Механизмы исправления ошибок при изучении языка: моделирование людей, часть 2

Задача по изучению языка

Наша упрощенная задача по изучению естественного языка была вдохновлена ​​​​проблемой изучения согласования субъекта и глагола во множественном числе прошедшего времени в польском языке. В прошедшем времени глаголы обозначаются по грамматическому роду подлежащего по следующим правилам:

1. Если один из референтов личного мужского рода (например, «мужчина»), то род подлежащего в целом –li, который иногда называют мужским личным окончанием.

Изучение естественного языка – это способность, которая помогает нам лучше понимать и применять язык. Память – не менее важная способность, которая помогает нам лучше усваивать знания и навыки. Отношения между ними тесные, и они дополняют друг друга.

Во-первых, изучение естественного языка может улучшить нашу память. Когда мы изучаем новый словарный запас и грамматические правила, нам нужно постоянно практиковать и запоминать их, что может тренировать нашу память. Когда мы сможем построить осмысленную и логичную языковую модель, нам будет легче запомнить и понять соответствующие знания.

Кроме того, память может помочь нам лучше изучить естественный язык. Когда мы запоминаем и осваиваем некоторые основные языковые структуры и словарный запас, нам легче понимать и применять язык, что также поможет нам накопить больше опыта и навыков в процессе улучшения способностей к изучению естественного языка.

Короче говоря, изучение естественного языка и память — очень важные способности, и нам необходимо постоянно их тренировать и совершенствовать. Только полностью воспользовавшись преимуществами того и другого, мы сможем легче выучить и освоить язык, тем самым сделав нашу жизнь лучше и красочнее. Видно, что нам необходимо улучшить нашу память. Cistanche Deserticola может значительно улучшить нашу память, поскольку Cistanche Deserticola также может регулировать баланс нейротрансмиттеров, например, повышая уровень ацетилхолина и факторов роста. Эти вещества очень важны для памяти и обучения. Важно отметить, что, кроме того, мясо из мяса также может улучшить кровоток и способствовать доставке кислорода, что может гарантировать получение мозгом достаточного количества питательных веществ и энергии, тем самым повышая жизнеспособность и выносливость мозга.

Нажмите «Знайте добавки для улучшения памяти»

2. Если референтами являются одушевленный женский род (например, «утка»), личный женский род (например, «девушка») или средний род (например, «ребенок»), то пол субъекта –ły, который иногда называют как личное окончание немужского рода.

3. Прескриптивные грамматики и носители польского языка расходятся во мнениях относительно того, какую форму следует придавать субъекту, который включает в себя несколько одушевленных референтов мужского рода, не являющихся людьми (например, «собака и кошка пошли гулять») или смешивает одушевленные референты мужского рода и личные референты женского рода. (например, «девочка и собака пошли гулять»). По словам Келкевича-Яновяка и Павльчика (2014), учебники по грамматике предписывают использование –ły, тогда как носители языка, похоже, предпочитают использование –li.

Чтобы разработать нашу упрощенную задачу по изучению естественного языка, мы реализовали первые два правила, но предположили, что субъект, состоящий из одушевленных референтов мужского рода, должен использоваться с личной формой мужского рода, как предложили Келкевич-Яновяк и Павелчик (2014). Мы пошли на такую ​​уступку, чтобы улучшить тестируемость нашей задачи с точки зрения обучения, как описано в схеме задачи ниже.

Стимулы

Каждое событие в нашей обучающей задаче состояло из сцены, которая представляла собой совместное действие, выполняемое группой персонажей-людей и/или животных, и для каждого учебного события участники видели изображение, изображающее эту сцену (рис. 1), а также аудиозапись польское предложение, описывающее это. Новое испытание началось с фиксации точки, которая показывалась в центре экрана в течение примерно 500 мс, после чего последовало одновременное отображение изображения сцены. Участники прослушивали аудиозапись предложения, описывающего сцену, через 250 мс после появления изображения сцены, в то время как изображение оставалось на дисплее. Затем примерно через 1 секунду было представлено новое испытание.

Мы использовали глагол «выбор» («гулять») с двумя возможными формами прошедшего времени множественного числа: chodziły (форма немужского рода множественного числа) и choli (форма множественного числа мужского рода) в качестве общего действия во всех учебных мероприятиях. Примером предложения, услышанного участниками, является Chłopiec i kaczka chodzili («Мальчик и утка гуляли»). В первых трех столбцах таблицы 1 приведен список всех персонажей, использованных в эксперименте, а также их лингвистические категории с точки зрения пола и анимации; последние два столбца касаются конструкции задачи и станут актуальными в следующем разделе.

Изображения, представляющие различных персонажей людей и животных, были извлечены из Adobe Stock (https://stock.adobe.com), а затем отредактированы с помощью Adobe Photoshop CC 2018. Аудиозаписи как меток персонажей, так и двух форм глаголов были подготовлены с использованием синтезатора речи. программное обеспечениеSpeech2Go (Harpo Software, 2018).

Мы структурировали нашу задачу таким образом, чтобы создать эффект блокировки, который обычно наблюдается в экспериментах по обучению по Павлову. Например, добавление сигналов FA3 и FP3 к соединениям «FA1 + FA2» и «FP1 + FP2» соответственно во втором блоке должно снизить силу ассоциации, которую можно получить с помощью FA3 и FP3 для результат нп. Аналогичным образом, обучение MP1 и MP2 с помощью resultmp в первом блоке должно блокировать приобретение FA4 положительной ассоциации с mp. Помимо предсказания того, что FA4 может быть заблокирован, мы также предсказали, что он может стать ингибирующим для mp, то есть получить отрицательный вес ассоциации с mp, как будет видно, когда мы представим результаты моделирования соответствия модели.4

Таким образом, мы называем FA3 и FP3 блокируемыми сигналами, а FA4 — тормозящими блокируемыми сигналами.

Мы разделили сигналы на семь различных категорий на основе их лингвистических свойств и предсказываемых ими блокирующих эффектов (см. крайний правый столбец в таблице 1). В частности, семь категорий основывались на том, является ли сигнал мужским или женским, личным или одушевленным, прогнозируется ли его блокирование или разблокирование, а также прогнозируется ли, что это будет тормозящий заблокированный сигнал. Сходство между сигналами внутри каждой из этих категорий подкрепляется тем фактом, что они имеют одинаковые веса ассоциации с каждым результатом, согласно теории R-W, как будет показано в разделе «Результаты», посвященном выученным весам ассоциаций форм существительное-глагол.

Дизайн

Сначала участников учили польским обозначениям различных персонажей животных и людей, используемых в учебном задании. В частности, участникам были представлены изображения всех персонажей вместе с соответствующими им ярлыками, сначала по отдельности, а затем в комбинации, как они появляются позже в учебном задании (например, собака, мальчик, собака и обезьяна). Всего было восемь таких комбинаций символов, и участникам необходимо было запомнить по крайней мере семь из них (т. е. чтобы достичь точности сохранения 87,5%), прежде чем они могли приступить к основной задаче (более подробную информацию см. в Приложении S2 в разделе «Вспомогательная информация» онлайн). Участникам было разрешено до 10 попыток для достижения необходимого уровня точности.

Основная задача состояла из этапа обучения и тестирования. Структура обучающей части задания представлена ​​в таблице 2. Задача содержала 12 сигналов и два результата. Знак «+» указывает, что сигналы были представлены в составе соединения, а символ стрелки «→» указывает, что результат в правой части следовал за сигналами. Так, например, «FP1 + FP2 + FP3 → np» представляет собой такое предложение, как Dziewczyna, kobieta i babcia chodziły («Шли девочка, женщина и бабушка»), где субъект предложения состоит из трех женских символов, а глагол находится в прошедшей форме немужского множественного числа (np), в отличие от прошедшей формы множественного числа мужского рода (mp). Было два тренировочных блока, каждый из которых содержал по четыре упражнения, повторявшихся по 15 раз. Порядок событий был полностью рандомизирован внутри каждого блока. События в первом блоке состояли из пар сигналов, тогда как события во втором блоке состояли из троек сигналов.

После обучения участник переходил к этапу тестирования. Тест состоял из двух компонентов. Используя случайно сгенерированный сигнал из каждой категории, мы однократно проверяли обучение на всех возможных парах, смешивая либо сигналы из одной и той же категории сигналов (например, FP1 + FP2 из группы uFP), либо сигналы из разных категорий (например, MA{ {2}} FP3 из групп uMA и bFP). Мы также включили четыре комбинации, состоящие из троек сигналов, представленных на этапе обучения в качестве проверки работоспособности памяти участников (эти комбинации были исключены из нашего основного анализа). В целом на этапе тестирования каждый учащийся столкнулся в общей сложности с 29 комбинациями сигналов, которые были случайно выбраны из 70 возможных комбинаций сигналов. (Точный формат и инструкции, используемые при выполнении задания, приведены в Приложении S2 онлайн-поддержки «Вспомогательная информация», а список всех комбинаций тестовых сигналов представлен в Приложении S3.)

Наконец, давайте вернемся к вопросу о том, почему мы приняли правило Келкевича-Яновяка и Павлельчика (2014), согласно которому любая субъектная комбинация, содержащая референт мужского рода, принимает форму личного множественного числа мужского рода. Во-первых, наличие комбинации «MA1 + MA2 + MA3», связанной с «mp», а не с «np», позволило иметь сбалансированное количество событий mp и np как в полной задаче, так и в каждом блоке. . Это уменьшило вероятность того, что предвзятое отношение к np возникнет исключительно из-за конструкции. Во-вторых, это позволило нам иметь более сложные комбинации, которые лучше проверяют обучение участников, особенно комбинации, сочетающие в себе женские и мужские сигналы.

Анализ

Из обучающей задачи данные трех участников были исключены, поскольку они постоянно выбирали один и тот же ответ на протяжении всей фазы тестирования (27 или более из 29 ответов; т. е. частота > 93%).5 Для анализа выбора участников и времени ответа мы использовали обобщенные смешанные результаты. -моделирование эффектов. Данные содержали повторные измерения одних и тех же участников и предметов в нескольких испытаниях, поэтому мы добавили случайные эффекты как для участников, так и для предметов (т. е. комбинации сигналов на этапе тестирования). Мы выбрали структуру моделей со случайными эффектами, используя нисходящую стратегию, начиная со всех случайных точек пересечения и наклонов, а затем шаг за шагом удаляя случайные эффекты более высокого порядка на основе оценок информационного критерия Акаике. Мы запускали модели со смешанными эффектами в R (R Core Team, 2019) с использованием пакета lme4; Значения p были получены с использованием самого большого пакета, основанного на аппроксимациях Саттертуэйта, а сводные таблицы модели были созданы с использованием пакета sjPlot. Для определения статистической значимости мы использовали уровень альфа 0,05. При анализе времени отклика мы использовали метод Бокса-Кокса, реализованный в пакете автомобилей, чтобы преобразовать распределение к нормальному и облегчить статистическое моделирование.

Явные знания и демографический опросник

После выполнения задачи по изучению языка участники заполнили анкету, в которой их спрашивали, использовали ли они какие-либо явные правила, чтобы решить, когда использовать каждую из двух форм глагола, и если использовали, то каковы были эти правила. Анкета также собирала информацию о поле участников, их возрасте, языках, на которых они говорили (кроме английского), и их высшем уровне образования. Полный список вопросов, использованных в анкете, представлен в Приложении S4 в разделе «Вспомогательная информация» онлайн. Мы уделяем особое внимание роли возраста и пола в объяснении любых индивидуальных различий, наблюдаемых при сопоставлении модели R – W с данными. Это связано с тем, что возраст и пол влияют как на ассоциативное обучение, так и на овладение вторым языком. Например, Муттер и др. (2012) показали, что ассоциации «сигнал-результат» с меньшей вероятностью усваиваются пожилыми людьми, чем молодыми людьми. Также хорошо известно, что пожилые люди менее эффективны в изучении второго языка, чем молодые люди (обзор см. в Muñoz & Singleton, 2011) и испытывают больше трудностей с освоением речи (Burke & Shafto, 2004). В нескольких исследованиях также сообщалось, что женщины демонстрируют более высокий уровень обусловленности при выполнении задач ассоциативного обучения (Lonsdorf et al., 2015; Merz et al., 2018) и более эффективно овладевают языком (Adani & Cepanec, 2019; van der Slik et al., 2015), чем мужчины. .

Наряду с основной задачей обучения мы включили стандартную задачу неявного обучения и задачу рабочей памяти (WM). Мы выбрали эти две задачи, потому что они отражают существенные особенности схемы обучения: (а) тот факт, что не было дано никаких явных инструкций; и (б) тот факт, что лингвистический феномен можно считать прерывистым, поскольку свойства (созвездия) агента, который упоминается первым, определяют, какое прошедшее окончание будет использоваться для глагола, который упоминается вторым, так что некоторое сохранение агента - требуется связанная информация в памяти. Поскольку наша мера неявной способности к обучению нестандартна и не играет существенной роли в наших моделях, мы сообщаем об этой задаче в Приложении S5 в онлайн-поддержке «Вспомогательная информация».

Задача на рабочую память

Стимулы

Для измерения возможностей WM участников мы использовали слегка модифицированную версию теста продолжительности операции (Turner & Engle, 1989), использованного Medimorec et al. (2021). В каждом испытании участников просили сохранить список цифр (от 1 до 9), предъявляемых по одной. Каждое предъявление цифры длилось 1 с и сопровождалось простой математической операцией, которая могла быть как правильной, так и неправильной (50% математических операций были правильными). Участники должны были проверить достоверность математической операции, прежде чем можно было отобразить следующую цифру. В конце каждого испытания им нужно было ввести цифры в том же порядке, в котором они были им предъявлены. Длина списков цифр постепенно увеличивалась с двух до восьми, причем каждая длина повторялась три раза. Таким образом, задача состояла из 21 попытки.

Анализ

Мы рассчитали объем WM каждого участника, сначала суммируя количество правильных элементов, которые они вспомнили в правильном порядке, а затем Z-преобразовав полученный результат. Мы исключили одного участника, чей показатель WM был прерывистым, из остальной выборки (его показатель WM составлял -4,3 стандартных отклонения от среднего значения, тогда как второй по дальности показатель WM составлял -1,8 стандартного отклонения от среднего значения).

Компьютерное моделирование

Уравнения Рескорлы–Вагнера.

Модель R–W (Rescorla & Wagner, 1972) описывает с помощью вычислений, как устанавливаются связи между сигналами и результатами. В контексте нашего эксперимента сигналом является польский ярлык и изображение одного из персонажей человека или животного, появляющегося в сцене в данном испытании, а результатом является глагольная форма, описывающая их общее действие. Например, предложение Chłopiec,m ˛ezczyzna i małpa chodzili ˙ («Мальчик, мужчина и обезьяна шли») имеет в качестве реплик chłopiec, m ˛ezczyzna ˙ и małpa, а в качестве результата ходзили. В нашем случае вес (или сила) ассоциации измеряет тенденцию появления глагольной формы в присутствии определенного существительного.

После встречи с предложением учащийся обновляет вес ассоциации между сигналом ci и результатом o, в зависимости от того, появляются ли сигнал и результат в предложении, используя правило коррекции дельта-типа:

Индекс t относится к настоящему исследованию, таким образом, wt (ci, o) — это сила связи между ci и o в испытании t. и обозначаем скорость обучения для сигнала ci и результата o соответственно. λ относится к максимальной связи с результатом и почти всегда равен 1.

На основе уравнения три случая определяют, как корректируется вес ассоциации:

1. Если кий отсутствует, вес не регулируем.

2. Если присутствуют и сигнал, и результат, то это дает положительные доказательства, которые должны усилить вес ассоциации, а сумма весов сигналов, присутствующих в текущем событии, корректируется в сторону максимального значения ассоциации.3. Если сигнал присутствует, но результат не наблюдается, то это дает отрицательное свидетельство, которое должно ослабить вес ассоциации, и сумма весов корректируется в сторону 0.

Для реализации модели мы использовали пакет, разработанный в рамках исследования Milin et al. (2020).

Прогнозирование выбора на основе модели

Чтобы сгенерировать выбор формы глагола (или, в терминологии модели, результат) на основе модели с учетом определенного набора сигналов, мы сначала вычисляем активацию каждой формы путем суммирования весов ассоциаций между формой и каждым из соответствующих сигналов. Тогда прогнозируемым ответом модели будет форма, имеющая наибольшую активацию. Например, если в определенном испытании на этапе тестирования сцена, содержащая девушку и обезьяну, то активации форм множественного числа мужского рода (mp; chodzili) и немужского рода множественного числа (np; chodziły) рассчитываются следующим образом:

где для формул мы использовали окончательные веса, полученные в конце фазы обучения, и, следовательно, опустили пробные индексы (на этапе тестирования обучение не происходит). Если active (np) > active (mp), модель будет предсказывать форму np, а в противном случае — форму mp.

Процедура подгонки модели

В наших симуляциях мы предполагали, что λ=1 и=1, и рассматривали скорость обучения как свободный параметр, который необходимо оценить для каждого участника (в дальнейшем, когда бы мы ни говорили о скорости обучения, мы всегда будем ссылаться на В частности, мы провели 50 компьютерных симуляций на каждого участника, используя поиск по сетке в диапазоне от 0,01 до 0,50. В каждой симуляции мы программировали виртуального агента так, чтобы он вел себя в соответствии с моделью R–W, и предлагали ему те же тренировочные испытания, что и участнику, чью историю обучения мы стремились смоделировать. участник, с которым столкнулся на этапе тестирования. Наконец, мы выбрали скорость обучения (и, следовательно, модель), которая максимизировала степень соответствия между наблюдаемыми ответами участника и прогнозируемыми ответами модели (т. е. долей тестовых заданий, для которых модель дала тот же ответ, что и учащийся). Из-за неидентифицируемости наиболее подходящей модели, где в некоторых случаях более одного значения скорости обучения максимизировали скорость совпадения, мы выбрали медианную скорость обучения в качестве наилучшего параметра.

Оценка модели

Чтобы помочь объяснить поведенческие данные участников, мы вывели показатель, основанный на активации, на основе подобранной модели R–W, который мы называем поддержкой активации для результата. Эта мера направлена ​​на объяснение выбора формы участниками и времени ответа и определяется как разница между активацией интересующего результата и активацией оставшегося результата. Например, поддержка активации немужской формы множественного числа (np) обеспечивается следующим образом:

поддержка активации (np)=активен (np) − актив (mp)

Мы предположили, что чем выше поддержка активации формы глагола (т. е. чем сильнее доказательства модели, подтверждающие форму глагола, по сравнению с другой возможной формой), тем выше вероятность того, что эта форма будет выбрана участниками. Мы также ожидали, что величина поддержки активации будет отрицательно коррелировать со временем ответа участников. Другими словами, чем выше величина этой меры, тем быстрее будет реакция участника. Это должно привести к квадратичной зависимости между поддержкой активации и временем ответа, при этом самые медленные ответы ожидаются, когда значения поддержки активации близки к нулю, а самые быстрые ответы ожидаются при высоких положительных или отрицательных значениях.

Полученные результаты

В этом разделе оценивается степень, в которой модель R–W объясняет поведение наших участников путем подбора отдельной модели к данным каждого участника, и проверяется, влияют ли на качество соответствия модели индивидуальные различия, такие как диапазон WM, возраст и пол. Сначала мы представляем некоторые описательные результаты по ассоциативным весам подобранных моделей, которые суммируют лингвистические знания, полученные участниками при выполнении задачи по изучению языка. Далее мы сравниваем качество соответствия модели с другими правдоподобными, но основанными на правилах стратегиями реагирования. Затем мы последовательно представляем анализ, который оценивает способность модели восстанавливать языковой выбор участников, временные задержки и уровни согласия ответов. Влияние когнитивных и личностных характеристик на степень, в которой модель R–W отражает изучение языка, анализируется в конце раздела «Результаты».

Вес ассоциации изученной формы существительного и глагола

Следуя процедуре подгонки, описанной ранее в разделе вычислительного моделирования, мы выбрали модель, которая лучше всего отражала выбор, сделанный каждым участником в ходе испытаний, путем нахождения «правильного» параметра скорости обучения (см. Приложение S6 в онлайн-вспомогательной информации). Каждый участник в основном характеризовался двумя режимами точности соответствия модели: один для скорости обучения в диапазоне примерно от 0,05 до 0,11, а другой для скорости обучения между 0,12 и 0,50 (за некоторыми исключениями, как для участников 12, 19, 27 и 35). , для которого существовало три режима точности), причем ни один из двух режимов последовательно не приводил к лучшей точности соответствия модели. В целом, хотя объясненная вариативность в выборе, обусловленная параметром скорости обучения, была ограничена, внесение участниками корректировок этого параметра все же было полезным и полезным: мы заметили, что не было единого значения скорости обучения, которое приводило бы к самой высокой точности соответствия модели для все участники. Другими словами, по-видимому, существуют значительные индивидуальные различия в скорости обучения. На рисунке 2 показано распределение полученных весов ассоциаций всех возможных пар форм существительное-глагол из наиболее подходящих моделей.

В целом, распределение весов ассоциаций было одинаковым в каждой категории сигналов (например, MA1, MA2 и MA3 в категории uMA), что подкрепляло нашу группировку сигналов на основе грамматического рода и одушевленности существительных, которые они представляют. Во-вторых, что неудивительно, (неблокированные) сигналы мужского рода приобрели положительный вес ассоциации с формой множественного числа мужского рода (т. е. эти сигналы с большей вероятностью приведут к выбору формы множественного числа мужского рода), тогда как незаблокированные сигналы женского рода получили положительный вес ассоциации с немужской род (т.е. эти сигналы с большей вероятностью приведут к выбору немужского рода множественного числа). Величины весов также различались между участниками для большинства вопросов, создавая тем самым потенциальный инструмент для выявления индивидуальных различий в наших данных.

Как и прогнозировалось с помощью (стандартной) блокировки, веса связей между женскими заблокированными сигналами (т. е. FA3 и FP3) и немужской формой были более сосредоточены вокруг нуля, чем их неблокированные аналоги (см. панели для FA3 и FP3 на рисунке 2). Блокировка, однако, еще не полностью отражена в приобретенных весах, поскольку для многих участников веса ассоциаций между заблокированными женскими сигналами и немужской формой были отличны от нуля. Ингибирующий блокирующий эффект (т.е. отрицательный вес между FA4 и формой множественного числа мужского рода) возник примерно у трети участников. Для остальных участников FA4 был больше похож на стандартный блокированный сигнал, поскольку его вес ассоциации с мужской формой был около нуля. В совокупности эффекты, подобные блокированию, показали тенденции в предсказанных направлениях.

Мы предположили, что их относительно небольшая величина объясняется тем, что наш эксперимент охватывал ранние фазы обучения, когда воздействие стимулов повторялось только 15 раз. Эта гипотеза была подтверждена повторным запуском моделирования, представленного на рисунке 2, теперь с 1,000 повторениями на событие, как показано в Приложении S7 в онлайн-поддержке; Эффекты блокировки и ингибирования наблюдались у всех участников, независимо от их скорости обучения или порядка событий. Эти результаты подтверждают то, на что мы указывали ранее. Предвзятости и различия в обучении с большей вероятностью проявляются на ранних этапах обучения (Ellis, 2006a).

Коэффициенты совпадения участников и моделей

Затем мы исследовали, в какой степени эти различия в обучении могут быть отражены моделью R – W, ​​если мы примем во внимание порядок событий, с которыми сталкивается каждый участник, а также различия в их скорости обучения. Точность подгонки модели (т. е. доля совпадений между ответами данного участника и его наиболее подходящей моделью R–W) варьировалась от 0,24 до 1.00 (M=.68,SD { {6}} .17): у 17 из 63 участников точность соответствия была выше или равна 0,80, и только у девяти участников доля совпадений была ниже 0,50. Оценка соответствия модели с использованием перекрестной проверки с исключением одного исключения6 показывает, что точность соответствия модели была одинаково высокой для невидимых данных, со средней точностью 0,68 (SD=0,17) и 17 из 63 участников достигли точности соответствия, превышающей или равно 0,80. Показатели точности соответствия были самыми высокими для событий, содержащих личный мужской сигнал (M=0,74) или незаблокированный женский личный сигнал (M=0,68), и они были самыми низкими для событий, содержащих тормозящий заблокированный сигнал (M=.61) или анимированный сигнал (все означает≈ .65).

Эти результаты предполагают достаточно хорошее соответствие модели R–W данным участников, учитывая, что мы рассматривали простую стратегию генерации прогнозов реакции на основе активаций модели, то есть для каждого события мы выбирали форму глагола, которая имела наибольшую активацию. независимо от разницы в величинах активации двух возможных глагольных форм. Позже мы проанализируем чувствительность активированных моделей к наблюдаемым пропорциям выбора формы и времени отклика.

Сравнение модели Рескорлы-Вагнера и других стратегий принятия решений

Результаты, представленные выше, показывают, что модель R–W достаточно хорошо отражает поведение наших участников, но как эта модель соотносится с другими стратегиями, которые участники могли использовать во время эксперимента? Чтобы ответить на этот вопрос, мы рассмотрели четыре стратегии принятия решений. Первые две — это предписывающая и нормативная стратегии, которые мы представили ранее. Предписывающая стратегия описана или предписана в польских грамматических книгах, согласно которой участник всегда выбирает немужскую форму глагола, за исключением случаев, когда присутствует личный мужской сигнал (мы также называем эту стратегию стратегией «женского предвзятости»). Нормативная стратегия - это стратегия, обычно принятая носителями польского языка, при которой всегда выбирается мужская форма глагола, за исключением случаев, когда все сигналы являются женскими (так называемая стратегия «предвзятости мужского рода»). Мы также включили две основные стратегии, согласно которым участник либо всегда выбирает мужскую форму глагола (так называемую стратегию «только мужского рода»), либо всегда выбирает немужскую форму глагола (так называемую стратегию «только женского рода»). Последние две стратегии были включены для того, чтобы отразить крайние проявления поведения участников.

На рисунке 3 показана доля участников, лучше всего подходящая каждой из пяти полученных моделей (R–W и наши четыре стратегии принятия решений); мы рассматривали модель(и) с самым высоким коэффициентом соответствия участника модели среди пяти моделей как наиболее подходящую модель(и). Модель R–W была моделью, которая лучше всего объясняла ответы участников (31 из 63 участников), за ней следовала нормативная стратегия (26 участников). Остальные три стратегии объясняли выбор участников существенно хуже, чем эти две стратегии (< 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