Механизми за коригиране на грешки при изучаването на езици: Моделиране на индивиди, част 1

Резюме:

От първото му приемане като изчислителен модел за изучаване на езици, се натрупаха доказателства, че обучението с коригиране на грешки на Rescorla-Wagner (Rescorla & Wagner, 1972) улавя няколко аспекта на езиковата обработка. Докато предишни проучвания предоставиха обща подкрепа за правилото на Rescorla-Wagner, като го използваха, за да обяснят поведението на участниците в набор от задачи, ние се фокусираме върху тестване на прогнози, генерирани от модела в контролирана задача за изучаване на естествен език и моделираме данните на ниво индивидуалният обучаем.

Съществува тясна връзка между изучаването на език и паметта. Когато изучаваме нов език, трябва не само да овладеем неговата граматика и речник, но и да запомним много думи и изрази. Следователно паметта играе важна роля в процеса на изучаване на езика.

Изучаването на езици може да засили паметта. Много проучвания показват, че изучаването на нов език може да стимулира невронната активност в мозъка, да насърчи метаболизма в мозъчната кора и по този начин да засили паметта. Изучаването на нов език също може да стимулира невронната мрежа на мозъка, като я прави по-здрава и подобрява когнитивните способности, интелигентността и логическото мислене.

Изучаването на език изисква повторение и практика. Честото свързване на говорене, слушане и четене може да задълбочи впечатлението и да направи нещата по-запомнящи се. В същото време, общувайки с другите, ние можем по-добре да запаметяваме нови думи и фрази, да научаваме за различни езикови среди и култури и да задълбочаваме разбирането си за езика.

Изучаването на език също ни позволява да променим начина, по който мислим, подобрява гъвкавостта на мисленето и креативността и допълнително подобрява паметта. В същото време можем също така да провеждаме обучение по език и памет, като слушаме музика, гледаме филми, четем китайска и чуждестранна литература и т.н., учим по различни начини и играем, докато учим, за да направим учебния процес по-интересен, да увеличим ученето интерес и подобряване на паметта.

Следователно, когато изучаваме език, можем да използваме различни методи за практикуване, да се съсредоточим върху дейностите и упражненията за памет, постоянно да обновяваме методите и методите на учене и да засилим обучението на паметта, за да подобрим ефектите от ученето и да подобрим паметта. Вижда се, че трябва да подобрим паметта си. Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал с много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от многото активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте 10 начина за подобряване на паметта

Чрез коригиране на параметрите на модела, за да отговарят на поведенческите избори на участниците за всеки отделен опит, вместо да монтираме модел "един за всички", използвайки един набор от параметри по подразбиране, ние показваме, че моделът точно улавя изборите на участниците, времевите закъснения, и нива на съгласие за отговор. Ние също така показваме, че полът и капацитетът на работната памет влияят на степента, в която моделът на Rescorla-Wagner улавя езиковото обучение.

Ключови думи

учене на език; обучение за коригиране на грешки; Модел на Рескорла–Вагнер; морфология; споразумение.

Въведение

Ние, хората, споделяме с други видове много основни механизми за учене, които ни позволяват да се адаптираме към нашата среда (Rescorla, 1988). Тези механизми включват, наред с други, класическо обуславяне (т.е. обуславяне на Павлов; Павлов, 1927), инструментално обуславяне (също оперантно обуславяне; Скинър, 1938) и форми на социално обучение, като заместващо учене (Бандура, 1962).

Най-уникалната дефинираща човешка способност за учене е ученето на езици, което също включва ефективно предаване между поколенията и е в основата на социалното включване и сплотеност. Въпреки това, докато механизмите за основно обучение са сравнително добре разбрани, изучаването на езици остава до голяма степен мистерия (Ambridge & Lieven, 2011). Ранен опит на Скинър (1957) да обясни езиковото обучение, използвайки същите принципи като тези, управляващи когнитивните задачи на по-ниско ниво, беше отменен от Чомски (1959).

През по-голямата част от остатъка от 20-ти век езикът се разглежда като обща вродена система, управлявана от правила и управлявана от уникална човешка и специализирана когнитивна структура. Тази структура първоначално е концептуализирана като устройство за усвояване на език и по-късно е разширена, за да стане универсална граматика.

Тази доминираща гледна точка беше оспорена от две страни едновременно. Появата на базирана на употребата лингвистика през 1980-те години (Langacker, 1987) насърчава възгледа за езика като динамична и вероятностна система, произтичаща от общи когнитивни способности, действащи върху езиковия вход (D˛abrowska & Divjak, 2015). Този възглед се съгласува добре с конекционистките рамки, които показват, че подобно на правила поведение може да възникне само от излагане на употреба и че езиковите познания са чувствителни към свойствата на входа (Plaut & Gonnerman, 2000; Seidenberg & McClelland, 1989). '

Може да се твърди, че конекционизмът проправи пътя за промени в теоретизирането, към възгледа за езика като за научаване като всяко друго умение, а началото на 2000-те стана свидетел на началото на повторното интегриране на основните принципи на учене в работата върху езика (напр. вижте Bybee & McClelland, 2005; за по-актуални трудове вижте Ellis et al., 2016, който разглежда както първия, така и втория език, както и Chuanget al., 2021, който разглежда лексикалното усвояване на втори и трети език). Сега езикът се разглежда като податлив на същите когнитивни способности с общо предназначение и механизми за учене, които хората и животните използват, за да се ориентират и адаптират към околната среда (вж. Ellis, 2006a; Ellis & Sagarra, 2010, 2011; Sturdy & Nicoladis, 2017) .

Сред тези модели на обучение моделът на класическото обуславяне на Rescorla и Wagner (1972) се откроява със своята простота и способността си да обяснява набор от емпирични феномени на обучение (Siegel & Allan, 1996). Този модел е биологично правдоподобен (Chen et al., 2008) и има еволюционно предимство пред други по-мощни механизми за обучение, в този смисъл, че има по-голяма вероятност да бъде естествено избран и да продължи в еволюционния процес, в сравнение с други правдоподобни механизми за обучение (за повече подробности, вижте Trimmer et al., 2012).

Основна литература

Моделът Рескорла-Вагнер

Като модел на класическо обуславяне, моделът на Рескорла-Вагнер (R-W) се занимава със ситуации, при които дадено същество (човек, животно или машина) трябва да научи предсказващата връзка между обекти и/или събития (т.е. сигнали и резултати) в среда и където сигналите се конкурират за своята предсказваща стойност за резултат, докато итеративно (ре)калибрират теглата на обучение (или асоцииране). По-конкретно, теглото на асоциацията отразява тенденцията резултатът да се случи в присъствието на определен сигнал. По-висока стойност на положително асоциативно тегло за конкретен резултат съответства на по-висока вероятност за възникване на този резултат в присъствието на репликата; обратно, силно отрицателна стойност съответства на по-голяма вероятност за ненастъпване на този резултат (в този случай се казва, че репликата е инхибираща). Стойности, близки до нула, означават ниски шансове за наблюдаване (ако теглото е положително) или възпрепятстване (ако теглото е отрицателно) на резултата.

Моделът R–W предполага, че организмът изчислява просто правило за учене, коригиращо грешката, използвано за актуализиране на асоциативните тегла във всяко ново събитие на обучение (напр. всеки опит в поведенчески експеримент). Общата идея зад правилото за коригиране е, че връзката между сигнал и резултат е (a) засилена, ако и сигналът, и резултатът присъстват в учебното събитие, (b) отслабена, ако сигналът е налице, но резултатът не е, и (c ) се запазва същото, ако самата реплика отсъства.

Актуализирането на теглата на асоцииране се задвижва от несъответствието между очаквания и получения резултат, така че величината на актуализацията - колко са коригирани теглата на асоциирането - се определя от два параметъра, наречени скорости на обучение, и посоката на актуализацията - дали се увеличава теглото или го намалява - зависи от знака на разликата между очаквания и наблюдавания резултат. По този начин, най-общо казано, за R–W модела обучението е свързано с резултатите и това го отличава от сродните модели, където обучението е свързано с входните знаци (напр. Pearce & Hall, 1980).

Друга характеристика на R–W модела е, че въпреки че резултатите се актуализират независимо един от друг, входните знаци се конкурират за предсказуемостта на резултатите.

С други думи, регулирането на теглата зависи не само от единичната реплика, която се актуализира, но и от всички реплики, присъстващи в учебното събитие чрез тяхната сума от асоциативни тегла. Този принцип на конкуренция с реплики позволи на R–W модела да обясни много от озадачаващите феномени на класическото кондициониране, някои от които също бяха ценни за разбирането на механиката на изучаването на езици (вижте следващия раздел за дискусия).1 Един от най-известните примери за такъв феномен на обучение е блокиращият ефект (Kamin, 1969). Този ефект възниква, когато реплика се обучава в комбинация с втора реплика, за да предскаже резултат, но когато втората реплика вече е добър предиктор на резултата. В такива случаи първата реплика не може да формира силна връзка с резултата (т.е. първата реплика е блокирана от втората реплика). По-общо казано, принципът на конкуренцията на репликите често води до наблюдението, че най-добрите реплики за резултата пречат на други реплики да развият силна връзка със същия резултат.

Моделът на Рескорла-Вагнер и езиковото обучение

От първото му споменаване в лингвистичен контекст от Ellis (2006a), се натрупаха доказателства, показващи, че моделът R–W може да улови няколко аспекта на изучаването на език (напр. Baayen et al., 2011; Ellis, 2006b; Milin, Divjak, & Baayen, 2017 Милин, Фелдман и др., 2017). Досега наличните емпирични доказателства произтичат от проучвания, които обучават R–W модел, който използва стойности на параметри по подразбиране (тук споменаваме двата параметъра на скоростта на обучение, използвани за актуализиране на теглата на асоцииране след всяко ново събитие), обикновено върху малка извадка от експерименти на изкуствени езици или голям корпус от текстове.2 След това мерките за учене след обучение се извличат от симулирания модел и се сравняват с наблюдаваните измервания на реакцията от експериментална задача.

Първият проблем е, че прогнозите за (и от) такива модели обикновено се генерират независимо от експеримента (с изключения като проучванията на Ramscar & Yarlett, 2007 и Divjak et al., 2021, където моделът генерира хипотезите, които трябва да бъдат тествани експериментално) .

Параметрите обикновено са зададени на техните стойности по подразбиране, пропускайки възможността да се вземе предвид променливостта, която може да възникне от симулирането на модела с различни стойности на параметрите (въпреки че вижте Olejarczuk et al., 2018, които използват фиксирани стойности на параметри, но монтират отделен модел към всеки данни на участника, използвайки същата последователност от примери, срещани от участника). Включването на променливостта, произтичаща от параметрите на модела при приспособяването на моделите за обучение към езиковите данни, има потенциала да подобри обяснимостта на индивидуалните различия, наблюдавани в експеримента, особено след като използването и представянето на езика е област, която показва огромни индивидуални вариации (D˛abrowska, 2018) .

Обучението на модела върху широкомащабен корпус идва на още по-висока цена. Тук оставяме настрана въпроса за (липса на) сходство между съдържанието на корпуса и входящите данни, които потребителите на езика получават (което като цяло пречи на изследванията на конвергентните доказателства; за обобщение дискусия, вижте Klavan & Divjak, 2016, а за колекции от работещи примери, вижте Divjak & Gries, 2012 и Gries & Divjak, 2012). Тук се съсредоточаваме върху друг проблем: Обучението върху корпус мутира двата основни източника на променливост на модела - а именно тези, свързани с избора на параметри на модела и реда на примерите за обучение - които са най-активни по време на ранните етапи на обучение (Shanks, 1995). ; вижте също Милин и др., 2020 г., за по-общо обсъждане на ефекта на пробната поръчка при обучение за коригиране на грешки).3 Тези ранни отклонения, както ги нарича Елис (2006a), представляват истински тест за модела R–W преди него може да се използва като модел за изучаване на езици в голям мащаб. Моделирането на променливостта на параметрите и обучението на R–W модела върху същите примери, срещани от участниците, представляват нови възможности за разбиране на езиковото обучение, които все още не са напълно проучени в предишни проучвания.

Настоящото проучване

Настоящото изследване има за цел да моделира начина, по който отделните изучаващи езици се справят с поставената задача на база опит по опит, което представлява променящо се предизвикателство за прилагането към изучаването на езици на обучението за дискриминация или коригиране на грешки като цяло и модела R–W в Докато предишни проучвания предоставиха обща подкрепа за правилото R–W, като използваха този модел, за да обяснят поведението на участниците в набор от задачи (Divjak, 2019; Milin & Blevins, 2020; Milin, Feldman, et al., 2017; Pirrelli et al., 2020), ние се фокусираме върху тестване на прогнози, генерирани от модела в контролирана задача за изучаване на естествен език и моделираме данните на ниво индивидуален изучаващ език. Правейки това, ние третираме всеки участник като отделна учебна единица, управлявана от различни способности, които са най-важното формализирани чрез параметрите на обучение на избрания модел.

Като се има предвид, че няколко проучвания съобщават, че класическото кондициониране може да бъде повлияно от когнитивни и личностни характеристики като работна памет (Baetu et al., 2018; Sasaki, 2009), пол (Lonsdorfet al., 2015; Merz et al., 2018), и възрастта (напр. Mutter et al., 2012), ние също проучваме дали такива характеристики могат да повлияят на приемането на подобен на R-W механизъм на изучаване на езици.

За да постигнем тези цели и да отговорим на тези въпроси, ние създадохме опростена задача за изучаване на естествен език: опростена, за да се използва предимството на строгия емпиричен контрол, но само отчасти, за да се запази ангажиментът към екологичната валидност, като се предлага по-натуралистично изживяване при въвеждане на език. Задачата представя, до разумна степен, как хората биха научили съпоставянето на полски субект-глагол чрез естествено излагане на примери.

Ние обучихме говорещите английски език на набор от внимателно изработени примери, които имаха както слухови, така и визуални измерения и които включваха някои от сложностите, присъщи на съгласуването субект-глагол на полски. След това, за всеки участник, поотделно, избрахме най-подходящия модел (т.е. параметрите, които доведоха до най-близкото съвпадение между отговорите на участника и модела), използвайки същите примери за обучение, с които се сблъсква участникът. След това оценихме R–W модела за способността му да възстановява избора на език на участниците, както и техните времеви латентности, и го сравнихме с други правдоподобни, но базирани на правила стратегии за отговор. И накрая, тествахме дали когнитивните и личностни характеристики като капацитет на работната памет, възраст и пол влияят на степента, в която R–W моделът улавя езиковото обучение.

Метод

Участници

Шестдесет и шест участници (Mdnage=20 години; диапазон=18–65; 41 жени) взеха участие в експеримента в замяна на ваучер за Amazon от £7. Участниците бяха студенти и преподаватели. Всички те бяха англоговорящи като роден език без познания по полски или други славянски езици, имаха нормален или коригиран до нормален слух и зрение и не декларираха никакви обучителни увреждания. Участниците имаха различно образование и много от тях можеха да говорят други езици допълнение към английски (разпределението на образованието и езиковия фон са представени в Приложение S1 в Подкрепящата информация онлайн).

Материали и процедура

Всички наши материали, включително данни и код, са открито достъпни в Github (https://github.com/ooominds/Error-correction-mechanisms-in-languagelearning) и в хранилището с отворен достъп на Университета в Бирмингам, UBIRA (https:/ /doi.org/10.25500/edata.bham.00000911). Участниците попълниха три задачи и кратък въпросник в следния ред: (a) задача за изучаване на език (основна задача), (b) въпросник за експлицитни знания и демографски данни, (c) имплицитна задача за обучение и (d) работна памет ( WM) задача. (Подробно описание на всяка задача е предоставено в следващия раздел.)

Задачите за изучаване на език и имплицитно обучение бяха изпълнени и представени на участниците с помощта на OpenSesame (Mathôt et al., 2012; Mathôt & март 2022 г.). Демографският въпросник беше представен с помощта на Google Forms, а WM задачата беше администрирана с помощта на Tatool (von Bastian et al., 2013). Експериментът беше проведен индивидуално или, когато е възможно, по двойки, в тиха стая, на Intel Core i 7-8700 компютри с Windows 10 и оборудвани с Iiyama G-Master 24.5-in. монитори, работещи на 59 Hz с разделителна способност на екрана от 1920 × 1080 пиксела. Участниците чуха звуковите стимули чрез шумопотискащи слушалки Bose QuietComfort 35 II и регистрираха отговорите си с помощта на клавиатура. Експериментът отне около 50 минути, за да завърши.

For more information:1950477648nn@gmail.com