交叉重疊類別結(jié)構(gòu)的自主學(xué)習(xí)優(yōu)勢(shì)和集中學(xué)習(xí)劣勢(shì)*

岳 芳 陳劍平 甘可鑫 王宇情 劉志雅

交叉重疊類別結(jié)構(gòu)的自主學(xué)習(xí)優(yōu)勢(shì)和集中學(xué)習(xí)劣勢(shì)*

岳 芳 陳劍平 甘可鑫 王宇情 劉志雅

(華南師范大學(xué)心理應(yīng)用研究中心/心理學(xué)院, 廣州 510631)

本研究采用四類別交叉重疊結(jié)構(gòu), 探索了不同學(xué)習(xí)方式(集中、交錯(cuò)、隨機(jī)和自主)對(duì)基于規(guī)則和信息整合類別學(xué)習(xí)的影響, 通過(guò)計(jì)算模型的數(shù)據(jù)分析方法對(duì)265名被試的學(xué)習(xí)策略進(jìn)行了模型擬合。結(jié)果發(fā)現(xiàn), 在基于規(guī)則和信息整合任務(wù)中, 自主學(xué)習(xí)者均能較多地使用最優(yōu)策略, 自主學(xué)習(xí)的分類正確率均顯著高于集中學(xué)習(xí)的分類正確率。并沒有出現(xiàn)前人發(fā)現(xiàn)的規(guī)則學(xué)習(xí)的集中學(xué)習(xí)優(yōu)勢(shì)和信息整合學(xué)習(xí)的交錯(cuò)學(xué)習(xí)優(yōu)勢(shì)。結(jié)果表明, 自主學(xué)習(xí)存在學(xué)習(xí)效率上的優(yōu)勢(shì)而集中學(xué)習(xí)存在劣勢(shì), 可能是因?yàn)榻徊嬷丿B類別結(jié)構(gòu)對(duì)自主學(xué)習(xí)的影響相對(duì)少于對(duì)集中學(xué)習(xí)的影響。

類別學(xué)習(xí), 交叉重疊類別結(jié)構(gòu), 交錯(cuò)學(xué)習(xí), 集中學(xué)習(xí), 自主學(xué)習(xí)

1 前言

人類需要將紛繁復(fù)雜的各類知識(shí)進(jìn)行分門別類的加工, 這一對(duì)人類生存具有重要影響的認(rèn)知活動(dòng)即為類別學(xué)習(xí)(Ashby et al., 1998; Seger & Miller, 2010)。例如, 自然界中, 許多生物將對(duì)象區(qū)分為有害或者無(wú)害, 并據(jù)此做出是否逃避的判斷。根據(jù)類別學(xué)習(xí)多系統(tǒng)模型, 如COVIS模型(Competition between Verbal and Implicit Systems), 假定類別學(xué)習(xí)至少存在兩個(gè)相互競(jìng)爭(zhēng)的學(xué)習(xí)系統(tǒng)：外顯的陳述性系統(tǒng)和內(nèi)隱的程序性系統(tǒng)。前者依賴工作記憶和執(zhí)行注意, 并通過(guò)明確的假設(shè)?檢驗(yàn)過(guò)程來(lái)習(xí)得類別知識(shí), 后者則基于大腦與特定動(dòng)作建立的聯(lián)結(jié)來(lái)習(xí)得類別知識(shí)(Ashby et al., 1998; Ashby & Valentin, 2017; Erickson & Kruschke, 1998)。在揭示類別學(xué)習(xí)多系統(tǒng)的認(rèn)知機(jī)制研究中, 主要涉及的類別結(jié)構(gòu)有兩種：基于規(guī)則(Rule-Based, RB)和信息整合(Information-Integration, II)的類別結(jié)構(gòu)(Ashby & Maddox, 2011; Nomura et al., 2007)。基于規(guī)則的類別結(jié)構(gòu)主要依賴于外顯的陳述性系統(tǒng), 分類規(guī)則可以明確用言語(yǔ)表達(dá); 信息整合的類別結(jié)構(gòu)則主要依賴于內(nèi)隱的程序性系統(tǒng), 需要整合不同維度加以學(xué)習(xí), 規(guī)則難以用言語(yǔ)表達(dá)(如圖1)。

在人類獲得類別知識(shí)的現(xiàn)實(shí)情景中, 學(xué)習(xí)者通常具有自主性, 有時(shí)會(huì)在一個(gè)類別內(nèi)集中學(xué)習(xí), 有時(shí)又會(huì)在不同類別間交替學(xué)習(xí), 我們把這種學(xué)習(xí)方式定義為“自主學(xué)習(xí)”。類別學(xué)習(xí)多系統(tǒng)理論能否在這種學(xué)習(xí)方式下獲得支持, 有一定的理論研究?jī)r(jià)值。但對(duì)于以往研究, 無(wú)論是集中學(xué)習(xí)或交錯(cuò)學(xué)習(xí), 學(xué)習(xí)者都被視為信息的被動(dòng)積累者, 不能自行決定刺激的學(xué)習(xí)順序(Carvalho & Goldstone, 2014; Noh et al., 2016; Rawson et al., 2015; Rohrer et al., 2020; Zulkiply & Burt, 2013)。其中, “集中學(xué)習(xí)”指學(xué)習(xí)者學(xué)習(xí)完一個(gè)類別, 再學(xué)習(xí)下一類別, 如“AAABBBCCC”?！敖诲e(cuò)學(xué)習(xí)”指學(xué)習(xí)者學(xué)習(xí)了一個(gè)類別的刺激, 再學(xué)習(xí)另一個(gè)類別的刺激, 如“ABCDADBCBADC”。Noh等人(2016)通過(guò)觀察學(xué)習(xí), 即刺激和類別標(biāo)簽同時(shí)呈現(xiàn)的學(xué)習(xí), 發(fā)現(xiàn)集中學(xué)習(xí)有利于基于規(guī)則的類別學(xué)習(xí), 交錯(cuò)學(xué)習(xí)有利于信息整合的類別學(xué)習(xí)。研究者認(rèn)為在規(guī)則任務(wù)中, 集中學(xué)習(xí)可以幫助學(xué)習(xí)者從不相關(guān)的維度中識(shí)別出相關(guān)維度, 并生成每個(gè)類別的檢驗(yàn)規(guī)則, 這將有利于基于規(guī)則的類別學(xué)習(xí); 交錯(cuò)學(xué)習(xí)則需要學(xué)習(xí)者同時(shí)生成4個(gè)類別的檢驗(yàn)規(guī)則, 這會(huì)加重工作記憶的負(fù)荷, 不利于基于規(guī)則的類別學(xué)習(xí)。而在信息整合任務(wù)中, 與集中學(xué)習(xí)相比, 交錯(cuò)學(xué)習(xí)更容易促使學(xué)習(xí)者放棄基于規(guī)則的陳述性系統(tǒng)轉(zhuǎn)而使用信息整合的程序性系統(tǒng), 使交錯(cuò)學(xué)習(xí)更具有優(yōu)勢(shì)。這一研究結(jié)果支持了類別學(xué)習(xí)多系統(tǒng)理論。但當(dāng)前在類別學(xué)習(xí)領(lǐng)域, 針對(duì)自主學(xué)習(xí)的效率機(jī)制研究, 仍缺少實(shí)證數(shù)據(jù)。

注：根據(jù)轉(zhuǎn)換公式, 將坐標(biāo)系上的每個(gè)點(diǎn)轉(zhuǎn)換成具有物理意義單位的數(shù)據(jù), 最后生成線段。長(zhǎng)度的轉(zhuǎn)換公式為：l = x + 50, 角度的轉(zhuǎn)換公式為：o = y×π/500, 長(zhǎng)度的范圍為0～350像素, 角度的范圍為0～90度。

因此, 本研究比較了學(xué)習(xí)者采用自主、集中、交錯(cuò)和隨機(jī)學(xué)習(xí)方式的分類正確率和學(xué)習(xí)策略, 試圖更深入地探索類別學(xué)習(xí)的效率機(jī)制, 這也為類別學(xué)習(xí)多系統(tǒng)理論的檢驗(yàn)提供更有力的實(shí)驗(yàn)證據(jù)。Markant和Gureckis (2010)發(fā)現(xiàn), 當(dāng)增加類別學(xué)習(xí)者的主動(dòng)性, 即學(xué)習(xí)者可以自主調(diào)整刺激的特征量進(jìn)行類別學(xué)習(xí)時(shí), 獲得了更好的學(xué)習(xí)效果。此時(shí), 學(xué)習(xí)者能更快地掌握分類規(guī)則。Lu等人(2021)采用了Carvalho和Goldstone (2014)開發(fā)的斑點(diǎn)材料, 操縱了類別內(nèi)與類別間的相似性水平, 發(fā)現(xiàn)自主學(xué)習(xí)者比被動(dòng)學(xué)習(xí)者表現(xiàn)更好。他們認(rèn)為, 自主學(xué)習(xí)者可能具有“決策驅(qū)動(dòng)(decision driven)”和“數(shù)據(jù)驅(qū)動(dòng)(data driven)”的優(yōu)勢(shì)?！皼Q策驅(qū)動(dòng)”指自主學(xué)習(xí)會(huì)增加學(xué)習(xí)者的選擇權(quán)和學(xué)習(xí)動(dòng)力, 促使任務(wù)參與度的提高(Gureckis & Markant, 2012; Leotti et al., 2010; Markant & Gureckis, 2010)。此時(shí), 自主學(xué)習(xí)者的分類成績(jī)與集中、交錯(cuò)方式的切換存在顯著的相關(guān)關(guān)系?！皵?shù)據(jù)驅(qū)動(dòng)”指學(xué)習(xí)者可以查詢刺激空間中最有可能犯分類錯(cuò)誤的區(qū)域, 通過(guò)減少不確定性和避免冗余信息來(lái)優(yōu)化學(xué)習(xí)效果(Gureckis & Markant, 2012; Markant & Gureckis, 2010)?；谏鲜鲅芯拷Y(jié)果推測(cè), 學(xué)習(xí)者在自主學(xué)習(xí)條件下可能會(huì)兼具集中、交錯(cuò)學(xué)習(xí)的優(yōu)點(diǎn), 并能克服這兩者的不足, 最終能在不同類別結(jié)構(gòu)的學(xué)習(xí)中呈現(xiàn)出優(yōu)勢(shì)效應(yīng)。

此外, 在探究學(xué)習(xí)方式對(duì)不同類別結(jié)構(gòu)的影響時(shí), Noh等人(2016)采用了完全分離的類別結(jié)構(gòu)。這種類別結(jié)構(gòu)容易混淆基于規(guī)則和信息整合的學(xué)習(xí)者, 一旦兩個(gè)類別離決策界限足夠遠(yuǎn), 信息整合任務(wù)同樣也可以基于規(guī)則習(xí)得。例如, Ashby等人(1999)讓學(xué)習(xí)者觀察學(xué)習(xí)完全分離的兩類別結(jié)構(gòu), 發(fā)現(xiàn)對(duì)于信息整合類別, 學(xué)習(xí)者大多使用某種次優(yōu)的一維規(guī)則策略; 而對(duì)于規(guī)則類別, 學(xué)習(xí)者始終使用規(guī)則策略, 導(dǎo)致無(wú)法準(zhǔn)確分離兩種類別學(xué)習(xí)者。其次, 這兩種類別的學(xué)習(xí)速度存在較大的差異。對(duì)于規(guī)則類別, 學(xué)習(xí)者可以基于完善的規(guī)則學(xué)習(xí)系統(tǒng), 并利用邏輯推理能力來(lái)加速學(xué)習(xí)進(jìn)程; 對(duì)于信息整合類別, 由于缺乏明確的邏輯規(guī)則, 因此學(xué)習(xí)者必須以更慢、更漸進(jìn)的聯(lián)想學(xué)習(xí)方式對(duì)類別成員進(jìn)行分類(Ashby et al., 2020)。由此可見, 需要在學(xué)習(xí)步調(diào)相當(dāng)?shù)娜蝿?wù)間進(jìn)行比較。更為重要的是, 在現(xiàn)實(shí)生活中, 類別間總是存在著重疊, 人們并不能根據(jù)某條絕對(duì)的界限完美地區(qū)分兩個(gè)類別。而且許多的物品, 有時(shí)屬于這種類別, 有時(shí)卻屬于另外一種類別(Murphy & Ross, 1999), 即“邊界模糊效應(yīng)” (Minda & Smith, 2001)。例如, “西紅柿”是否屬于“水果”？因此, 交叉重疊類別結(jié)構(gòu)更符合現(xiàn)實(shí)生活中的類別。

目前, 已有為數(shù)不多的類別學(xué)習(xí)研究涉及到交叉重疊類別結(jié)構(gòu), 為本研究采用交叉重疊四類別結(jié)構(gòu)提供了研究基礎(chǔ), 促使我們更好地探索學(xué)習(xí)者的學(xué)習(xí)策略。例如, Ell和Ashby (2006)通過(guò)反饋學(xué)習(xí)(學(xué)習(xí)者反應(yīng)后立即反饋正確結(jié)果), 探究了類別交叉重疊水平對(duì)兩種類別結(jié)構(gòu)的影響。結(jié)果發(fā)現(xiàn), 交叉重疊類別結(jié)構(gòu)對(duì)規(guī)則任務(wù)的影響要少于信息整合任務(wù), 并且中等水平的交叉重疊類別結(jié)構(gòu)最有利于學(xué)習(xí)策略的分離。此時(shí), 學(xué)習(xí)者使用最優(yōu)學(xué)習(xí)策略分類的正確率為96%, 使用次優(yōu)學(xué)習(xí)策略分類的正確率為75%。即采用中等交叉重疊的類別結(jié)構(gòu), 更有可能促使基于規(guī)則和信息整合類別學(xué)習(xí)者的準(zhǔn)確分離。Maddox等人(2004)也在類別重疊的中等水平上(學(xué)習(xí)者采用最優(yōu)學(xué)習(xí)策略分類的正確率為95%), 通過(guò)反饋學(xué)習(xí)方式關(guān)注了類別數(shù)量對(duì)不同類別結(jié)構(gòu)的影響。結(jié)果發(fā)現(xiàn)：對(duì)于兩類別結(jié)構(gòu), 學(xué)習(xí)者的基于規(guī)則的分類成績(jī)(89.0%)顯著高于信息整合的分類成績(jī)(84.6%); 對(duì)于四類別結(jié)構(gòu), 學(xué)習(xí)者的基于規(guī)則的分類成績(jī)(78.8%)則顯著低于信息整合的分類成績(jī)(82.7%)。這是因?yàn)轭悇e數(shù)量的增加對(duì)學(xué)習(xí)者的執(zhí)行注意和工作記憶提出了更高的需求, 從而降低了規(guī)則任務(wù)的分類正確率。因此, 本研究認(rèn)為采用接近中等交叉重疊水平的四類別結(jié)構(gòu)材料, 不僅能促使基于規(guī)則和信息整合類別學(xué)習(xí)者的分離, 還有可能平衡兩種類別在學(xué)習(xí)速度上的差異, 以更準(zhǔn)確地探討學(xué)習(xí)方式對(duì)不同類別結(jié)構(gòu)的影響。

綜上, 本研究采用四類別交叉重疊結(jié)構(gòu), 以平衡基于規(guī)則和信息整合任務(wù)之間的差異, 使學(xué)習(xí)者根據(jù)兩個(gè)維度分類的最大正確率為90%, 接近Ell和Ashby (2006)描述的中等重疊水平, 并將隨機(jī)學(xué)習(xí)方式作為基線水平, 全面考察4種學(xué)習(xí)方式對(duì)類別學(xué)習(xí)的影響, 形成了3個(gè)假設(shè)：第一, 交叉重疊類別結(jié)構(gòu)由于沒有絕對(duì)的分類規(guī)則, 基于規(guī)則的類別學(xué)習(xí)將不會(huì)出現(xiàn)集中學(xué)習(xí)優(yōu)勢(shì), 反而可能出現(xiàn)集中學(xué)習(xí)的劣勢(shì); 第二, 從信息加工的角度分析, 在集中條件下, 學(xué)習(xí)者關(guān)注的是類別內(nèi)的共同性信息, 而在交錯(cuò)學(xué)習(xí)條件下, 學(xué)習(xí)者更關(guān)注類別間的差異性信息。交叉重疊類別結(jié)構(gòu)會(huì)削弱類別間的差異性信息, 保持類別內(nèi)的共同性信息, 預(yù)期也不利于信息整合任務(wù)的交錯(cuò)學(xué)習(xí)。第三, 相對(duì)于被動(dòng)學(xué)習(xí), 如果自主學(xué)習(xí)存在“決策驅(qū)動(dòng)”、“數(shù)據(jù)驅(qū)動(dòng)”效應(yīng), 那么在兩種類別結(jié)構(gòu)的學(xué)習(xí)中將出現(xiàn)學(xué)習(xí)優(yōu)勢(shì)。

2 方法

2.1 被試

采用G*Power 3.1.9.7對(duì)實(shí)驗(yàn)的樣本量進(jìn)行估算, 設(shè)置參數(shù)effect size ?為0.25, I類錯(cuò)誤的概率αerr prob為0.05, 檢驗(yàn)效能Power (1 ? β err prob)為0.80, 計(jì)算得到最低樣本量為237人。實(shí)驗(yàn)最終有償招募某在校大學(xué)生265名, 男生92名, 女生173名, 平均年齡為20.50 ± 2.37歲。在規(guī)則任務(wù)中, 集中學(xué)習(xí)組32人(平均年齡為21.00 ± 3.24), 交錯(cuò)學(xué)習(xí)組30人(平均年齡為19.85 ± 1.85), 隨機(jī)學(xué)習(xí)組36人(平均年齡為19.75 ± 1.80), 自主學(xué)習(xí)組39人(平均年齡為20.24 ± 2.31); 在信息整合任務(wù)中, 集中學(xué)習(xí)組30人(平均年齡為21.80 ± 2.88), 交錯(cuò)學(xué)習(xí)組30人(平均年齡為21.84 ± 2.27), 隨機(jī)學(xué)習(xí)組35人(平均年齡為19.76 ± 1.71), 自主學(xué)習(xí)組33人(平均年齡為20.54 ± 2.20)。所有被試均為右利手、裸眼視力或矯正視力正常, 以前未參加過(guò)類似實(shí)驗(yàn), 均簽署知情同意書, 倫理號(hào)為SCNU-PSY-2021-102。

2.2 實(shí)驗(yàn)材料

實(shí)驗(yàn)材料是長(zhǎng)度和方向都會(huì)變化的線段, 由Matlab軟件生成。根據(jù)Ashby和Gott (1988)的隨機(jī)化技術(shù), 在300 × 300的坐標(biāo)系生成A、B、C和D四個(gè)類別的結(jié)構(gòu)圖, 每個(gè)類別都服從二維正態(tài)分布, 具體參數(shù)和類別結(jié)構(gòu)圖如表1、表2和圖1所示。

每個(gè)類別各有50個(gè)刺激, 共200個(gè)刺激。此外, 每個(gè)類別的交叉重疊程度為10%, 如A類別有50個(gè)刺激, 就有5個(gè)刺激在其他類別的分布范圍中。

表1 基于規(guī)則的類別結(jié)構(gòu)參數(shù)表

表2 信息整合的類別結(jié)構(gòu)參數(shù)表

2.3 設(shè)計(jì)和程序

采用2 (類別結(jié)構(gòu)：RB、II) × 4 (學(xué)習(xí)方式：集中、交錯(cuò)、隨機(jī)、自主)的被試間設(shè)計(jì)。因變量為正確率和反應(yīng)時(shí)。

通過(guò)psychopy 2021.1.2編程, 實(shí)驗(yàn)分為學(xué)習(xí)階段和測(cè)試階段。在學(xué)習(xí)階段, 被試需要觀察學(xué)習(xí)100個(gè)類別刺激(每個(gè)類別各25個(gè))。在測(cè)試階段, 被試需要對(duì)100個(gè)新的類別刺激進(jìn)行分類(每個(gè)類別各25個(gè)), 整個(gè)過(guò)程沒有反饋。實(shí)驗(yàn)流程如圖2所示。

對(duì)于被動(dòng)學(xué)習(xí)(集中、交錯(cuò)、隨機(jī)), 實(shí)驗(yàn)流程均相同。即實(shí)驗(yàn)以一個(gè)可點(diǎn)擊的NEXT圖標(biāo)作為開始, 被試點(diǎn)擊后, 出現(xiàn)500 ms的中央注視點(diǎn), 隨后出現(xiàn)一個(gè)帶有類別標(biāo)簽(A、B、C或D)的刺激, 持續(xù)3000 ms。刺激呈現(xiàn)結(jié)束后, 有一個(gè)1000 ms的空屏, 隨后將再次出現(xiàn)一個(gè)NEXT圖標(biāo), 接下來(lái)的程序同上。其中, 集中學(xué)習(xí)者需要在進(jìn)入下一個(gè)類別之前先觀察學(xué)習(xí)一個(gè)類別的25個(gè)刺激; 交錯(cuò)學(xué)習(xí)者需要交替學(xué)習(xí)100個(gè)類別刺激; 隨機(jī)學(xué)習(xí)者則需要根據(jù)隨機(jī)順序?qū)@100個(gè)類別刺激進(jìn)行學(xué)習(xí)。

與上述三種被動(dòng)學(xué)習(xí)方式不同, 對(duì)于自主學(xué)習(xí), 屏幕中央有4個(gè)可點(diǎn)擊的類別選擇按鈕, 每個(gè)類別選擇按鈕顯示了類別標(biāo)簽和可供學(xué)習(xí)的刺激數(shù)量, 被試可自行選擇所要學(xué)習(xí)的類別。被試選擇后, 屏幕中央會(huì)出現(xiàn)一個(gè)注視點(diǎn), 持續(xù)500 ms, 隨后呈現(xiàn)類別刺激及其對(duì)應(yīng)的類別標(biāo)簽, 持續(xù)3000 ms, 每個(gè)刺激之間有1000 ms的空屏。值得注意的是, 一旦被試學(xué)習(xí)完一個(gè)類別的25個(gè)刺激, 類別按鈕會(huì)保留在屏幕上, 但被試無(wú)法點(diǎn)擊。

在測(cè)試階段, 刺激是隨機(jī)呈現(xiàn)的, 整個(gè)過(guò)程沒有反饋。在每次刺激呈現(xiàn)之后, 被試需要在5000 ms內(nèi)點(diǎn)擊水平排列在每個(gè)刺激下方的4個(gè)按鍵s、d、k、l (標(biāo)記為A、B、C、D)之一, 以選擇他們認(rèn)為合適的類別標(biāo)簽。

2.4 決策邊界模型

為了進(jìn)一步識(shí)別被試在測(cè)試階段所采取的學(xué)習(xí)策略, 本實(shí)驗(yàn)采用了決策邊界模型(Decision BoundModel, DCM)。這一模型包含了一維規(guī)則模型、聯(lián)合規(guī)則模型、信息整合模型和隨機(jī)反應(yīng)模型(Maddox & Ashby, 2004; Noh et al., 2016; Roark et al., 2022)。

一維規(guī)則模型包括一維長(zhǎng)度和一維角度, 假設(shè)被試在一個(gè)感知維度上設(shè)定一個(gè)標(biāo)準(zhǔn), 并基于這一標(biāo)準(zhǔn)對(duì)刺激做出明確的決策。例如, 如果線段長(zhǎng)度是短的, 則歸為A類, 如果長(zhǎng)度是長(zhǎng)的, 則歸為B類。

圖2 實(shí)驗(yàn)流程圖

注：圖2(a)為被動(dòng)學(xué)習(xí)(集中、交錯(cuò)、隨機(jī))的實(shí)驗(yàn)流程圖, 圖2(b)為自主學(xué)習(xí)的流程圖。

聯(lián)合規(guī)則模型假設(shè)被試根據(jù)兩個(gè)感知維度進(jìn)行分類。例如, 如果線段長(zhǎng)度是短的, 角度比較陡峭, 則歸為A類; 如果線段長(zhǎng)度是長(zhǎng)的, 角度比較陡峭, 則歸為B類; 如果線段長(zhǎng)度是長(zhǎng)的, 角度比較平緩, 則歸為C類; 如果線段長(zhǎng)度是短的, 角度比較平緩, 則歸為D類(如圖1)。

信息整合模型假設(shè)每個(gè)類別的決策界限是線性的。被試需要使用信息整合策略, 即整合長(zhǎng)度和角度兩個(gè)維度的信息去分類, 分類規(guī)則難以用言語(yǔ)表達(dá)。

隨機(jī)反應(yīng)模型假設(shè)被試使用隨機(jī)猜測(cè)的方式, 或使用傾向性的隨機(jī)按鍵, 如傾向選擇A類別。

本研究通過(guò)上述4個(gè)模型對(duì)測(cè)試階段的數(shù)據(jù)進(jìn)行擬合, 并采用最大似然法估計(jì)模型參數(shù)。最后, 基于貝葉斯信息準(zhǔn)則(Bayesian Information Criterion,簡(jiǎn)稱BIC)比較模型與數(shù)據(jù)的擬合, 并對(duì)模型額外的自由參數(shù)進(jìn)行懲罰。BIC的計(jì)算公式如下：

BIC =ln– 2 ln

其中,是自由參數(shù)的個(gè)數(shù),是樣本數(shù)據(jù)的數(shù)量,是最大似然估計(jì)值。計(jì)算每個(gè)模型的BIC值, 選擇BIC值最小的模型作為被試使用的分類策略。

根據(jù)模型擬合的結(jié)果, 在基于規(guī)則的類別結(jié)構(gòu)中, 大部分被試使用了信息整合策略, 不符合實(shí)際情況。經(jīng)檢驗(yàn), 信息整合策略的BIC值和聯(lián)合規(guī)則模型的BIC值接近, 但信息整合策略的BIC值更低, 所以出現(xiàn)上述結(jié)果。為了更加準(zhǔn)確地判斷被試的分類策略, 本研究結(jié)合模型擬合的結(jié)果和被試的實(shí)際反應(yīng)來(lái)重新判斷被試的分類策略。

2.5 結(jié)果與分析

為了保證被試充分掌握本實(shí)驗(yàn)的分類規(guī)則并做出正確反應(yīng), 在規(guī)則任務(wù)中, 自主學(xué)習(xí)組的1名被試因正確率未達(dá)到隨機(jī)水平(25%)而被剔除; 在信息整合任務(wù)中, 隨機(jī)學(xué)習(xí)組的1名被試因正確率未達(dá)到隨機(jī)水平(25%)而被剔除。使用SPSS 26.0對(duì)余下的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析。

2.5.1 分類正確率

對(duì)測(cè)試階段的分類正確率進(jìn)行2 (類別結(jié)構(gòu)：基于規(guī)則、信息整合) × 4 (學(xué)習(xí)方式：集中、交錯(cuò)、隨機(jī)、自主)的完全隨機(jī)方差分析。結(jié)果如表3和圖3所示。

結(jié)果發(fā)現(xiàn), 類別結(jié)構(gòu)的主效應(yīng)顯著,(1, 255) = 11.58,= 0.001, ηp2= 0.04, 信息整合任務(wù)的分類正確率(= 0.64,= 0.12)顯著高于規(guī)則任務(wù)的分類正確率(= 0.59,= 0.16)。學(xué)習(xí)方式的主效應(yīng)顯著,(3, 255) = 10.49,< 0.001, ηp2= 0.11, 交錯(cuò)學(xué)習(xí)(= 0.62,= 0.13)、隨機(jī)學(xué)習(xí)(= 0.65,= 0.13)、自主學(xué)習(xí)(= 0.65,= 0.14)的分類正確率均顯著高于集中學(xué)習(xí)(= 0.53,= 0.14)的分類正確率。但是兩者交互作用不顯著,(3, 255) = 1.40,= 0.244。

為了探究在不同類別結(jié)構(gòu)下學(xué)習(xí)方式的學(xué)習(xí)效果, 本研究對(duì)測(cè)試階段的分類正確率進(jìn)行事后多重比較檢驗(yàn)。結(jié)果發(fā)現(xiàn), 對(duì)于基于規(guī)則的任務(wù), 集中學(xué)習(xí)的分類正確率顯著低于交錯(cuò)(= 0.012)、自主(< 0.001)、隨機(jī)學(xué)習(xí)(< 0.001)的分類正確率; 對(duì)于信息整合任務(wù), 集中學(xué)習(xí)的分類正確率顯著低于自主學(xué)習(xí)的分類正確率(= 0.028)。這也說(shuō)明在基于規(guī)則的任務(wù)中, 沒有出現(xiàn)集中學(xué)習(xí)的優(yōu)勢(shì), 在信息整合任務(wù)中, 同樣也沒有出現(xiàn)交錯(cuò)學(xué)習(xí)的優(yōu)勢(shì)。但不論是基于規(guī)則和信息整合任務(wù), 自主學(xué)習(xí)的分類正確率均顯著高于集中學(xué)習(xí)的分類正確率。此外, 本研究還進(jìn)一步發(fā)現(xiàn)自主學(xué)習(xí)者在基于規(guī)則和信息整合任務(wù)中的分類正確率沒有顯著差異(= 0.174)。

對(duì)測(cè)試階段的反應(yīng)時(shí)進(jìn)行2 (類別結(jié)構(gòu)：基于規(guī)則、信息整合) × 4 (學(xué)習(xí)方式：集中、交錯(cuò)、隨機(jī)、自主)的完全隨機(jī)方差分析。結(jié)果如表4所示。

結(jié)果發(fā)現(xiàn), 類別結(jié)構(gòu)的主效應(yīng)不顯著,(1, 255) =3.38,= 0.053。學(xué)習(xí)方式的主效應(yīng)不顯著,(3, 255) = 0.80,= 0.501。兩者間的交互作用也不顯著,(3, 255) = 1.04,= 1.048。結(jié)合正確率和反應(yīng)時(shí)數(shù)據(jù), 表明不存在速度?準(zhǔn)確性權(quán)衡。

2.5.2 自主學(xué)習(xí)分析

為了進(jìn)一步分析學(xué)習(xí)者在交叉重疊類別結(jié)構(gòu)下的自主學(xué)習(xí)行為, 本研究統(tǒng)計(jì)了學(xué)習(xí)者在學(xué)習(xí)階段的相關(guān)指標(biāo)：(1)學(xué)習(xí)者在不同類別間切換的比例(“切換率”), 由于學(xué)習(xí)階段有100次試驗(yàn), 每位學(xué)習(xí)者將有99次選擇, 而每次選擇都可以被定義為“交錯(cuò)”或“集中”。因此, 切換率的計(jì)算方法為：學(xué)習(xí)者切換的次數(shù)除以可選擇的總數(shù)(99)。(2)學(xué)習(xí)者集中學(xué)習(xí)的最長(zhǎng)長(zhǎng)度, 定義為連續(xù)重復(fù)學(xué)習(xí)一個(gè)類別, 并且重復(fù)次數(shù)最多; (3)學(xué)習(xí)者集中學(xué)習(xí)的平均長(zhǎng)度; (4)學(xué)習(xí)者交錯(cuò)學(xué)習(xí)的最長(zhǎng)長(zhǎng)度, 定義為連續(xù)交錯(cuò)學(xué)習(xí)一段類別刺激(例如, ABCACBAC), 且交錯(cuò)學(xué)習(xí)的次數(shù)最多; (5)學(xué)習(xí)者交錯(cuò)學(xué)習(xí)的平均長(zhǎng)度。如表5所示。

表3 兩種類別結(jié)構(gòu)下不同學(xué)習(xí)方式的平均分類正確率(M ± SD)

圖3 兩種類別結(jié)構(gòu)下不同學(xué)習(xí)方式的平均分類正確率

注：誤差線代表95%的置信區(qū)間,< 0.05,< 0.01,< 0.001

首先, 學(xué)習(xí)者在自主學(xué)習(xí)類別刺激時(shí), 規(guī)則任務(wù)的切換率為0.49, 信息整合任務(wù)的切換率為0.44, 盡管兩者沒有顯著差異(= 0.521), 但都介于0.030 (僅僅對(duì)4個(gè)類別切換3次, 即完全集中學(xué)習(xí))和1 (交錯(cuò)學(xué)習(xí)4個(gè)類別的所有樣例)之間。這表明學(xué)習(xí)者并不是完全集中或交錯(cuò)學(xué)習(xí), 而是會(huì)有策略性地使用集中、交錯(cuò)學(xué)習(xí)方式。

其次, 對(duì)于不同類別結(jié)構(gòu), 本研究利用相關(guān)分析考察了自主學(xué)習(xí)者的分類正確率與上述5個(gè)指標(biāo)之間的關(guān)系。結(jié)果表明, 對(duì)于規(guī)則任務(wù), 學(xué)習(xí)者集中學(xué)習(xí)類別刺激的最長(zhǎng)長(zhǎng)度與其分類正確率呈顯著負(fù)相關(guān)(= ?0.37,= 0.03), 學(xué)習(xí)者集中學(xué)習(xí)類別刺激的平均長(zhǎng)度與其分類正確率也呈顯著負(fù)相關(guān)(= ?0.48,= 0.002), 即學(xué)習(xí)者集中學(xué)習(xí)類別刺激的平均長(zhǎng)度越長(zhǎng), 其分類正確率越低; 對(duì)于信息整合任務(wù), 學(xué)習(xí)者集中學(xué)習(xí)類別刺激的平均長(zhǎng)度與其分類正確率也呈顯著負(fù)相關(guān)(= ?0.40,= 0.020)。這也進(jìn)一步表明集中學(xué)習(xí)存在劣勢(shì)。

2.5.3 學(xué)習(xí)策略分析

根據(jù)決策邊界模型擬合的結(jié)果, 對(duì)學(xué)習(xí)者測(cè)試階段的學(xué)習(xí)策略進(jìn)行統(tǒng)計(jì)分析。結(jié)果如表6和圖4所示。

表4 兩種類別結(jié)構(gòu)下不同學(xué)習(xí)方式的平均反應(yīng)時(shí)(M ± SD)

表5 衡量學(xué)習(xí)者集中和交錯(cuò)學(xué)習(xí)傾向程度的相關(guān)指標(biāo)(M ± SD)

表6 基于規(guī)則和信息整合類別結(jié)構(gòu)下學(xué)習(xí)策略擬合的人數(shù)與占比

注：某學(xué)習(xí)策略占比 = 某學(xué)習(xí)策略人數(shù)/總?cè)藬?shù)

首先, 對(duì)于規(guī)則任務(wù), 僅有37.5%的學(xué)習(xí)者在集中學(xué)習(xí)類別刺激時(shí), 采用聯(lián)合規(guī)則策略(這是習(xí)得規(guī)則任務(wù)的最佳策略), 而當(dāng)交錯(cuò)、隨機(jī)和自主學(xué)習(xí)類別刺激時(shí), 分別有73.3%、72.2%和73.7%的學(xué)習(xí)者采用聯(lián)合規(guī)則策略。進(jìn)一步分析發(fā)現(xiàn), 對(duì)于不同的學(xué)習(xí)方式, 學(xué)習(xí)者采取的學(xué)習(xí)策略有所不同,c2(12,= 137) = 35.35,< 0.001, effect size = 0.45。由此可見, 在基于規(guī)則的任務(wù)中, 集中學(xué)習(xí)交叉重疊類別結(jié)構(gòu)會(huì)影響學(xué)習(xí)者的決策策略, 因而并未發(fā)現(xiàn)集中學(xué)習(xí)的優(yōu)勢(shì)。

其次, 在信息整合任務(wù)中, 66.7%的學(xué)習(xí)者在集中學(xué)習(xí)類別刺激時(shí), 采用信息整合策略(這是習(xí)得信息整合任務(wù)的最佳策略), 而當(dāng)交錯(cuò)、隨機(jī)和自主學(xué)習(xí)類別刺激時(shí), 分別有76.7%、76.5%和75.8%的學(xué)習(xí)者采用信息整合策略。進(jìn)一步分析發(fā)現(xiàn), 對(duì)于不同學(xué)習(xí)方式, 學(xué)習(xí)者采取的學(xué)習(xí)策略并沒有顯著差異(= 0.272)。因此, 在信息整合任務(wù)中, 雖然交錯(cuò)、隨機(jī)以及自主學(xué)習(xí)均會(huì)促進(jìn)學(xué)習(xí)者對(duì)最優(yōu)策略的使用, 但并未發(fā)現(xiàn)自主學(xué)習(xí)相較于交錯(cuò)、隨機(jī)學(xué)習(xí)存在優(yōu)勢(shì)的證據(jù)。

3 討論

在真實(shí)的類別情境中, 學(xué)習(xí)者可以自由選擇每次試驗(yàn)要學(xué)習(xí)的類別, 并自行決定類別的學(xué)習(xí)順序。因此, 為了更準(zhǔn)確和深入地揭示類別學(xué)習(xí)的效率機(jī)制, 除了被動(dòng)學(xué)習(xí)方式, 本研究還增加了對(duì)自主學(xué)習(xí)方式的探索。實(shí)驗(yàn)采用接近中等交叉重疊水平的四類別結(jié)構(gòu)材料, 試圖更好地分離基于規(guī)則和信息整合的類別學(xué)習(xí)者, 平衡兩種類別在學(xué)習(xí)速度上的差異, 以探討學(xué)習(xí)方式對(duì)不同類別結(jié)構(gòu)的影響。結(jié)果表明, 當(dāng)類別交叉重疊時(shí), 基于規(guī)則的分類正確率顯著低于信息整合的分類正確率。

本研究還進(jìn)一步發(fā)現(xiàn)了不同類別結(jié)構(gòu)下學(xué)習(xí)方式的優(yōu)勢(shì)效應(yīng)：對(duì)于規(guī)則任務(wù), 集中學(xué)習(xí)的分類正確率顯著低于交錯(cuò)、隨機(jī)和自主學(xué)習(xí)的分類正確率, 但這三種學(xué)習(xí)方式的分類正確率沒有顯著差異; 對(duì)于信息整合任務(wù), 集中、交錯(cuò)和隨機(jī)學(xué)習(xí)的分類正確率沒有顯著差異, 但自主學(xué)習(xí)的分類正確率顯著高于集中學(xué)習(xí)的分類正確率。綜上, 當(dāng)類別交叉重疊時(shí), 集中學(xué)習(xí)存在著劣勢(shì), 自主學(xué)習(xí)存在著優(yōu)勢(shì)。

3.1 交叉重疊類別結(jié)構(gòu)下被動(dòng)學(xué)習(xí)的劣勢(shì)

前人研究指出, 當(dāng)交錯(cuò)學(xué)習(xí)類別刺激時(shí), 學(xué)習(xí)者需要為每個(gè)類別同時(shí)生成多個(gè)檢驗(yàn)規(guī)則, 這會(huì)增加工作記憶的負(fù)擔(dān), 最終不利于規(guī)則學(xué)習(xí)(Noh et al., 2016); 而當(dāng)集中學(xué)習(xí)規(guī)則類別時(shí), 學(xué)習(xí)者具備從不相關(guān)維度中識(shí)別出相關(guān)維度的優(yōu)勢(shì), 盡管整個(gè)過(guò)程依賴工作記憶和執(zhí)行注意, 但工作記憶促使學(xué)習(xí)者在學(xué)習(xí)過(guò)程中儲(chǔ)存更多的假設(shè)或規(guī)則, 有利于類別間的比較, 最終帶來(lái)更好的學(xué)習(xí)效果(Noh et al., 2016; Wang et al., 2020)。因此, 對(duì)于規(guī)則任務(wù), 集中學(xué)習(xí)有利于學(xué)習(xí)者比較來(lái)自同一類別的樣例, 以生成每個(gè)類別的檢驗(yàn)規(guī)則。與之不同, 本實(shí)驗(yàn)并未在交叉重疊類別結(jié)構(gòu)下發(fā)現(xiàn)集中學(xué)習(xí)規(guī)則任務(wù)的優(yōu)勢(shì)。并且對(duì)于自主學(xué)習(xí)者, 集中學(xué)習(xí)類別刺激的平均長(zhǎng)度與分類正確率呈顯著負(fù)相關(guān), 這也為集中學(xué)習(xí)交叉重疊類別結(jié)構(gòu)處于劣勢(shì)提供了數(shù)據(jù)支持。

根據(jù)模型擬合的結(jié)果, 與交錯(cuò)、隨機(jī)、自主學(xué)習(xí)相比, 集中學(xué)習(xí)規(guī)則類別會(huì)導(dǎo)致聯(lián)合規(guī)則這一最優(yōu)策略使用的減少, 即當(dāng)集中學(xué)習(xí)類別刺激時(shí), 交叉重疊類別結(jié)構(gòu)可能會(huì)影響學(xué)習(xí)者的決策策略。一般而言, 類別學(xué)習(xí)者需要構(gòu)建一個(gè)決策界限將知覺空間分隔成若干反應(yīng)區(qū)域。在每次試驗(yàn)中, 學(xué)習(xí)者先確定類別刺激所屬的區(qū)域, 再對(duì)類別進(jìn)行判斷(Ashby & Gott, 1988; Ashby & Maddox, 1992)。因此, 本研究認(rèn)為當(dāng)集中學(xué)習(xí)規(guī)則類別時(shí), 交叉重疊類別結(jié)構(gòu)由于沒有絕對(duì)的分類規(guī)則, 可能會(huì)干擾學(xué)習(xí)者為每個(gè)類別生成特定的規(guī)則, 不利于決策界限的形成, 導(dǎo)致難以分離不同類別。這一損害程度大于交錯(cuò)學(xué)習(xí)類別刺激時(shí)工作記憶的增加所造成的負(fù)擔(dān), 最終影響分類決策。

此外, 信息整合的類別學(xué)習(xí)是內(nèi)隱學(xué)習(xí), 不依賴執(zhí)行注意和工作記憶, 是一種程序性學(xué)習(xí)。研究表明, 對(duì)于程序性學(xué)習(xí), 交錯(cuò)學(xué)習(xí)會(huì)比集中學(xué)習(xí)的效果更好(Kornell & Bjork, 2008; Noh et al., 2016)。因?yàn)榻诲e(cuò)學(xué)習(xí)不僅有助于學(xué)習(xí)者并列比較類別刺激, 以縮小每個(gè)類別的特征定義, 還能促使學(xué)習(xí)者快速放棄基于規(guī)則的次優(yōu)策略, 最終有利于信息整合的類別學(xué)習(xí)。根據(jù)本研究模型擬合的結(jié)果, 與集中學(xué)習(xí)信息整合類別相比, 交錯(cuò)學(xué)習(xí)會(huì)致使信息整合這一最優(yōu)策略使用的增加和規(guī)則策略使用的減少。然而, 本研究并未在信息整合任務(wù)中發(fā)現(xiàn)交錯(cuò)學(xué)習(xí)的優(yōu)勢(shì)。

根據(jù)區(qū)別對(duì)比假說(shuō)(discriminative-contrast hypothesis), 當(dāng)類別間的相似性高, 不同類別難以被區(qū)分時(shí), 交錯(cuò)學(xué)習(xí)可以促使學(xué)習(xí)者比較不同類別的刺激, 突出類別間的差異性信息, 以此促進(jìn)類別學(xué)習(xí)(Kang & Pashler, 2012; Rohrer, 2012)。然而, 交叉重疊類別結(jié)構(gòu)會(huì)削弱類別間的差異, 不利于學(xué)習(xí)者掌握類別間的差異性特征, 這可能會(huì)進(jìn)一步干擾學(xué)習(xí)者將刺激和特定反應(yīng)形成聯(lián)結(jié)。類別學(xué)習(xí)多系統(tǒng)理論認(rèn)為, 在類別學(xué)習(xí)過(guò)程中, 基于規(guī)則主導(dǎo)的陳述性系統(tǒng)和信息整合主導(dǎo)的程序性系統(tǒng)同時(shí)運(yùn)行, 兩個(gè)系統(tǒng)都在爭(zhēng)奪分類響應(yīng)的控制權(quán)(Ashby et al., 1998; Ashby & Valentin, 2017; Erickson & Kruschke, 1998)。盡管在本研究中, 交叉重疊類別結(jié)構(gòu)可能會(huì)影響學(xué)習(xí)者在信息整合任務(wù)中使用信息整合策略的學(xué)習(xí)效果, 但仍會(huì)優(yōu)于規(guī)則策略, 即程序性系統(tǒng)仍占主導(dǎo)地位。因此, 交錯(cuò)學(xué)習(xí)信息整合類別雖能促使學(xué)習(xí)者快速放棄基于規(guī)則的次優(yōu)策略, 但交叉重疊類別結(jié)構(gòu)可能會(huì)削弱類別間的差異性信息, 進(jìn)而干擾刺激與特定反應(yīng)聯(lián)結(jié)的形成, 最終難以出現(xiàn)交錯(cuò)優(yōu)勢(shì)。

3.2 交叉重疊類別結(jié)構(gòu)下自主學(xué)習(xí)的優(yōu)勢(shì)

本研究從交叉重疊類別結(jié)構(gòu)這一材料著手, 比較了自主學(xué)習(xí)與被動(dòng)學(xué)習(xí)方式的優(yōu)勢(shì)效應(yīng)。結(jié)果表明, 無(wú)論是基于規(guī)則和信息整合的類別結(jié)構(gòu), 自主學(xué)習(xí)的分類正確率均顯著高于集中學(xué)習(xí)的分類正確率, 并且自主學(xué)習(xí)者都更有可能使用最優(yōu)策略。而對(duì)于中間水平方式(交錯(cuò)、隨機(jī)), 其優(yōu)勢(shì)效應(yīng)僅體現(xiàn)在基于規(guī)則的類別結(jié)構(gòu)中。因此, 本研究初步認(rèn)為交叉重疊類別結(jié)構(gòu)下自主學(xué)習(xí)方式存在著優(yōu)勢(shì)。

盡管交叉重疊類別結(jié)構(gòu)增加了每個(gè)類別的例外樣例, 但不同于被動(dòng)學(xué)習(xí)方式, 自主學(xué)習(xí)者可以自由選擇每次試驗(yàn)學(xué)習(xí)的類別, 并自行決定類別的學(xué)習(xí)順序。根據(jù)學(xué)習(xí)者的切換比例, 自主學(xué)習(xí)者不僅限于集中學(xué)習(xí)或交錯(cuò)學(xué)習(xí), 而是會(huì)有策略性地使用這兩種學(xué)習(xí)方式。這可以增加學(xué)習(xí)者的選擇權(quán)和學(xué)習(xí)動(dòng)力, 促使任務(wù)參與度的提高(Gureckis & Markant, 2012; Leotti et al., 2010; Lu et al., 2021; Markant & Gureckis, 2010), 呈現(xiàn)出“決策驅(qū)動(dòng)”的優(yōu)勢(shì)。

此外, 本研究發(fā)現(xiàn)了自主學(xué)習(xí)方式給規(guī)則類別和信息整合類別帶來(lái)不同程度的益處。對(duì)于規(guī)則任務(wù), 自主學(xué)習(xí)者可以通過(guò)對(duì)任務(wù)的感知調(diào)整學(xué)習(xí)方式, 并將復(fù)雜的任務(wù)分解成一系列簡(jiǎn)單的問(wèn)題。例如, 學(xué)習(xí)者可以通過(guò)一遍又一遍地選擇學(xué)習(xí)相同的類別, 即集中學(xué)習(xí), 以生成并檢驗(yàn)類別內(nèi)共同特征的假設(shè), 還可以隨時(shí)切換類別以明確類別間的差異特征, 這促使自主學(xué)習(xí)者在學(xué)習(xí)過(guò)程中加快了假設(shè)檢驗(yàn)的過(guò)程, 從而有利于規(guī)則的類別學(xué)習(xí)。對(duì)于信息整合任務(wù), 類別知識(shí)的習(xí)得客觀上依賴信息的累積, 學(xué)習(xí)者通過(guò)不斷嘗試正確或錯(cuò)誤類別刺激, 縮小了每個(gè)類別的特征定義。這促使學(xué)習(xí)者快速放棄基于規(guī)則的次優(yōu)策略轉(zhuǎn)而使用最佳的信息整合策略, 由此程序性系統(tǒng)占主導(dǎo)地位, 最終有利于信息整合的類別學(xué)習(xí)。然而, 交叉重疊類別結(jié)構(gòu)會(huì)增加學(xué)習(xí)者的工作記憶負(fù)擔(dān), 從而不利于規(guī)則學(xué)習(xí)。此消彼長(zhǎng), 致使自主學(xué)習(xí)者在基于規(guī)則和信息整合任務(wù)的分類正確率上沒有顯著差異。綜上, 不論是基于規(guī)則還是信息整合任務(wù), 自主學(xué)習(xí)者都能更好地習(xí)得類別內(nèi)的共同性信息和類別間的差異性信息, 通過(guò)減少不確定性來(lái)優(yōu)化他們的決策界限, 呈現(xiàn)出“數(shù)據(jù)驅(qū)動(dòng)”的優(yōu)勢(shì)。

3.3 研究局限與進(jìn)展

首先, 本研究未能控制類別間的交叉重疊程度, 未來(lái)可以從主客觀兩因素(主動(dòng)學(xué)習(xí)、重疊程度)來(lái)進(jìn)一步探索學(xué)習(xí)方式對(duì)不同類別結(jié)構(gòu)的影響。其次, 本研究?jī)H探討了單一學(xué)習(xí)方式對(duì)類別學(xué)習(xí)的影響, 未來(lái)可以探索多種學(xué)習(xí)方式疊加的效果, 如研究先集中后交錯(cuò)學(xué)習(xí)的效果(Rau et al., 2010; Sorensen & Woltz, 2016)。最后, 本研究發(fā)現(xiàn)的自主學(xué)習(xí)優(yōu)勢(shì)效應(yīng)尚不夠充分, 僅揭示了自主學(xué)習(xí)方式在兩種類別結(jié)構(gòu)下都優(yōu)于劣勢(shì)的集中學(xué)習(xí), 未能發(fā)現(xiàn)自主學(xué)習(xí)相較于中間水平學(xué)習(xí)方式(交錯(cuò)、隨機(jī))存在顯著優(yōu)勢(shì)的證據(jù), 因此, 未來(lái)還需進(jìn)一步探究。

4 結(jié)論

對(duì)于交叉重疊類別結(jié)構(gòu)的學(xué)習(xí), (1)無(wú)論是基于規(guī)則和信息整合任務(wù), 自主學(xué)習(xí)的效果均顯著優(yōu)于集中學(xué)習(xí); (2)對(duì)于規(guī)則任務(wù), 沒有出現(xiàn)集中學(xué)習(xí)的優(yōu)勢(shì), 反而出現(xiàn)了集中學(xué)習(xí)的劣勢(shì); (3)對(duì)于信息整合任務(wù), 沒有出現(xiàn)交錯(cuò)學(xué)習(xí)的優(yōu)勢(shì), 而只有靈活運(yùn)用集中和交錯(cuò)的自主學(xué)習(xí)方式呈現(xiàn)出學(xué)習(xí)優(yōu)勢(shì)。

Ashby, F. G., Alfonso-Reese, L. A., Turken, A. U., & Waldron, E. M. (1998). A neuropsychological theory of multiple systems in category learning.(3), 442?481. https://doi.org/10.1037/0033-295X.105.3.442

Ashby, F. G., & Gott, R. E. (1988). Decision rules in the perception and categorization of multidimensional stimuli.(1), 33?53. https://doi.org/10.1037/ 0278-7393.14.1.33

Ashby, F. G., & Maddox, W. T. (1992). Complex decision rules in categorization: Contrasting novice and experienced performance.,(1), 50?71. https://doi.org/ 10.1037/0096-1523.18.1.50

Ashby, F. G., & Maddox, W. T. (2011). Human category learning 2.0.(1), 147?161. https://doi.org/10.1111/j.1749-6632. 2010.05874.x

Ashby, F. G., Queller, S., & Berretty, P. M. (1999). On the dominance of unidimensional rules in unsupervised categorization.,(6), 1178? 1199. https://doi.org/10.3758/BF03207622

Ashby, F. G., Smith, J. D., & Rosedahl, L. A. (2020). Dissociationsbetween rule-based and information-integration categorization are not caused by differences in task difficulty.,(4), 541?552. https://doi.org/10.3758/s13421- 019-00988-4

Ashby, F. G., & Valentin, V. V. (2017). Multiple systems of perceptual category learning: Theory and cognitive tests. In H. Cohen & C. Lefebvre (Eds.),(2nd ed., pp. 157?188). Elsevier. https://doi.org/10.1016/B978-0-08-101107-2.00007-5

Carvalho, P. F., & Goldstone, R. L. (2014). Putting category learning in order: Category structure and temporal arrangement affect the benefit of interleaved over blocked study.(3), 481?495. https://doi.org/ 10.3758/s13421-013-0371-0

Ell, S. W., & Ashby, F. G. (2006). The effects of category overlap on information-integration and rule-based category learning.(6)1013?1026. https://doi.org/10.3758/bf03193362

Erickson, M. A., & Kruschke, J. K. (1998). Rules and exemplars in category learning.(2), 107?140. https://doi.org/ 10.1037/0096-3445.127.2.107

Gureckis, T. M., & Markant, D. B. (2012). Self-directed learning: A cognitive and computational perspective.(5), 464?481. https://doi.org/10.1177/1745691612454304

Kang, S. H. K., & Pashler, H. (2012). Learning painting styles: Spacing is advantageous when it promotes discriminative contrast.(1), 97?103. https://doi.org/10.1002/acp.1801

Kornell, N., & Bjork, R. A. (2008). Learning concepts and categories: Is spacing the “enemy of induction”?(6), 585?592. https://doi.org/10.1111/j.1467-9280. 2008.02127.x

Leotti, L. A., Iyengar, S. S., & Ochsner, K. N. (2010). Born to choose: The origins and value of the need for control.(10)457?463. https://doi.org/ 10.1016/j.tics.2010.08.001

Lu, X., Penney, T. B., & Kang, S. H. K. (2021). Category similarity affects study choices in self-regulated learning.(1), 67?82. https://doi.org/ 10.3758/s13421-020-01074-w

Maddox, W. T., & Ashby, F. G. (2004). Dissociating explicit and procedural-learning based systems of perceptual category learning.(3), 309?332. https://doi.org/10.1016/S0376-6357(04)00060-9

Maddox, W. T., Filoteo, J. V., Hejl, K. D., & Ing, A. D. (2004). Category number impacts rule-based but not information- integration category learning: Further evidence for dissociable category-learning systems.,(1), 227?245. https://doi.org/10.1037/0278-7393.30.1.227

Markant, D., & Gureckis, T. (2010). Category learning through active sampling. In S. Ohlsson, & R. Catrambone (Eds.),(Vol. 32, pp. 248?253). Cognitive Science Society.

Minda, J. P., & Smith, J. D. (2001). Prototypes in category learning: The effects of category size, category structure, and stimulus complexity.(3), 775?799. https:// doi.org/10.1037/0278-7393.27.3.775

Murphy, G. L., & Ross, B. H. (1999). Induction with cross- classified categories.,(6), 1024? 1041. https://doi.org/10.3758/bf03201232

Noh, S. M., Yan, V. X., Bjork, R. A., & Maddox, W. T. (2016). Optimal sequencing during category learning: Testing a dual-learning systems perspective.23?29. https://doi.org/10.1016/j.cognition.2016.06.007

Nomura, E. M., Maddox, W. T., Filoteo, J. V., Ing, A. D., Gitelman, D. R., Parrish, T. B., ... Reber, P. J. (2007). Neural correlates of rule-based and information-integration visual category learning.,(1), 37?43. https://doi.org/10.1093/cercor/bhj122

Rau, M. A., Aleven, V., & Rummel, N. (2010). Blocked versus interleaved practice with multiple representations in an intelligent tutoring system for fractions. In V. Aleven, J. Kay, & J. Mostow (Eds.),(pp. 413?422). Springer. https://doi.org/10.1007/978-3-642- 13388-6_45

Rawson, K. A., Thomas, R. C., & Jacoby, L. L. (2015). The power of examples: Illustrative examples enhance conceptual learning of declarative concepts.(3), 483?504, https://doi.org/10.1007/s10648- 014-9273-3

Roark, C. L., Smayda, K. E., & Chandrasekaran, B. (2022). Auditory and visual category learning in musicians and nonmusicians.(3), 739?748. https://doi.org/10.1037/xge0001088

Rohrer, D. (2012). Interleaving helps students distinguish among similar concepts.,(3), 355?367. https://doi.org/10.1007/s10648-012-9201-3

Rohrer, D., Dedrick, R. F., Hartwig, M. K., & Cheung, C. N. (2020). A randomized controlled trial of interleaved mathematics practice.,(1), 40?52. https://doi.org/10.1037/edu0000367

Seger, C. A., & Miller, E. K. (2010). Category learning in the brain.,(1), 203?219. https://doi.org/10.1146/annurev.neuro.051508.135546

Sorensen, L. J., & Woltz, D. J. (2016). Blocking as a friend of induction in verbal category learning.,(7), 1000?1013. https://doi.org/10.3758/s13421-016-0615-x

Wang, J., Liu, Z., Xing, Q., & Seger, C. A. (2020). The benefit of interleaved presentation in category learning is independent of working memory.(2), 285?292. https://doi.org/10.1080/09658211.2019.1705490

Zulkiply, N., & Burt, J. S. (2013). The exemplar interleaving effect in inductive learning: Moderation by the difficulty of category discriminations.,(1), 16?27. https://doi.org/10.3758/s13421-012-0238-9

Self-regulated learning advantage and blocked learning disadvantage on overlapping category structure

YUE Fang, CHEN Jianping, GAN Kexin, WANG Yuqing, LIU Zhiya

(Center for Studies of Psychological Application / School of Psychology, South China Normal University, Guangzhou 510631, China)

Previous studies have found that participants benefit more from blocked learning in rule-based category learning but perform better with interleaved learning in information-integration category learning. In interleaved learning, participants need to generate four categories at the same time, which will create a high working memory load if applying a rule-based learning strategy and hence will encourage participants to switch from this sub-optimal strategy to information integration. However, previous studies always require passive conduct of blocked learning or interleaved learning. In real life, people will strategically switch between these two kinds of learning schedules. To grasp a better understanding, we compared passive and proactive learning schedules (blocked, interleaved, self-regulated, random). In addition, the categories used in previous studies are mutually exclusive, which contradicts real life where categories always overlapped each other and cannot be perfectly distinguished according to one or more combinations of features. For mutually exclusive structures, it is easy to confuse rule-based and information-integrated learners, and there is a countable difference in the learning speed of these two category structures. To gain more reliable results, an appropriate overlap level and the number of categories were chosen for this study.

The classical four categories rule-based and information integration task is revised to contain overlapping stimuli. If classified by both two dimensions the highest accuracy was 90%. A 2 × 4 between-subject design was adopted. The dependent variables are accuracy and response time, and the first independent variable was the category structure: rule-based (RB) and information-integration (II). The second variable was the schedule of learning: blocked, interleaved, self-regulated, and random, with random presentation as the baseline condition. 265 college students were paid to participate in the experiment. Each participant should observe and report to which categories the line segment belonged. There were 100 trials each for both the learning phase and the test phase. Each phase comprised 25 trials for each category. For the test phase, a new set of stimuli are used and no feedback is provided. The behavioral data collected fit into a mathematical model to analyze what strategies participants used during tasks.

The results showed a significant main effect of category structure. That is, the classification accuracy of the information-integration task is significantly higher than the rule-based task. The main effect of learning schedules was also significant. That is, the classification accuracy of interleaved, self-regulated, and random learning was significantly higher than that of blocked learning. Post hoc tests showed that the classification accuracy of the blocked learning was significantly lower than that of interleaved, self-regulated, and random learning under rule-based conditions. For the information-integration condition, the classification accuracy of the blocked learning was significantly lower than that of self-regulated. In addition, this study further analyzed learners' self-regulated learning behaviors under the overlapping category structure and found that for both rule-based tasks and information-integration tasks, learners’ average length of blocked learning was significantly negatively correlated with their classification accuracy. A mathematical technique of the “Decision Bound Model” was used to analyze the data from the experiment. The results of model fitting showed thatin both rule-based and information-integration tasks, self-regulated learners can use the optimal strategy more frequently.

In conclusion, this study makes up for the deficiency of perfectly classified categories, finds the advantages of self-regulated learning and the disadvantages of blocked learning in category overlap, and preliminarily reveals the self-regulated learning advantages and information processing characteristics of overlapping category learning.It believes that category overlap interferes with the corresponding rules formed by learners for each category under the condition of blocking learning, which is not conducive to the blocked learning of rule-based tasks. In addition, the overlapping category structure will weaken the different information between categories and retain the common information within categories, which is not conducive to the interleaved learning of information-integration tasks. However, compared with passive learning, self-regulated learning has advantages in the learning of the two types of category structure because of its “decision-driven” and “data-driven” effects.

category learning, category overlap, interleaved learning, blocked learning, self-regulated learning

B849: G44

https://doi.org/10.3724/SP.J.1041.2023.01597

2023-04-24

*教育部人文社會(huì)科學(xué)重點(diǎn)研究基地重大項(xiàng)目“學(xué)習(xí)認(rèn)知過(guò)程與學(xué)科素養(yǎng)培養(yǎng)研究” (22JJD190006); 廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金自然科學(xué)基金(2023A1515012355)。

劉志雅, E-mail: zhiyaliu@scnu.edu.cn