Kļūdu labošanas mehānismi valodu apguvē: indivīdu modelēšana 1. daļa

Anotācija:

Kopš tās pirmās pieņemšanas kā skaitļošanas modelis valodu apguvei, ir uzkrāti pierādījumi, ka Rescorla–Wagner kļūdu labošanas mācīšanās (Rescorla & Wagner, 1972) aptver vairākus valodas apstrādes aspektus. Lai gan iepriekšējie pētījumi ir snieguši vispārēju atbalstu Reskorlas-Vāgnera likumam, izmantojot to, lai izskaidrotu dalībnieku uzvedību dažādos uzdevumos, mēs koncentrējamies uz modeļa radīto prognožu testēšanu kontrolētā dabiskās valodas apguves uzdevumā un modelējam datus individuālais apmācāmais.

Pastāv cieša saikne starp valodu apguvi un atmiņu. Mācoties jaunu valodu, mums ne tikai jāapgūst tās gramatika un vārdu krājums, bet arī jāiegaumē daudzi vārdi un izteicieni. Tāpēc atmiņai ir svarīga loma valodas apguves procesā.

Valodu apguve var stiprināt atmiņu. Daudzi pētījumi ir parādījuši, ka jaunas valodas apguve var stimulēt nervu darbību smadzenēs, veicināt vielmaiņu smadzeņu garozā un tādējādi stiprināt atmiņu. Jaunas valodas apguve var arī stimulēt smadzeņu neironu tīklu, padarot to veselīgāku un uzlabojot kognitīvās spējas, intelektu un loģisko domāšanu.

Valodas apguvei ir nepieciešama atkārtošana un prakse. Bieža runāšanas, klausīšanās un lasīšanas savienošana var padziļināt iespaidu un padarīt lietas neaizmirstamākas. Tajā pašā laikā, sazinoties ar citiem, mēs varam labāk iegaumēt jaunus vārdus un frāzes, uzzināt par dažādām valodu vidēm un kultūrām un vēl vairāk padziļināt izpratni par valodu.

Valodas apguve arī ļauj mums mainīt domāšanas veidu, uzlabo domāšanas elastību un radošumu, kā arī vēl vairāk uzlabo atmiņu. Paralēli varam vadīt arī valodu apguvi un atmiņas apmācību klausoties mūziku, skatoties filmas, lasot ķīniešu un ārzemju literatūru u.c., mācoties dažādos veidos un mācoties spēlējoties, lai mācību process būtu interesantāks, palielinātu mācīšanos. interesi un uzlabo atmiņu.

Tāpēc, apgūstot valodu, mēs varam izmantot dažādas metodes, lai praktizētu, koncentrētos uz atmiņas aktivitātēm un vingrinājumiem, pastāvīgi ieviestu jauninājumus mācību metodēs un metodēs, kā arī stiprinātu atmiņas apmācību, lai uzlabotu mācīšanās efektus un uzlabotu atmiņu. Var redzēt, ka mums jāuzlabo atmiņa. Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls ar daudziem unikāliem efektiem, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas iedarbīgumu nodrošina daudzas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var veicināt smadzeņu veselību dažādos veidos.

Noklikšķiniet uz zināt 10 veidus, kā uzlabot atmiņu

Pielāgojot modeļa parametrus, lai tie atbilstu dalībnieku individuālajām uzvedības izvēlēm, nevis piemērotu individuālu modeli, izmantojot vienu noklusējuma parametru kopu, mēs parādām, ka modelis precīzi atspoguļo dalībnieku izvēles, laika latentumus, un atbildes vienošanās līmeņi. Mēs arī parādām, ka dzimums un darba atmiņas ietilpība ietekmē to, cik lielā mērā Rescorla-Wagnermodel uztver valodu apguvi.

Atslēgvārdi

valodu apguve; kļūdu labošanas mācības; Reskorlas–Vāgnera modelis;morfoloģija; vienošanās.

Ievads

Mums, cilvēkiem, ir kopīgi ar citām sugām daudzi galvenie mācīšanās mehānismi, kas ļauj mums pielāgoties mūsu videi (Rescorla, 1988). Šie mehānismi, cita starpā, ietver klasisko kondicionēšanu (ti, Pavlova kondicionēšanu; Pavlovs, 1927), instrumentālo kondicionēšanu (arī operantu kondicionēšanu; Skinner, 1938) un sociālās mācīšanās formas, piemēram, mācīšanās ar vietni (Bandura, 1962).

Cilvēka unikālākā mācīšanās spēja ir valodu apguve, kas ietver arī efektīvu pārmantošanu starp paaudzēm un ir sociālās iekļaušanas un kohēzijas pamats. Tomēr, lai gan pamata mācīšanās mehānismi ir samērā labi saprotami, valodu apguve joprojām ir noslēpums (Ambridge & Lieven, 2011). Skinera (1957) agrīno mēģinājumu izskaidrot valodu apguvi, izmantojot tos pašus principus, kas regulē zemāka līmeņa kognitīvos uzdevumus, atcēla Chomsky (1959).

Lielāko daļu atlikušo 20. gadsimta daļu valoda tika uzskatīta par lielu iedzimtu sistēmu, ko regulē noteikumi un ko pārvalda unikāli cilvēciska un specializēta izziņas struktūra. Šī struktūra sākotnēji tika konceptualizēta kā valodas apguves ierīce un vēlāk tika paplašināta, lai kļūtu par universālu gramatiku.

Šis dominējošais viedoklis tika apstrīdēts no divām pusēm vienlaikus. Uz lietojumu balstītas lingvistikas parādīšanās 20. gadsimta 80. gados (Langacker, 1987) veicināja uzskatu par valodu kā dinamisku un varbūtības sistēmu, kas izriet no vispārējām kognitīvām spējām, kas iedarbojas uz valodas ievadi (D ˛abrowska & Divjak, 2015). Šis uzskats labi saskanēja ar konnekcionisma ietvariem, kas parādīja, ka likumiem līdzīga uzvedība var rasties, ja tiek pakļauta tikai lietojuma iedarbībai un ka valodas zināšanas ir jutīgas pret ievades īpašībām (Plaut & Gonnerman, 2000; Seidenberg & McClelland, 1989). '

Konekcionisms neapšaubāmi pavēra ceļu pārmaiņām arī teorijas veidošanā, virzoties uz uzskatu, ka valoda tiek apgūta tāpat kā jebkura cita prasme, un 2000. gadu sākumā sākās mācīšanās pamatprincipu reintegrācija valodas darbā (piemēram, seeBybee & McClelland, 2005; jaunākos darbus skatiet Ellis et al., 2016, kas pievēršas gan pirmās, gan otrās valodas apguvei, kā arī Chuanget al., 2021, kas pievēršas leksikas apguvei otrajā un trešajā valodā). Tagad tika uzskatīts, ka valoda ir pakļauta tām pašām vispārējas nozīmes izziņas spējām un mācīšanās mehānismiem, ko cilvēki un dzīvnieki izmanto, lai orientētos un pielāgotos videi (sal. Ellis, 2006a; Ellis & Sagarra, 2010, 2011; Sturdy & Nicoladis, 2017). .

Starp šiem mācīšanās modeļiem Rescorla un Wagner (1972) klasiskās kondicionēšanas modelis izceļas ar savu vienkāršību un spēju izskaidrot virkni empīriskās mācīšanās parādību (Siegel & Allan, 1996). Šis modelis ir bioloģiski ticams (Chen et al., 2008) un tam ir anevolūcijas priekšrocības salīdzinājumā ar citiem jaudīgākiem mācīšanās mehānismiem tādā ziņā, ka tam ir lielāka iespēja, ka tas tiks dabiski atlasīts un noturēsies evolūcijas procesā, salīdzinot ar citiem ticamiem mācīšanās mehānismiem (vairāk sīkāku informāciju skatiet Trimmers et al., 2012).

Fona literatūra

Rescorla-Vāgnera modelis

Kā klasiskās kondicionēšanas modelis Reskorlas-Vāgnera (R-W) modelis ir saistīts ar situācijām, kad vienībai (cilvēkam, dzīvniekam vai mašīnai) ir jāapgūst paredzamā saistība starp objektiem un/vai notikumiem (ti, norādes un rezultāti) vidē, un kur norādes sacenšas par savu paredzamo vērtību rezultātam, iteratīvi (pār)kalibrējot mācīšanās (vai asociācijas) svarus. Konkrētāk, asociācijas svars atspoguļo iznākuma tendenci, kas rodas noteiktas norādes klātbūtnē. Augstāka pozitīvās asociācijas svara vērtība konkrētam iznākumam atbilst lielākai iespējamībai, ka šis rezultāts iestāsies norādes klātbūtnē; otrādi, ļoti negatīva vērtība atbilst lielākai iespējamībai, ka šis rezultāts nenotiks (šajā gadījumā tiek uzskatīts, ka norāde ir inhibējoša). Vērtības, kas ir tuvu nullei, ir zemas iespējas novērot (ja svars ir pozitīvs) vai kavēt (ja svars ir negatīvs) iznākumu.

R–W modelī tiek pieņemts, ka organisms aprēķina vienkāršu kļūdu labošanas mācīšanās noteikumu, ko izmanto, lai atjauninātu asociācijas svaru katrā jaunatklāšanās notikumā (piemēram, katrā uzvedības eksperimenta izmēģinājumā). Korekcijas noteikuma vispārīgā ideja ir tāda, ka saistība starp norādi un rezultātu ir (a) nostiprināta, ja mācību notikumā ir gan norāde, gan rezultāts, (b) vājināta, ja norāde ir, bet rezultāts nav, un (c) ) paliek nemainīgs, ja pašas norādes nav.

Asociācijas svērumu atjaunināšanu nosaka neatbilstība starp paredzamo un iegūto rezultātu, tā ka atjaunināšanas lielumu — cik daudz asociācijas svari tiek koriģēti — nosaka divi parametri, ko sauc par mācīšanās ātrumiem, un atjaunināšanas virzienu — vai tas palielinās. svars vai samazina to — ir atkarīgs no atšķirības starp paredzamo un novēroto rezultātu. Tādā veidā R–W modelī mācīšanās galvenokārt ir saistīta ar rezultātiem, un tas atšķiras no saistītajiem modeļiem, kuros mācīšanās ir par ievades norādēm (piemēram, Pearce&Hall, 1980).

Vēl viena R-W modeļa iezīme ir tāda, ka, lai gan rezultāti tiek atjaunināti neatkarīgi viens no otra, ievades norādes sacenšas par rezultātu paredzamību.

Citiem vārdiem sakot, svērumu pielāgošana ir atkarīga ne tikai no vienas atjaunināmās norādes, bet arī no visām norādēm, kas atrodas mācību notikumā, izmantojot to asociācijas svaru summu. Šis norādes konkurences princips ļāva R–W modelim izskaidrot daudzas mulsinošas klasiskās kondicionēšanas parādības, no kurām dažas bija arī vērtīgas, lai izprastu valodu apguves mehānismu (skatiet nākamo sadaļu diskusijai).1 Viens no pazīstamākajiem piemēriem šādas mācīšanās parādības ir bloķējošais efekts (Kamin, 1969). Šis efekts rodas, ja norāde tiek apmācīta savienojumā ar otro signālu, lai prognozētu iznākumu, bet kad otrā norāde jau ir labs iznākuma prognozētājs. Šādos gadījumos pirmais signāls nevar veidot spēcīgu saistību ar iznākumu (ti, pirmo signālu bloķē otrais signāls). Vispārīgāk runājot, norādes konkurences princips bieži vien rada novērojumu, ka labākie rezultāta norādījumi neļauj citiem signāliem izveidot spēcīgu saistību ar to pašu rezultātu.

Reskorlas-Vāgnera modelis un valodu apguve

Kopš Ellisa (2006a) pirmoreiz pieminēja to valodu kontekstā, ir uzkrāti pierādījumi, kas liecina, ka R–W modelis var aptvert vairākus valodas apguves aspektus (piemēram, Baayen et al., 2011; Ellis, 2006b; Milin, Divjak, &Baayen, 2017). Milins, Feldmans u.c., 2017). Līdz šim pieejamie empīriskie pierādījumi izriet no pētījumiem, kas apmāca R–W modeli, kas izmanto noklusējuma parametru vērtības (šeit mēs atsaucamies uz diviem mācīšanās ātruma parametriem, ko izmanto, lai atjauninātu saistību svaru pēc katra jauna notikuma), parasti vai nu nelielā paraugā no eksperimentiem mākslīgās valodas vai liels tekstu korpuss.2 Pēcapmācības mācīšanās pasākumi tiek iegūti no simulētā modeļa un tiek salīdzināti ar novērotajiem atbildes mērījumiem no eksperimentāla uzdevuma.

Pirmā problēma ir tāda, ka prognozes šādiem modeļiem (un no tiem) parasti tiek ģenerētas neatkarīgi no eksperimenta (izņemot tādus izņēmumus kā Ramscar & Yarlett, 2007 un Divjak et al., 2021, kur modelis ģenerēja hipotēzes, kas jāpārbauda eksperimentāli). .

Parametri parasti tiek iestatīti uz to noklusējuma vērtībām, neizmantojot iespēju ņemt vērā mainīgumu, kas var rasties, modelējot modeli ar dažādām parametru vērtībām (lai gan sk. Olejarczuk et al., 2018, kuri izmantoja fiksētas parametru vērtības, bet katram uzstādīja atsevišķu modeli dalībnieka datus, izmantojot to pašu piemēru secību, ar kādu saskārās dalībnieks). Iekļaujot mainīgumu, kas izriet no modeļa parametriem, pielāgojot mācību modeļus valodas datiem, ir potenciāls uzlabot eksperimentā novēroto individuālo atšķirību izskaidrojamību, jo īpaši tāpēc, ka valodas lietojums un reprezentācija ir joma, kurā ir vērojamas milzīgas individuālās atšķirības (D˛abrowska, 2018). .

Modeļa apmācība lielapjoma korpusā rada vēl lielākas izmaksas. Šeit mēs atstājam malā jautājumu par līdzības (trūkumu) starp korpusa saturu un ievadi, ko saņem valodas lietotāji (kas apgrūtina konverģences liecību pētījumus kopumā; kopsavilkuma labad diskusiju skatiet Klavan & Divjak, 2016, un izmantoto piemēru kolekcijas skatiet Divjak & Gries, 2012 unGries & Divjak, 2012). Šeit mēs koncentrējamies uz citu problēmu: Apmācība uz korpusa izsauc divus galvenos modeļa mainīguma avotus, proti, tos, kas saistīti ar modeļa parametru izvēli un apmācības piemēru secību, kas galvenokārt ir aktīvi mācīšanās sākumposmā (Shanks, 1995). Skatiet arī Milin et al., 2020, lai vispārīgāku diskusiju par izmēģinājuma secības efekta kļūdu labošanas mācīšanos.3 Šīs agrīnās novirzes, kā tās sauca Eliss (2006a), veido īstu R–W modeļa pārbaudi pirms tā. var izmantot kā paraugu valodu apguvei plašā mērogā. Parametru mainīguma modelēšana un R–W modeļa apmācība uz tiem pašiem piemēriem, ar kuriem saskārās dalībnieki, ir jaunas iespējas valodu apguves izpratnei, kas iepriekšējos pētījumos vēl nav pilnībā izpētītas.

Pašreizējais pētījums

Šī pētījuma mērķis ir modelēt, kā atsevišķi valodu apguvēji iesaistās konkrētajā uzdevumā, veicot izmēģinājumus, kas ir pakāpeniski mainīgs izaicinājums diskriminācijas vai kļūdu labošanas mācīšanās pielietošanai valodu apguvē kopumā un R-W modeli. tā kā iepriekšējie pētījumi ir snieguši vispārēju atbalstu R-W likumam, izmantojot šo modeli, lai izskaidrotu dalībnieku uzvedību dažādu uzdevumu veikšanā (Divjak, 2019; Milin & Blevins, 2020; Milin, Feldman, et al., 2017; Pirrelli et al., 2020), mēs koncentrējamies uz kontrolētu dabiskās valodas apguves uzdevuma modelēšanas radīto prognožu testēšanu un modelējam datus atsevišķa valodas apguvēja līmenī. To darot, mēs uzskatām, ka katrs dalībnieks ir atsevišķa mācību vienība, ko pārvalda dažādas spējas, kuras, būtiski, tiek formalizētas, izmantojot izvēlētā modeļa mācīšanās parametrus.

Ņemot vērā, ka vairākos pētījumos ir ziņots, ka klasisko kondicionēšanas veiktspēju var ietekmēt kognitīvās un personiskās īpašības, piemēram, darba atmiņa (Baetu et al., 2018; Sasaki, 2009), dzimums (Lonsdorfet al., 2015; Merz et al., 2018), un vecumu (piemēram, Mutter et al., 2012), mēs arī pētām, vai šādas īpašības varētu ietekmēt R-Wlike valodas apguves mehānisma pieņemšanu.

Lai sasniegtu šos mērķus un risinātu šos jautājumus, mēs izstrādājām vienkāršotu dabiskās valodas apguves uzdevumu: vienkāršotu, lai izmantotu stingras empīriskās kontroles priekšrocības, bet tikai daļēji, lai saglabātu apņemšanos ievērot ekoloģisko derīgumu, piedāvājot naturālistiskāku valodas ievades pieredzi. Uzdevums saprātīgā mērā atspoguļo to, kā cilvēki iemācītos poļu valodas priekšmetu un darbības vārdu vienošanos kartējumus, izmantojot dabiskos piemērus.

Mēs apmācījām angļu valodas runātājus, izmantojot rūpīgi izstrādātus piemērus, kuriem bija gan dzirdes, gan vizuālā dimensija un kas ietvēra dažas sarežģītības, kas raksturīgas subjekta un darbības vārda vienošanās poļu valodā. Tālāk katrs dalībnieks individuāli izvēlējāmies vispiemērotāko modeli (ti, parametrus, kas radīja visciešāko atbilstību starp dalībnieka atbildēm un modeli), izmantojot tos pašus apmācību piemērus, ar kuriem saskārās dalībnieks. Pēc tam mēs novērtējām R-W modeļa spēju atgūt dalībnieku valodas izvēli, kā arī viņu laika latentumus, un salīdzinājām to ar citām ticamām, tomēr uz noteikumiem balstītām atbildes stratēģijām. Visbeidzot, mēs pārbaudījām, vai kognitīvās un personiskās īpašības, piemēram, darba atmiņas spēja, vecums un dzimums, ietekmē to, cik lielā mērā R-W modelis aptver valodu mācīšanos.

Metode

Dalībnieki

Sešdesmit seši dalībnieki (Mdnage=20 gadi; diapazons=18–65; 41 sieviete) piedalījās eksperimentā apmaiņā pret Amazon kuponu 7 £. Dalībnieki bija augstskolu studenti un darbinieki. Viņiem visiem bija angļu dzimtā valoda, viņi nezināja poļu vai citas slāvu valodas, viņiem bija normāla vai normāla dzirde un redze, un viņi nebija paziņojuši par mācīšanās traucējumiem. Dalībniekiem bija atšķirīga izglītība, un daudzi no viņiem varēja runāt citās valodās. papildus angļu valodai (izglītības un valodu pieredzes sadalījums ir parādīts S1 pielikumā tiešsaistes atbalsta informācijā).

Materiāli un procedūra

Visi mūsu materiāli, tostarp dati un kods, ir atklāti pieejami vietnē Github (https://github.com/ooominds/Error-correction-mechanisms-in-languagelearning) un Birmingemas Universitātes brīvpiekļuves repozitorijā UBIRA (https:/ /doi.org/10.25500/edata.bham.00000911). Dalībnieki aizpildīja trīs uzdevumus un īsu anketu šādā secībā: (a) valodas apguves uzdevums (galvenais uzdevums), (b) precīza zināšanu un demogrāfiskā aptauja, (c) netiešs mācību uzdevums un (d) darba atmiņa ( WM) uzdevums. (Detalizēts katra uzdevuma apraksts ir sniegts nākamajā sadaļā.)

Valodu apguves un netiešās mācīšanās uzdevumi tika īstenoti un prezentēti dalībniekiem, izmantojot OpenSesame (Mathôt et al., 2012; Mathôt & March 2022). Demogrāfiskā anketa tika iesniegta, izmantojot Google Forms, un WM uzdevums tika pārvaldīts, izmantojot Tatool (von Bastian et al., 2013). Eksperiments tika veikts vai nu individuāli, vai, kad vien iespējams, pa pāriem, klusā telpā, izmantojot Intel Core i. 7-8700 datori, kuros darbojas operētājsistēma Windows 10 un aprīkoti ar Iiyama G-Master 24.5-in. monitori, kas darbojas ar frekvenci 59 Hz ar ekrāna izšķirtspēju 1920 × 1080 pikseļi. Dalībnieki dzirdēja dzirdes stimulus, izmantojot Bose QuietComfort 35 II troksni slāpējošās austiņas, un reģistrēja savas atbildes, izmantojot tastatūru. Eksperimenta pabeigšana aizņēma apmēram 50 minūtes.

For more information:1950477648nn@gmail.com