Fehlerkorrekturmechanismen beim Sprachenlernen: Modellierung von Individuen Teil 2

Sprachlernaufgabe

Unsere vereinfachte Aufgabe zum Erlernen natürlicher Sprache wurde von der Herausforderung inspiriert, die Subjekt-Verb-Übereinstimmung im Plural der Vergangenheitsform auf Polnisch zu lernen. Im Präteritum werden Verben nach folgenden Regeln für das grammatikalische Geschlecht des Subjekts markiert:

1. Wenn einer der Referenten eine maskuline Personalendung ist (z. B. „Mann“), dann ist das Geschlecht des Subjekts als Ganzes –li, was manchmal als maskuline Personalendung bezeichnet wird.

Das Erlernen natürlicher Sprache ist eine Fähigkeit, die uns hilft, Sprache besser zu verstehen und anzuwenden. Das Gedächtnis ist eine ebenso wichtige Fähigkeit, die uns hilft, Wissen und Fähigkeiten besser zu beherrschen. Die Beziehung zwischen den beiden ist eng und sie ergänzen sich.

Erstens kann das Erlernen natürlicher Sprachen unser Gedächtnis verbessern. Wenn wir neue Vokabeln und Grammatikregeln lernen, müssen wir sie wiederholt üben und auswendig lernen, was unser Gedächtnis trainieren kann. Wenn wir ein aussagekräftiges und logisches Sprachmodell erstellen können, können wir uns relevantes Wissen leichter merken und verstehen.

Darüber hinaus kann uns das Gedächtnis auch dabei helfen, natürliche Sprache besser zu lernen. Wenn wir uns einige grundlegende Sprachstrukturen und Vokabeln merken und beherrschen, können wir Sprache leichter verstehen und anwenden, was uns auch dabei hilft, mehr Erfahrung und Fähigkeiten im Prozess der Verbesserung der Fähigkeiten zum Erlernen natürlicher Sprachen zu sammeln.

Kurz gesagt, das Erlernen natürlicher Sprachen und das Gedächtnis sind sehr wichtige Fähigkeiten, die wir kontinuierlich trainieren und verbessern müssen. Nur wenn wir die Vorteile beider Sprachen voll ausschöpfen, können wir die Sprache leichter lernen und beherrschen und dadurch unser Leben besser und bunter gestalten. Es ist ersichtlich, dass wir unser Gedächtnis verbessern müssen. Cistanche deserticola kann unser Gedächtnis erheblich verbessern, da Cistanche deserticola auch das Gleichgewicht von Neurotransmittern regulieren kann, beispielsweise durch die Erhöhung des Acetylcholinspiegels und der Wachstumsfaktoren. Diese Stoffe sind sehr wichtig für das Gedächtnis und das Lernen. Darüber hinaus kann Fleisch aus Fleisch auch die Durchblutung verbessern und die Sauerstoffversorgung fördern, wodurch sichergestellt werden kann, dass das Gehirn ausreichend Nährstoffe und Energie erhält, wodurch die Vitalität und Ausdauer des Gehirns verbessert werden.

Klicken Sie auf „Ergänzungen zur Verbesserung des Gedächtnisses kennen“.

2. Wenn die Referenten weiblich (z. B. „Ente“), weiblich (persönlich) (z. B. „Mädchen“) oder neutral (z. B. „Kind“) sind, dann ist das Geschlecht des Subjekts –ły, auf das manchmal Bezug genommen wird als nicht-männliches persönliches Ende.

3. Präskriptive Grammatiken und polnische Muttersprachler sind sich nicht einig darüber, welche Form einem Subjekt zugeordnet werden sollte, das mehrere maskulin-animierte Referenten enthält, die keine Personen sind (z. B. „Der Hund und die Katze gingen spazieren“) oder maskulin-animierte und feminine persönliche Referenten vermischt (z. B. „Das Mädchen und der Hund gingen spazieren“). Laut Kiełkiewicz-Janowiak und Pawelczyk (2014) schreiben Grammatiklehrbücher die Verwendung von –ły vor, während Muttersprachler offenbar die Verwendung von –li bevorzugen.

Um unsere vereinfachte Aufgabe zum Erlernen natürlicher Sprache zu entwerfen, haben wir die ersten beiden Regeln implementiert, gingen jedoch davon aus, dass ein Subjekt, das aus maskulinen, animierten Referenten besteht, mit der maskulinen Personalform verwendet werden sollte, wie von Kiełkiewicz-Janowiak und Pawelczyk (2014) vorgeschlagen. Wir haben ein solches Zugeständnis gemacht, um die Testbarkeit unserer Aufgabe aus Lernperspektive zu verbessern, wie im folgenden Aufgabenentwurf erläutert.

Reize

Jedes Ereignis in unserer Lernaufgabe bestand aus einer Szene, die eine gemeinsame Aktion einer Gruppe menschlicher und/oder tierischer Charaktere darstellte, und für jedes Lernereignis sahen die Teilnehmer ein Bild, das die Szene darstellte (Abbildung 1), zusammen mit einer Audioaufnahme davon eine polnische Klausel, die es beschreibt. Ein neuer Versuch begann mit einem Fixierungspunkt, der etwa 500 ms lang in der Mitte des Bildschirms angezeigt wurde, gefolgt von der gleichzeitigen Anzeige des Bildes der Szene. Die Teilnehmer hörten die Audioaufnahme des Abschnitts, der die Szene beschreibt, 250 ms nach Beginn des Bildes der Szene, während das Bild weiterhin angezeigt wurde. Nach etwa 1 s wurde dann ein neuer Versuch präsentiert.

Wir haben die Verbwahl („gehen“) mit ihren beiden möglichen Pluralformen im Präteritum chodziły (nichtmännliche Pluralform) und choli (männliche Pluralform) als gemeinsame Handlung in allen Lernveranstaltungen verwendet. Ein Beispiel für einen Satz, den die Teilnehmer hörten, ist Chłopiec i kaczka chodzili („Der Junge und die Ente gingen spazieren“). Die ersten drei Spalten in Tabelle 1 enthalten eine Liste aller im Experiment verwendeten Charaktere zusammen mit ihren sprachlichen Kategorien in Bezug auf Geschlecht und Animation; Die letzten beiden Spalten betreffen die Gestaltung der Aufgabe und werden im nächsten Abschnitt relevant.

Die Bilder, die die verschiedenen menschlichen und tierischen Charaktere darstellen, wurden aus Adobe Stock (https://stock.adobe.com) extrahiert und dann mit Adobe Photoshop CC 2018 bearbeitet. Die Audioaufnahmen sowohl der Charakterbezeichnungen als auch der beiden Verbformen wurden mit dem Sprachsynthesizer erstellt softwareSpeech2Go (Harpo Software, 2018).

Wir haben unsere Aufgabe auf diese Weise strukturiert, um blockierungsähnliche Effekte zu erzeugen, wie sie normalerweise in Pawlowschen Lernexperimenten zu sehen sind. Beispielsweise sollte das Hinzufügen der Hinweise FA3 und FP3 zu den Verbindungen „FA1 + FA2“ bzw. „FP1 + FP2“ im zweiten Block die Assoziationsstärke verringern, die durch FA3 und FP3 erreicht werden kann Ergebnis np. Ebenso sollte das Training von MP1 und MP2 mit „outcomemp“ im ersten Block verhindern, dass FA4 eine positive Assoziation mit „mp“ erhält. Neben der Vorhersage, dass FA4 blockiert werden könnte, sagten wir auch voraus, dass es für mp hemmend werden könnte, das heißt, ein negatives Assoziationsgewicht mit mp gewinnen könnte, wie wir sehen werden, wenn wir die Ergebnisse der Modellanpassungssimulation präsentieren.4

Daher bezeichnen wir FA3 und FP3 als blockierte Signale und FA4 als hemmende blockierte Signale.

Wir haben die Hinweise basierend auf ihren sprachlichen Eigenschaften und den von ihnen vorhergesagten blockierenden Effekten in sieben verschiedene Kategorien eingeteilt (siehe Spalte ganz rechts in Tabelle 1). Konkret basierten die sieben Kategorien darauf, ob der Hinweis männlich oder weiblich ist, ob er persönlich oder belebt ist, ob vorhergesagt wird, dass er blockiert oder nicht blockiert wird, und ob es vorhergesagt wird, dass es sich um einen hemmenden, blockierten Hinweis handelt. Die Ähnlichkeit zwischen den Hinweisen innerhalb jeder dieser Kategorien wird durch die Tatsache verstärkt, dass sie gemäß der R-W-Theorie mit jedem Ergebnis die gleichen Assoziationsgewichte haben, wie im Abschnitt „Ergebnisse“ über erlernte Assoziationsgewichte zwischen Nomen und Verbformen gezeigt wird.

Entwurf

Zunächst wurden den Teilnehmern die polnischen Bezeichnungen der verschiedenen tierischen und menschlichen Charaktere beigebracht, die in der Lernaufgabe verwendet wurden. Konkret wurden den Teilnehmern die Bilder aller Charaktere zusammen mit ihren entsprechenden Bezeichnungen präsentiert, zunächst einzeln und dann in Kombination, wie sie später in der Lernaufgabe erscheinen (z. B. ein Hund, ein Junge, ein Hund und ein Affe). Es gab acht solcher Zeichenkombinationen, und die Teilnehmer mussten sich mindestens sieben davon merken (dh um eine Erinnerungsgenauigkeit von 87,5 % zu erreichen), bevor sie mit der Hauptaufgabe fortfahren konnten (weitere Einzelheiten finden Sie in Anhang S2 in den Hintergrundinformationen online). Den Teilnehmern standen bis zu 10 Versuche zur Verfügung, um die erforderliche Genauigkeitsstufe zu erreichen.

Die Hauptaufgabe bestand aus einer Trainings- und einer Testphase. Der Aufbau des Trainingsteils der Aufgabe ist in Tabelle 2 zusammengefasst. Die Aufgabe enthielt 12 Hinweise und zwei Ergebnisse. Das „+“-Zeichen zeigt an, dass die Hinweise im Verbund präsentiert wurden, und das Pfeilsymbol „→“ zeigt an, dass das Ergebnis auf der rechten Seite den Hinweisen folgte. So stellt beispielsweise „FP1 + FP2 + FP3 → np“ einen Satz wie Dziewczyna, kobieta i babcia chodziły („Das Mädchen, die Frau und die Oma gingen“ dar), wobei Das Subjekt des Satzes besteht aus drei weiblichen Zeichen und das Verb steht in der nichtmännlichen Pluralform (np) Vergangenheitsform, im Gegensatz zur männlichen Pluralform (mp) Vergangenheitsform. Es gab zwei Trainingsblöcke mit jeweils vier Disziplinen, die jeweils 15 Mal wiederholt wurden. Die Reihenfolge der Ereignisse wurde innerhalb jedes Blocks vollständig randomisiert. Die Ereignisse im ersten Block bestanden aus Cue-Paaren, während die im zweiten Block aus Cue-Triples bestanden.

Nach dem Training ging der Teilnehmer in die Testphase über. Der Test bestand aus zwei Komponenten. Indem wir einen zufällig generierten Hinweis aus jeder Kategorie verwendeten, testeten wir das Lernen einmal für alle möglichen Paare, wobei wir entweder Hinweise aus derselben Hinweiskategorie (z. B. FP1 + FP2 aus der uFP-Gruppe) oder Hinweise aus verschiedenen Kategorien (z. B. MA{ {2}} FP3 aus den Gruppen uMA und bFP). Wir haben auch die vier Kombinationen bestehend aus Cue-Triples, die in der Trainingsphase präsentiert wurden, als Plausibilitätsprüfung für die Erinnerung der Teilnehmer einbezogen (diese Kombinationen wurden von unseren Hauptanalysen ausgeschlossen). Insgesamt stieß jeder Lernende in der Testphase auf insgesamt 29 Cue-Kombinationen, die zufällig aus insgesamt 70 möglichen Cue-Kombinationen ausgewählt wurden. (Das genaue Format und die Anweisungen, die bei der Verwaltung der Aufgabe verwendet werden, finden Sie in Anhang S2 in den Hintergrundinformationen online, und die Liste aller Test-Cue-Kombinationen finden Sie in Anhang S3.)

Kehren wir abschließend zu der Frage zurück, warum wir die Regel von Kiełkiewicz-Janowiak und Pawelczyk (2014) übernommen haben, wonach jede Subjektkombination, die einen männlichen Referenten enthält, die männliche persönliche Pluralform annimmt. Erstens ermöglichte die Verknüpfung der Kombination „MA1 + MA2 + MA3“ mit „mp“ anstelle von „np“ eine ausgewogene Anzahl von mp- und np-Ereignissen sowohl innerhalb der gesamten Aufgabe als auch innerhalb jedes Blocks . Dadurch verringerte sich die Wahrscheinlichkeit, dass allein aufgrund des Designs Vorurteile gegenüber NP entstehen. Zweitens ermöglichte uns dies, anspruchsvollere Kombinationen zu entwickeln, die das Lernen der Teilnehmer besser testen, insbesondere Kombinationen, die weibliche und männliche Hinweise vermischen.

Analyse

Aus der Lernaufgabe wurden die Daten von drei Teilnehmern verworfen, weil sie während der gesamten Testphase durchgängig dieselbe Antwort wählten (27 oder mehr von 29 Antworten; d. h. Rate > 93 %).5 Um die Entscheidungen und Antwortzeiten der Teilnehmer zu analysieren, verwendeten wir generalisierte gemischte Antworten -Effektmodellierung. Die Daten enthielten wiederholte Messungen von denselben Teilnehmern und Items in mehreren Versuchen, daher haben wir zufällige Effekte sowohl für Teilnehmer als auch für Items hinzugefügt (z. B. Hinweiskombinationen in der Testphase). Wir wählten die Struktur der zufälligen Effekte der Modelle aus, indem wir eine Top-Down-Strategie verwendeten, die mit allen zufälligen Schnittpunkten und Steigungen begann und dann zufällige Effekte höherer Ordnung Schritt für Schritt auf der Grundlage der Akaike-Informationskriteriumswerte entfernte. Wir haben die Mixed-Effects-Modelle inR (R Core Team, 2019) mit dem lme4-Paket ausgeführt; Die p-Werte wurden mit dem größten Paket basierend auf den Näherungen von Satterthwaite ermittelt und die Modellzusammenfassungstabellen wurden mit dem sjPlot-Paket generiert. Um die statistische Signifikanz zu bestimmen, haben wir einen Alpha-Wert von 0,05 verwendet. Bei der Analyse der Antwortzeiten haben wir die im Carpackage implementierte Box-Cox-Methode verwendet, um die Verteilung in die Normalität umzuwandeln und die statistische Modellierung zu erleichtern.

Explizites Wissen und demografischer Fragebogen

Nach Abschluss der Sprachlernaufgabe füllten die Teilnehmer einen Fragebogen aus, in dem sie gefragt wurden, ob sie explizite Regeln verwendeten, um zu entscheiden, wann sie die beiden Verbformen verwenden sollten, und wenn ja, welche Regeln sie hatten. Der Fragebogen sammelte auch Informationen über das Geschlecht der Teilnehmer, ihr Alter, die von ihnen gesprochenen Sprachen (außer Englisch) und ihren höchsten Bildungsabschluss. Eine vollständige Liste der im Fragebogen verwendeten Fragen finden Sie in Anhang S4 in den Hintergrundinformationen online. Wir konzentrieren uns speziell auf die Rolle von Alter und Geschlecht bei der Erklärung aller individuellen Unterschiede, die bei der Anpassung des R-W-Modells an die Daten beobachtet werden. Dies liegt daran, dass Alter und Geschlecht nachweislich sowohl das assoziative Lernen als auch den Erwerb einer zweiten Sprache beeinflussen. Beispielsweise haben Mutter et al. (2012) zeigten, dass es bei älteren Erwachsenen weniger wahrscheinlich ist, dass Hinweis-Ergebnis-Assoziationen erworben werden als bei jungen Erwachsenen. Es ist außerdem gut belegt, dass ältere Erwachsene beim Erlernen einer zweiten Sprache weniger effektiv sind als junge Erwachsene (für eine Übersicht siehe Muñoz & Singleton, 2011) und mehr Schwierigkeiten bei der Sprachproduktion haben (Burke & Shafto, 2004). Mehrere Studien haben außerdem berichtet, dass Frauen bei assoziativen Lernaufgaben ein höheres Konditionierungsniveau aufweisen (Lonsdorf et al., 2015; Merz et al., 2018) und Sprache effektiver erwerben (Adani & Cepanec, 2019; van der Slik et al., 2015) als Männer .

Neben der Hauptlernaufgabe haben wir eine Standardaufgabe zur impliziten Lernfähigkeit und eine zum Arbeitsgedächtnis (WM) integriert. Wir haben diese beiden Aufgaben ausgewählt, weil sie hervorstechende Eigenschaften des Lernaufbaus erfassen: (a) die Tatsache, dass keine expliziten Anweisungen gegeben wurden; und (b) die Tatsache, dass das sprachliche Phänomen als diskontinuierlich angesehen werden kann, da Eigenschaften (Konstellationen) des zuerst genannten Agenten bestimmen, welche Vergangenheitsendung für das als zweites erwähnte Verb verwendet wird, so dass eine gewisse Beibehaltung des Agenten gewährleistet ist -bezogene Informationen im Speicher sind erforderlich. Da unsere Messung der impliziten Lernfähigkeit nicht dem Standard entspricht und in unseren Modellen keine wesentliche Rolle spielte, berichten wir über diese Aufgabe in Anhang S5 der Online-Unterstützenden Informationen.

Arbeitsgedächtnisaufgabe

Reize

Um die WM-Kapazität der Teilnehmer zu messen, verwendeten wir eine leicht modifizierte Version des Operation Span Test (Turner & Engle, 1989), der von Medimorec et al. (2021) verwendet wurde. In jedem Versuch wurden die Teilnehmer gebeten, eine Liste mit Ziffern (zwischen 1 und 9) aufzubewahren, die nacheinander präsentiert wurden. Jede Ziffernpräsentation dauerte 1 Sekunde und wurde von einer einfachen mathematischen Operation gefolgt, die entweder richtig oder falsch sein konnte (50 % der mathematischen Operationen waren korrekt). Die Teilnehmer mussten die Richtigkeit der mathematischen Operation überprüfen, bevor die nächste Ziffer angezeigt werden konnte. Am Ende jedes Versuchs mussten sie die Ziffern in der gleichen Reihenfolge eintippen, in der sie ihnen vorgelegt wurden. Die Länge der Ziffernlisten erhöhte sich schrittweise von zwei auf acht, wobei jede Länge dreimal wiederholt wurde. Die Aufgabe bestand somit aus 21 Versuchen.

Analyse

Wir haben die WM-Spanne jedes Teilnehmers berechnet, indem wir zunächst die Anzahl der korrekten Elemente, die er in Erinnerung hatte, in der richtigen Reihenfolge summierten und dann die erhaltene Punktzahl z-transformierten. Wir haben einen Teilnehmer, dessen WM-Wert diskontinuierlich war, vom Rest der Stichprobe ausgeschlossen (sein WM-Wert betrug −4,3 Standardabweichungen vom Mittelwert, wohingegen der zweitgrößte WM-Wert −1,8 Standardabweichungen vom Mittelwert betrug).

Computergestützte Modellierung

Die Rescorla-Wagner-Gleichungen

Das R-W-Modell (Rescorla & Wagner, 1972) beschreibt rechnerisch, wie die Zusammenhänge zwischen Hinweisen und Ergebnissen hergestellt werden. Im Kontext unseres Experiments ist ein Hinweis die polnische Bezeichnung und das Bild einer der menschlichen oder tierischen Figuren, die bei einem bestimmten Versuch in der Szene auftauchen, und ein Ergebnis ist die Verbform, die ihre gemeinsame Handlung beschreibt. Zum Beispiel hat der Satz Chłopiec,m ˛ezczyzna i małpa chodzili ˙ („Der Junge, der Mann und der Affe gingen“) als Stichworte chłopiec, m ˛ezczyzna ˙ und małpa und als Ergebnis chodzili. In unserem Fall misst das Assoziationsgewicht (oder die Assoziationsstärke) die Tendenz einer Verbform, in Gegenwart eines bestimmten Substantivs aufzutreten.

Nachdem er auf eine Klausel gestoßen ist, aktualisiert der Lernende mithilfe einer Delta-Korrekturregel die Assoziationsgewichtung zwischen einem Stichwort ci und einem Ergebnis o, je nachdem, ob Stichwort und Ergebnis im Satz vorkommen:

Der Index t bezieht sich auf den aktuellen Versuch, daher ist wt (ci, o) die Assoziationsstärke zwischen ci und o zum Zeitpunkt des Versuchs t. und bezeichnen die Lernraten für den Cue ci bzw. das Ergebnis o. λ bezieht sich auf die maximale Assoziierbarkeit zu einem Ergebnis und wird fast immer auf 1 gesetzt.

Basierend auf der Gleichung bestimmen drei Fälle, wie ein Assoziationsgewicht angepasst wird:

1. Wenn das Stichwort fehlt, passen wir das Gewicht nicht an.

2. Wenn sowohl der Hinweis als auch das Ergebnis vorhanden sind, liefert dies einen positiven Beweis, der das Assoziationsgewicht stärken sollte, und die Summe der Gewichte der im aktuellen Ereignis vorhandenen Hinweise wird in Richtung des maximalen Assoziabilitätswerts angepasst.3. Wenn der Hinweis vorhanden ist, das Ergebnis jedoch nicht beobachtet wird, liefert dies einen negativen Beweis, der das Assoziationsgewicht schwächen sollte, und die Summe der Gewichte wird in Richtung 0 angepasst.

Für die Implementierung des Modells verwendeten wir das Paket, das im Rahmen der Studie von Milin et al. entwickelt wurde. (2020).

Vorhersage von Entscheidungen anhand des Modells

Um eine Verbformauswahl (oder in der Terminologie des Modells ein Ergebnis) aus dem Modell bei einem bestimmten Satz von Hinweisen zu generieren, berechnen wir zunächst die Aktivierung jeder Form, indem wir die Assoziationsgewichte zwischen der Form und jedem der relevanten Hinweise summieren. Die vom Modell vorhergesagte Reaktion ist dann die Form mit der höchsten Aktivierung. Wenn zum Beispiel bei einem bestimmten Versuch in der Testphase eine Szene mit einem Mädchen und einem Affen vorkommt, dann werden die Aktivierungen der maskulinen Pluralform (mp; chodzili) und der nichtmaskulinen Pluralform (np; chodziły) wie folgt berechnet:

Dabei haben wir für die Formeln die am Ende der Trainingsphase erhaltenen Endgewichte verwendet und daher die Testindizes weggelassen (in der Testphase findet kein Lernen statt). Wenn aktiv (np) > aktiv (mp), würde das Modell die np-Form vorhersagen, andernfalls würde es die mp-Form vorhersagen.

Modellanpassungsverfahren

In unseren Simulationen gingen wir davon aus, dass λ=1 und=1 und betrachteten die Lernrate als einen freien Parameter, der für jeden Teilnehmer geschätzt werden muss (von nun an beziehen wir uns immer auf die Lernrate, wenn wir von der Lernrate sprechen). Parameter).Konkret führten wir 50 Computersimulationen pro Teilnehmer durch, wobei wir die Rastersuche für einen Bereich von 0,01 bis 0,50 verwendeten. In jeder Simulation haben wir einen virtuellen Agenten so programmiert, dass er sich gemäß dem R-W-Modell verhält, und haben ihm dieselben Trainingsversuche vorgelegt wie der Teilnehmer, dessen Lernhistorie wir modellieren wollten. Aus dem trainierten Modell haben wir dann Formularauswahlmöglichkeiten für dieselben Versuche generiert wie der Teilnehmer, der in der Testphase angetroffen wurde. Schließlich haben wir die Lernrate (und damit das Modell) ausgewählt, die die Übereinstimmungsrate zwischen den beobachteten Antworten des Teilnehmers und den vorhergesagten Antworten des Modells maximiert (dh den Anteil der Testelemente, für die das Modell die gleiche Antwort wie der Lernende erzeugte). Aufgrund der Nichtidentifizierbarkeit des am besten passenden Modells, bei dem in manchen Fällen mehr als ein Lernratenwert die Übereinstimmungsrate maximierte, haben wir die mittlere Lernrate als besten Parameter ausgewählt.

Modellbewertung

Um die Verhaltensdaten der Teilnehmer zu erklären, haben wir aus dem angepassten R-W-Modell ein aktivierungsbasiertes Maß abgeleitet, das wir Aktivierungsunterstützung für ein Ergebnis nennen. Das Maß zielt darauf ab, die Formularauswahl und Reaktionszeiten der Teilnehmer zu erklären und ist definiert als die Differenz zwischen der Aktivierung des interessierenden Ergebnisses und der Aktivierung des verbleibenden Ergebnisses. Die Aktivierungsunterstützung für die nichtmännliche Pluralform (np) ist beispielsweise wie folgt gegeben:

Aktivierungsunterstützung (np)=aktiv (np) − aktiv (mp)

Wir stellten die Hypothese auf, dass die Wahrscheinlichkeit, dass diese Form von den Teilnehmern ausgewählt wird, umso höher ist, je höher die Aktivierungsunterstützung für eine Verbform ist (d. h. je stärker die Beweise aus dem Modell sind, die die Verbform im Vergleich zur anderen möglichen Form unterstützen). Wir erwarteten auch, dass das Ausmaß der Aktivierungsunterstützung negativ mit den Reaktionszeiten der Teilnehmer korrelieren würde. Mit anderen Worten: Je höher die Größe dieses Maßes, desto schneller wäre die Reaktion des Teilnehmers. Dies sollte sich in einer quadratischen Beziehung zwischen Aktivierungsunterstützung und Antwortzeiten niederschlagen, wobei die langsamsten Antworten erwartet werden, wenn die Aktivierungsunterstützungswerte nahe Null liegen, und die schnellsten Antworten bei hohen positiven oder negativen Werten erwartet werden.

Ergebnisse

In diesem Abschnitt wird bewertet, inwieweit das R-W-Modell das Verhalten unserer Teilnehmer erklärt, indem ein separates Modell an die Daten jedes Teilnehmers angepasst wird, und es wird getestet, ob die Qualität der Modellanpassung durch individuelle Unterschiede wie WM-Spanne, Alter und Geschlecht beeinflusst wird. Wir präsentieren zunächst einige deskriptive Ergebnisse zu den Assoziationsgewichten der angepassten Modelle, die die in der Sprachlernaufgabe erworbenen Sprachkenntnisse der Teilnehmer zusammenfassen. Als nächstes vergleichen wir die Anpassungsqualität des Modells mit der anderer plausibler, aber regelbasierter Antwortstrategien. Anschließend präsentieren wir nacheinander Analysen, die die Fähigkeit des Modells bewerten, die Sprachauswahl, Zeitlatenzen und den Grad der Antwortübereinstimmung der Teilnehmer wiederherzustellen. Die Auswirkung kognitiver und persönlicher Merkmale auf das Ausmaß, in dem das R-W-Modell das Sprachenlernen erfasst, wird am Ende des Abschnitts „Ergebnisse“ analysiert.

Gelernte Assoziationsgewichte zwischen Nomen und Verben

Nach dem zuvor im Abschnitt über rechnerische Modellierung beschriebenen Anpassungsverfahren wählten wir das Modell aus, das die Entscheidungen, die jeder Teilnehmer in den Versuchen traf, am besten erfasste, indem wir den „richtigen“ Lernratenparameter fanden (siehe Anhang S6 in den Online-Hintergrundinformationen). Jeder Teilnehmer zeichnete sich hauptsächlich durch zwei Regime der Modellanpassungsgenauigkeit aus: eines für Lernraten zwischen etwa 0,05 und 0,11 und eines für Lernraten zwischen 0,12 und 0,50 (mit einigen Ausnahmen, wie bei den Teilnehmern 12, 19, 27 und 35). , für die es drei Genauigkeitsregime gab), wobei keines der beiden Regime durchgängig zu einer besseren Modellanpassungsgenauigkeit führte. Obwohl die erklärte Variabilität der durch den Lernratenparameter verursachten Auswahlmöglichkeiten begrenzt war, war die Vornahme von Anpassungen für diesen Parameter durch die Teilnehmer dennoch vorteilhaft und aufschlussreich: Wir stellten fest, dass es keinen einzelnen Lernratenwert gab, der zur höchsten Modellanpassungsgenauigkeit führte alle Teilnehmer. Mit anderen Worten: Es scheint erhebliche individuelle Unterschiede in der Lerngeschwindigkeit zu geben. Abbildung 2 zeigt die Verteilungen der erfassten Assoziationsgewichte aller möglichen Nomen-Verb-Formpaare aus den am besten passenden Modellen.

Insgesamt waren die Verteilungen der Assoziationsgewichte innerhalb jeder Cue-Kategorie ähnlich (z. B. MA1, MA2 und MA3 innerhalb der uMA-Kategorie), was unsere Gruppierung der Cues basierend auf dem grammatikalischen Geschlecht und der Belebtheit der von ihnen repräsentierten Substantive verstärkt. Zweitens und nicht überraschend gewannen die (nicht blockierten) maskulinen Hinweise ein positives Assoziationsgewicht mit der maskulinen Pluralform (d. h. diese Hinweise führen eher zu einer Wahl für die maskuline Pluralform), wohingegen die nicht blockierten femininen Hinweise ein positives Assoziationsgewicht mit gewannen die nichtmännliche Form (d. h. diese Hinweise führen mit größerer Wahrscheinlichkeit zu einer Entscheidung für die nichtmännliche Pluralform). Auch die Größe der Gewichtungen unterschied sich bei den meisten Hinweisen zwischen den Teilnehmern, wodurch ein potenzielles Instrument zur Erfassung individueller Unterschiede in unseren Daten geschaffen wurde.

Wie durch (Standard-)Blockierung vorhergesagt, waren die Assoziationsgewichte zwischen den weiblichen blockierten Hinweisen (d. h. FA3 und FP3) und der nichtmaskulinen Form stärker um Null zentriert als bei ihren nicht blockierten Gegenstücken (siehe die Bereiche für FA3 und FP3 in Abbildung 2). Die Blockierung spiegelt sich jedoch noch nicht vollständig in den erfassten Gewichten wider, da bei vielen Teilnehmern die Assoziationsgewichte zwischen den blockierten weiblichen Hinweisen und der nichtmännlichen Form von Null verschieden waren. Bei etwa einem Drittel der Teilnehmer trat ein hemmender, blockierender Effekt (dh ein negatives Gewicht zwischen FA4 und der männlichen Pluralform) auf. Für die übrigen Teilnehmer ähnelte FA4 eher einem standardmäßigen blockierten Hinweis, da sein Assoziationsgewicht mit der männlichen Form bei etwa Null lag. Zusammengenommen zeigten blockartige Effekte Tendenzen in die vorhergesagte Richtung.

Wir gingen davon aus, dass ihr relativ geringes Ausmaß darauf zurückzuführen war, dass unser Experiment frühe Phasen des Lernens erfasste, in denen die Exposition der Reize nur 15 Mal wiederholt wurde. Diese Hypothese wurde bestätigt, indem die in Abbildung 2 dargestellten Simulationen erneut ausgeführt wurden, jetzt mit 1,000 Wiederholungen pro Ereignis, wie in Anhang S7 in den Hintergrundinformationen online gezeigt; Blockierende und hemmende Blockierungseffekte traten bei allen Teilnehmern auf, unabhängig von ihrer Lerngeschwindigkeit oder Ereignisreihenfolge. Diese Ergebnisse bestätigen, was wir zuvor betont haben. Vorurteile und Unterschiede beim Lernen manifestieren sich eher zu Beginn des Lernens (Ellis, 2006a).

Übereinstimmungsraten zwischen Teilnehmer und Modell

Als nächstes untersuchten wir, inwieweit diese Lernunterschiede durch das R-W-Modell erfasst werden können, wenn wir die Reihenfolge der Ereignisse, denen jeder Teilnehmer begegnet, sowie Unterschiede in seinen Lernraten berücksichtigen. Die Anpassungsgenauigkeit des Modells (d. h. der Anteil der Übereinstimmungen zwischen den Antworten eines bestimmten Teilnehmers und seinem am besten passenden R-W-Modell) lag zwischen .24 und 1.00 (M=.68,SD { {6}} .17): 17 von 63 Teilnehmern hatten eine Passgenauigkeit größer oder gleich .80, und nur neun Teilnehmer hatten einen Anteil an Übereinstimmungen von weniger als .50. Die Auswertung der Modellanpassung mithilfe der weggelassenen Kreuzvalidierung6 zeigt, dass die Genauigkeit der Modellanpassung bei nicht sichtbaren Daten gleich hoch war, mit einer durchschnittlichen Genauigkeit von 0,68 (SD=0,17) und 17 von 63 Teilnehmern eine Anpassungsgenauigkeit von mehr als erreichten oder gleich .80. Die Anpassungsgenauigkeitsraten waren am höchsten für Ereignisse, die einen männlichen persönlichen Hinweis (M=,74) oder einen nicht blockierten weiblichen persönlichen Hinweis (M=,68) enthielten, und sie waren am niedrigsten für Ereignisse, die den hemmend blockierten Hinweis enthielten (M).=.61) oder ein animierter Hinweis (alle Mittelwerte ≈ .65).

Diese Ergebnisse deuten darauf hin, dass das R-W-Modell relativ gut zu den Daten der Teilnehmer passt, da wir eine einfache Strategie zur Generierung von Antwortvorhersagen basierend auf den Modellaktivierungen in Betracht gezogen haben – das heißt, wir haben für jedes Ereignis die Verbform ausgewählt, die die höchste Aktivierung aufwies unabhängig vom Unterschied in der Aktivierungsstärke der beiden möglichen Verbformen. Wir werden später die Empfindlichkeit der Aktivierungen der angepassten Modelle auf die beobachteten Formauswahlverhältnisse und Reaktionszeiten analysieren.

Vergleich zwischen dem Rescorla-Wagner-Modell und anderen Entscheidungsstrategien

Die oben präsentierten Ergebnisse zeigen, dass das R-W-Modell das Verhalten unserer Teilnehmer einigermaßen gut erfasst, aber wie schneidet das Modell im Vergleich zu anderen Strategien ab, die die Teilnehmer möglicherweise während des Experiments angewendet haben? Um diese Frage zu beantworten, haben wir vier Entscheidungsstrategien betrachtet. Die ersten beiden sind die präskriptiven und normativen Strategien, die wir zuvor vorgestellt haben. Die präskriptive Strategie ist diejenige, die in polnischen Grammatikbüchern beschrieben oder vorgeschrieben wird, wobei ein Teilnehmer immer die nicht-männliche Verbform wählt, außer wenn ein männlicher persönlicher Hinweis vorhanden ist (wir bezeichnen diese Strategie auch als die „weiblich-voreingenommene“ Strategie). Die normative Strategie wird im Allgemeinen von polnischen Muttersprachlern übernommen, wobei immer die männliche Verbform gewählt wird, außer wenn alle Hinweise weiblich sind (sogenannte Strategie mit „maskuliner Voreingenommenheit“). Wir haben auch zwei Grundstrategien einbezogen, bei denen ein Teilnehmer entweder immer die maskuline Verbform wählt (sogenannte „nur maskuline“ Strategie) oder immer die nichtmaskuline Verbform wählt (sogenannte „nur weibliche“ Strategie). Die beiden letztgenannten Strategien wurden einbezogen, um das Verhalten der Teilnehmer in Extremsituationen zu erfassen.

Abbildung 3 zeigt den Anteil der Teilnehmer, die für jedes der fünf resultierenden Modelle (R–W und unsere vier Entscheidungsstrategien) am besten geeignet sind. Wir betrachteten die Modelle mit der höchsten Teilnehmer-Modell-Übereinstimmungsrate unter den fünf Modellen als die am besten geeigneten Modelle. Das R-W-Modell war das Modell, das die Antworten der Teilnehmer am besten erklärte (31 von 63 Teilnehmern), dicht gefolgt von der normativen Strategie (26 Teilnehmer). Die anderen drei Strategien erklärten die Entscheidungen der Teilnehmer wesentlich schlechter als diese beiden Strategien (< 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