пропорции, моделът успя да улови разликата в нивата на съгласие между участниците в различните категории събития изненадващо добре. Най-големите несъответствия между наблюдаваните и прогнозираните пропорции изглежда са възникнали при събития, включващи блокирани и инхибиращи блокирани знаци, което предполага, че за модела е било по-трудно да улови ефекта им върху избора на участниците.

Връзка между качеството на модела и измерванията на индивидуалните разлики Резултатите от модела показват, че моделът R–W успешно отчита поведението на голяма част от нашите участници, включително времето им за реакция. Качеството на съответствието обаче варира между участниците, като данните от няколко участници се напасват много слабо от модела. В опит да преценим дали другите измервания, събрани по време на експеримента (демографски характеристики, обхват на WM и имплицитно обучение), могат да обяснят наблюдаваните индивидуални разлики в качеството на съответствие на модела, ние проведохме множествена линейна регресия, за да прогнозираме процентите на съвпадение между участниците и модела (logit -трансформирани) въз основа на събраните различни мерки за индивидуални различия. По-конкретно, предикторите включват WM обхват (z-трансформиран), пол и възраст; времевите наклони, извлечени за всеки участник от имплицитната учебна задача, не са допринесли значително и са докладвани в Приложение S5 в Подкрепящата информация онлайн.

От пълния линеен регресионен модел, който включва всичките четири индивидуални променливи на измерване, както и взаимодействието между пола и WM обхвата, ние извлечехме окончателен модел, съдържащ само значимите променливи, като използвахме селекция на променлива назад, базирана на теста за съотношението на вероятността. Данните от двама участници бяха пропуснати от този анализ, тъй като единият не отчете пола си, а единият беше идентифициран като крайно отклонение, както е обяснено в раздела за задачата на WM. Общо данните от 61 участници бяха въведени в линейния регресионен модел. Най-добрият модел след избор на променлива включваше както обхвата на WM, така и пола, но не и тяхното взаимодействие (Таблица 4).

Точността на напасване на модела се увеличи значително с увеличаване на WM span,b {{0}}.17, p=.008, 95% CI [{{24 }}.05, 0,30], както е илюстрирано на Фигура 6 (ляв панел), и беше значително по-висок за участниците жени (M=.69, SD=.17) в сравнение с участници мъже (M=.63, SD=.16), b=−0.28, p =.033, 95% CI [−0.54, −0.02 ], както е показано на Фигура 6 (десен панел). За да проверим дали премахването на влиятелни остатъци не е повлияло на нашите констатации, ние приложихме моделна критика, както е описано в Baayen и Milin (2010); изключването на единствения екстремен остатък с az резултат по-голям от 2,5 в нашия модел доведе до още по-силни ефекти (p=.004 за WM span и p=.007 за пол). Освен това обхватът на WM не корелира значително с пола (p=.058), което предполага, че връзката им е малко вероятно да е повлияла на ефектите от пола и обхвата на WM върху точността на модела (вижте Приложение S9 в Подкрепящата информация онлайн за повече подробности). Следователно нашите открития показват, че наличието на по-голям WM капацитет или това, че сте жена, увеличава вероятността участник да избере глаголни форми по модела R–W в нашата задача за изучаване на език.

Дискусия

Обобщение на констатациите

Нашите констатации показват, че механизъм R-W улавя добре как участниците учат споразумението субект-глагол в морфологично сложен език и, като разширение, как могат да научат език чрез просто излагане на него. Със средна точност на съответствие от 68%, базирана на проста стратегия за вземане на решение, базирана на активиране, моделът обяснява доста добре избора на глаголна форма, направен от голяма част от участниците.7 По-интересното е, че базирана на активиране мярка, извлечена от най-подходящите модели, корелира силно както с вероятността за избор на конкретна глаголна форма, така и с времето, необходимо за извършване на този избор.

Моделът също така предостави представа защо участниците могат да покажат високи или ниски нива на съгласие при избора на глаголна форма, в зависимост от естеството на предмета на клаузата. Според модела това се дължи на силните страни на асоциацията, които участниците придобиват, които се използват за изчисляване на подкрепата за активиране за всяка от възможните глаголни форми. Тези силни страни на асоцииране се влияят най-вече от (а) скоростта на учене на знаците (скоростта на учене определя големината на корекцията на теглата въз основа на изчислената грешка във всеки опит) и (б) разпределението на учебните събития, с които се е сблъскал по време на етап на обучение (това включва честотата на всяко учебно събитие и реда на учебните събития, наред с други неща). По този начин една прогноза от нашето проучване е, че промяната на реда или относителните честоти на учебните събития по време на обучението може да доведе до различни модели на избор от тези, които наблюдавахме тук.

Ние също така открихме значителна връзка между пола и капацитета на WM и процентите на съвпадение между участниците и модела, което хвърля светлина върху това, което може да е довело до наблюдаваните разлики в качеството на модела. Фактът, че в нашия експеримент по-голяма част от жените, отколкото мъжете, са действали чрез R-W механизъм, е в съответствие с констатациите от няколко предишни проучвания, които подчертават връзката между пола и класическата обусловеност и за двата човека (Lonsdorf et al., 2015; Merz et al., 2018) и животни (напр. Velasco et al., 2019). Това предполага значителна разлика в ученето между мъжете и жените, като жените са по-добре моделирани от правилото за учене за корекция на грешки R–W. Като цяло е известно, че жените имат малко езиково предимство пред мъжете (вижте Kimura, 1999, за обширна оценка), по-специално в областите за лексикално извличане (Balling & Baayen, 2008, 2012). Предполага се, че това може да се дължи на жените, които имат по-добра декларативна памет, която могат да използват, за да обобщават съхранени съседни форми (Hartshorne & Ullman, 2006).

Констатацията, че вероятността ученик да се държи според механизма R–W се увеличава с капацитета на WM, предоставя доказателство, че WM може да играе роля в класическото кондициониране, като повлияе на приемането на класически механизъм за кондициониране като правилото R–W. Sasaki (2009) и Baetu et al. (2018) по-рано предостави доказателства за прекъсване на класическото кондициониране, когато WM се зарежда с помощта на парадигми с двойна задача. Настоящото откритие добавя към нарастващите доказателства, че противно на преобладаващото вярване, WM може да бъде замесен в когнитивни процеси на ниско ниво, като например инструментално обучение , по-често наричано обучение с подсилване в общностите на невронауките и машинното обучение (Collins & Frank, 2012; Ez-zizi, 2016) и в някои форми на имплицитно обучение (Medimorec et al., 2021).

Блокиращи и инхибиторни блокиращи подобни ефекти не се появиха от R-Wмодела за всички участници. Както е показано, това се дължи главно на кратката продължителност на фазата на обучение. Увеличаването на броя на опитите за обучение не само доведе до повторна поява на блокиращи ефекти за най-подходящите параметри на всички участници, но също така премахна променливостта в теглата на асоциацията, като по този начин прогнозира, че всички участници трябва да се държат по същия начин в дългосрочен план ( вижте Приложение S7 в поддържащата информация онлайн). Това не е изненадващо в светлината на работата на Danks (2003), която показва, че в много случаи системата R–W ще се сближи до едно и също равновесие, независимо от използваните параметри. С други думи, дестинацията на обучаемите често е една и съща (това също е желателно, тъй като често искаме всички обучаеми да се научат да правят едни и същи асоциации), но пътищата до тези дестинации могат да се различават значително в зависимост от естеството на учебния проблем (напр. количеството налични данни, относителна честота на събитията, брой сигнали и резултати). Това има много последици за проучванията за изучаване на език, използващи модела R–W, както е обсъдено в следващия раздел.

Последици за проучвания за изучаване на езици, които използват модела на Рескорла-Вагнер

Няколко езикови изследователски групи възприеха модела R–W като ценен подход за моделиране на феномени на изучаване на езици поради неговата простота, когнитивна правдоподобност и успехите му в обяснението на широк спектър от феномени на изучаване на езици. Настоящото проучване предоставя допълнителна подкрепа за симулиране или моделиране на изучаването на език с помощта на този модел, но също така насочва вниманието към важния въпрос за индивидуалните различия, който досега е бил пренебрегван в проучвания, които комбинират изчислително моделиране с помощта на модела R–W и експериментални данни.

Като се има предвид количеството индивидуална разлика, която наблюдавахме в нашите данни, би било разумно да се отдалечим от преобладаващия в момента подход, при който моделът R–W се изпълнява веднъж със стойностите на параметрите по подразбиране и се използва за обяснение на данни от всички участници. Въпреки че ефектът от параметъра на скоростта на обучение върху точността на напасване на модела не е съществен за избраната задача, на практика производителността на R–W винаги ще бъде повлияна от избора на скорост на обучение, независимо от конкретното предизвикателство при моделирането (Milin, Divjak, & Baayen, 2017, стр. 1739–1741).

Друга обичайна практика, която може да се наложи да бъде преразгледана, е обучението на модела върху един голям набор от данни или малко подмножество от него. Следователно характеристиките, които отличават модела от чисто статистическите класификационни модели - а именно възможността за избор на параметри, които улавят колко бързо индивидът може да се учи, и способността да се отчетат ефектите от реда на въвеждане - остават неизползвани. Следователно не е изненадващо, че няколко проучвания съобщават само за незначителни или никакви разлики между модела R–W и други статистически модели или модели за обучение, като логистична регресия, обучение, базирано на паметта, и дървета на решения (Baayen, 2011; Baayen et al. , 2013). При такъв подход основното предимство на модела R–W пред чисто статистическите техники е способността му да извършва постепенно обучение, когато данните станат достъпни. Въпреки това, същото предимство може да бъде получено от всеки модел на невронна мрежа без скрит слой, тъй като такъв модел може също така да произведе тегла между сигнали и резултати, макар и с различно и, може би, по-малко правдоподобно правило за обучение (тук ние основно споменаваме правилото за обучение за обратно разпространение, което в момента е преобладаващият подход при обучение на модели на невронни мрежи). С такъв модел все още може да се приложи същият подход за напасване на модела, който използвахме тук, но с различен набор от параметри за настройка, като типа на функцията за активиране, броя на невроните и скоростта на обучение.

Скорошна работа в рамки, базирани на използване, подчерта огромните индивидуални различия, характеризиращи езиковите познания в популациите, говорещи първи език. Индивидуалните разлики в граматиката са сравними по размер с тези в лексикалните знания и са свързани както с качеството на входа, така и с когнитивните способности на обучаемия (D ˛ abrowska, 2018). Нашите констатации показват, че адаптирането на индивидуалния модел трябва да бъде опцията по подразбиране при сравняване на модела R–W или други изчислителни модели с данните на участниците. По-конкретно, параметрите на модела и входните данни трябва да се коригират отделно за всеки участник, за да се даде възможност за по-добро отчитане на индивидуалните отговори и да се получи по-достоверна картина за това къде се намира знанието за, например, правило, независимо дали в обобщения ум на лингвиста или индивида съзнанието на потребителите (Divjak, 2018) и как се разпределя сред населението. Нашите данни също подкрепят базираната на употреба позиция, че езиковите ни познания се оформят от нашите лични и когнитивни характеристики, както се потвърждава от значителната роля на WM и пола за качеството на модела; такива фактори трябва да се вземат предвид по подразбиране при моделиране на език.

Ограничения и бъдещи насоки

Нашето проучване е първото, което приспособява R–W модела към поведението на отделните обучаеми в действителна задача за изучаване на език. Използвахме модела R–W във формата, която е налична сега, но нашите открития, въпреки че са много обещаващи, показват, че може да е интересно да разширим модела, за да се справи с ограниченията на капацитета на WM. По-нататъшни изследвания в такава посока биха могли да бъдат вдъхновени от работата, извършена в ученето с подсилване - тясно свързана област с класическото кондициониране - където ученето също отдавна се предполага, че се случва в области, често свързани с когнитивни функции на ниско ниво, като дорзалния и вентралния стриатум (Balleine & O'Doherty, 2010), но сега се признава, че включва и когнитивен контрол на високо ниво чрез WM. Това доведе до разработването на нови рамки за обучение, където WM е изрично моделиран като ключов компонент, който поддържа обучението чрез запазване на информация от предишни опити (напр. вижте Collins & Frank, 2012; Ezzizi et al., 2015). Това може да бъде подходът, който трябва да се възприеме за R–W и други класически модели на кондициониране, особено защото в големи езикови изследвания, базирани на симулация, учебните събития обикновено съдържат голям брой знаци (напр. всички триграфи или думи в едно изречение), които не могат да бъдат обработени наведнъж от обучаем – както се изисква в актуализациите на R–W модела – поради известни ограничения на капацитета на WM (вижте Glautier, 2013 и Baayen et al., 2016, за ранни опити в тази посока).

Друга посока за бъдещо разширяване на нашата работа е да събираме отговорите на участниците с течение на времето, докато те се обучават на асоциациите на репликата и резултата, вместо да имаме отделна тестова фаза след обучението. Това би имало потенциала да подобри допълнително съответствието на модела и да предостави по-широка картина на поведението на участниците, докато учат задачата. В допълнение, това може да позволи извличането на мярка за обучение, базирана на времевия наклон за задачата за изучаване на език, както направихме за задачата за имплицитно обучение, и по този начин ще увеличи вероятността за намиране на връзка между имплицитното обучение и качеството на съответствие на R– W модел (вижте също нашата дискусия в Приложение S5 в поддържащата информация онлайн). Връзката между двете мерки може също да бъде изследвана чрез монтиране на R–W модела към времената за реакция, събрани в имплицитната учебна задача, както беше направено от Notaro et al. (2018), вместо да използва само времеви наклони или комбинация от двете.

И накрая, конкретната структура на нашата задача за изучаване на език благоприятства нормативната (мъжко-предубедена) стратегия, но интересен въпрос, който остава без отговор, е дали можем да използваме модела R–W, за да предвидим появата на различни стратегии, докато променяме структурата на езиковия вход и контрол за индивидуалните различия между изучаващите език. Подходът на използване на модела R–W за обяснение или предсказване на нивото на съгласие между ползвателите на езика може да бъде разширен отвъд съгласието на полски субект–глагол в множествено число в минало време, за да обхване други аспекти на езика, където е наблюдавана липса на консенсус в езиковата употреба (напр. вижте Geeraert et al., 2020; Milin, Divjak, & Baayen, 2017).

Заключение

Моделът R–W е много прост модел на обучение, но въпреки това има множество източници на вариации, които могат да се използват за обяснение на поведението на участниците в експерименти с изучаване на език. Те включват скоростта на учене на модела, реда на представяне на учебните примери и относителните честоти на съпътстващите сигнали и резултати. В настоящото проучване ние систематично включихме тези източници на вариации, когато приспособихме модела към данните на участниците, като по този начин позволихме на модела успешно да улови изборите и закъсненията на отговора на повечето участници в задача за изучаване на език относно съгласието на полски субект и глагол. В допълнение, когнитивните и демографски характеристики като WM и пол определят степента, в която изучаването на езици се ръководи от принципи, подобни на R–W.

Значки за открити изследвания

Тази статия спечели значки „Отворени данни“ и „Отворени материали“, тъй като направи публично достъпни данните за цифрово споделяне и компонентите на изследователските методи, необходими за възпроизвеждане на докладваната процедура и резултати. Всички данни и материали, които авторите са използвали и имат право да споделят, са достъпни на https://github.com/ooominds/Error-correction-mechanismsin-language-learning и https://doi.org/10.25500/edata.bham. 00000911. Всички патентовани материали са точно идентифицирани в ръкописа.

Бележки

1 Идеята за състезание с реплики също е в основата на модела на състезание на Batesand MacWhinney (1987) за усвояване на език. Техният модел обаче използва главно символни/езикови знаци като ред на думите или морфологични характеристики на думите и се основава на конекционисткия подход, изискващ много по-сложна архитектура от модела R–W.

2 Съдържанието на който и да е корпус е в най-добрия случай много грубо приближение на информацията, която получават потребителите на езика. Обратно, изкуствените езици са илюстративни и информативни за разбирането на естествените езици, но едва ли са реалистично отражение на сложността, открита във всеки даден естествен език.

3 Ранните реализации на правилото R–W като наивен модел на обучение за дискриминация разчитаха на неитеративна версия на алгоритъма, както е предоставено от Danks (2003), което елиминира възможността за възникване на каквито и да било ефекти на реда.

4 Важно е да се отбележи, че тук не се интересувахме от тестването на блокиращите ефекти per se, както обикновено се прави в поведенческите експерименти на класическото кондициониране. В тези експерименти са включени само събитията, свързани с блокирането (блокирането е тествано отделно от другите ефекти), а блокирането е тествано на втори път, а не на трети сигнал, както в нашия случай (напр. Kamin, 1969). Също така, обучаемият обикновено се обучава достатъчно дълго, за да се увери, че "блокиращият" сигнал ще се превърне в добър предсказател на резултата, който го интересува. Такава чиста експериментална настройка не би представила справедливо "безпорядъка", който е толкова широко разпространен в естествените езици. Тъй като нашето изследване е свързано с изучаването на езици, ние избрахме да имитираме реалистична учебна ситуация възможно най-близо.

5 Допълнителен участник изпита повреда в оборудването по средата на тестовата фаза и трябваше да се яви отново на теста. Запазихме данните на този участник, тъй като те не преминаха през никакво допълнително обучение във второто изпълнение на тестовата фаза и по този начин започнаха новото изпълнение със същите знания като в първото изпълнение (припомнете си, че обратната връзка за резултатите се предоставя само във фазата на обучение). Ефектът на запознаване не трябва да играе роля тук, тъй като всички участници са преминали през няколко практически изпитания във всички фази, преди да започнат действителния експеримент. Също така направихме повторно всички анализи без данните на този участник и потвърдихме, че премахването им не променя нито един от резултатите, представени в документа.

6 Качеството на напасването на модела върху невидими данни беше оценено с помощта на кръстосано валидиране с оставяне на един навън. По-конкретно, за всеки участник ние проведохме едно събитие от тези, които срещнаха в тестовата фаза, и приспособихме R–W модел към останалите събития. След това моделът беше оценен само за запазеното събитие чрез оценка дали отговорът от участника съвпада с този на неговият най-подходящ R–W модел. Повторихме това за всички тестови събития и след това изчислихме средната (изключена) точност на съответствието, тоест съотношението на съвпаденията между отговорите на даден участник за всяко от запазените събития и свързаните с тях прогнози от най-подходящия R– на участника W модел.

7 Всъщност това ниво на точност може да се счита за отлично, тъй като приехме много прост невероятностен процес на избор на действие, при който се избира глаголна форма, ако има най-висока активация. Това не взема предвид променливостта, която може да възникне от изследване, загуба на внимание или присъщ мозъчен шум.

Препратки

1. Адани, С. и Чепанец, М. (2019). Половите различия в ранното развитие на комуникацията: Поведенчески и невробиологични показатели за по-уязвимо развитие на комуникационната система при момчетата. Хърватски медицински вестник, 60 (2), 141–149.https://doi.org/10.3325/cmj.2019.60.141

2. Амбридж, Б. и Ливен, EVM (2011). Усвояване на детски език: Контрастиращи теоретични подходи. Cambridge University Press.

3. Baayen, RH (2011). Корпусна лингвистика и наивно дискриминативно обучение. RevistaBrasileira de Linguística Aplicada, 11(2), 295–328.https://doi.org/10.1590/S1984-63982011000200003

4. Baayen, RH, Endresen, A., Janda, LA, Макарова, A., & Nesset, T. (2013). Правене на избор на руски: Плюсове и минуси на статистическите методи за конкурентни форми. Руска лингвистика, 37 (3), 253–291.https://doi.org/10.1007/s11185-013-9118-6

5. Baayen, RH, & Milin, P. (2010). Анализиране на времето за реакция. Международен журнал за психологически изследвания, 3 (2), 12–28.https://doi.org/10.21500/20112084.807 

6. Baayen, RH, Milin, P., Filipovic Ður´ đevic, D., Hendrix, P., & Marelli, M. (2011). „Аморфен модел за морфологична обработка при визуално разбиране, базиран на наивно дискриминативно обучение“. Психологически преглед, 118 (3), 438–481.https://doi.org/10.1037/a0023851
7. Baayen, RH, Shaoul, C., Willits, J., & Ramscar, M. (2016). Разбиране без сегментиране: Доказателство за концепцията с наивно дискриминативно обучение. Език, познание и неврология, 31 (1), 106–128.https://doi.org/10.1080/23273798.2015.1065336

8. Baetu, I., Burns, N., & Child, B. (2018). Индивидуалните разлики в капацитета на работната памет предсказват изпълнението на задача за асоциативно обучение [Представяне на хартия]. Австралийски психолог, Сидни, Австралия.https://doi.org/10.1111/ap.12372

9. Balleine, BW, & O'Doherty, JP (2010). Хомологии на хора и гризачи в контрола на действието: кортикостриатални детерминанти на целенасочено и обичайно действие. Невропсихофармакология, 35 (1), 48–69.https://doi.org/10.1038/npp.2009.131

10. Balling, LW, & Baayen, RH (2008). Морфологични ефекти при слухово разпознаване на думи: Доказателство от датски. Език и когнитивни процеси, 23 (7–8), 1159–1190.https://doi.org/10.1080/01690960802201010

For more information:1950477648nn@gmail.com