由两个模型看视觉工作记忆容量机制的研究

在众多的实验基础上, 研究者提出了分析视觉工作记忆的“容量有限模型”和“资源灵活分配模型”, 而两个模型在以下三方面存在着争论：(1)视觉工作记忆中保存的项目精度是否是固定的, (2)资源分配的模式是连续分配的还是以量子化模式分配的, (3)存储单元是以特征为单元还是以客体为单元。未来该领域的研究应加强对视觉工作记忆容量单元的探讨, 探索应用新的研究方法, 控制影响视觉工作记忆容量的空间因素等。     

视觉工作记忆在视觉搜索中的作用

视觉工作记忆在视觉搜索中的作用远比偏向竞争模型所描述的要复杂,个体能根据当前任务要求灵活地利用工作记忆来引导注意选择。在系统回顾已有研究的基础上,从客体工作记忆、空间工作记忆和执行工作记忆3个方面探讨了视觉工作记忆在视觉搜索中的作用。根据近期的研究,文章在最后对视觉工作记忆在视觉搜索中的作用做了7点总结,并对已往研究中存在的若干问题给予了解释,指出未来应该从前瞻记忆和内隐记忆等角度对视觉搜索中所涉及的视觉记忆进行深入研究     

工作记忆表征引导视觉注意选择的眼动研究

工作记忆表征能否引导视觉注意选择？目前实验结果尚不一致。有研究者认为能否观察到注意引导效应取决于视觉搜索类型。研究采用工作记忆任务与视觉搜索任务相结合的双任务范式, 结合眼动追踪技术, 对不同视觉搜索类型下的注意引导效应进行验证。实验1结果发现, 不管视觉搜索任务的靶子是否变化, 在早期的眼动指标上都发现了显著的注意引导效应, 但注意引导效应在靶子固定的视觉搜索任务下表现得更强。实验2在平衡两种视觉搜索任务中的工作记忆负载后发现, 两种视觉搜索任务下都出现了显著的注意引导效应, 但没有发现实验1中所出现的任务间差异。实验结果否定了视觉搜索类型对注意引导效应的决定性影响, 同时也提示工作记忆负载可能在注意引导效应中起重要作用。     

基于空间方位信息的构型对视觉工作记忆绩效的影响

通过考察构成视觉客体构型的两种因素在视觉工作记忆任务中的影响, 探讨了构型对视觉工作记忆绩效的作用机制。采用变化觉察实验范式, 在构型朝向不变和旋转两种条件下, 系统地控制构型中的客体相对方位和整体几何形态两种因素的变化, 考察其对视觉工作记忆绩效的影响。实验结果显示, 无论构型朝向不变还是旋转, 只要客体相对方位保持一致, 工作记忆绩效就可以维持较高水平, 而几何形态没有表现出显著作用。上述发现提示构型客体相对方位是构型影响视觉工作记忆绩效的主要因素。     

视觉客体工作记忆中图形特征存储与捆绑时程

采用单探测变化检测范式,考察了形状和颜色客体在工作记忆中的表征方式、特征检测类型及初始刺激呈现时间对工作记忆表征的影响。结果表明:(1)视觉客体工作记忆的表征包括两个水平,首先是对客体的特征进行加工存储,其次才是对特征的捆绑;(2)不同特征的加工时间不同,颜色的加工完成的较早,记忆效果好,而形状的加工完成的较晚,记忆效果也差,表现出颜色的子系统优势;(3)特征的捆绑不是必需的,只有在任务需要时才进行,并且捆绑的过程符合特征捆绑的双阶段理论。     

言语工作记忆对视觉工作记忆的影响

工作记忆是当前认知心理学中的一个研究热点,而其言语子系统与视觉子系统之间的关系又是一个颇具争论性的问题。实验1、2采用双任务范式考察了言语工作记忆对视觉工作记忆的影响。结果发现,满负荷言语负载条件下的视觉记忆的成绩显著低于无言语负载条件。这表明,言语工作记忆影响了视觉工作记忆任务的完成。     

数学解题过程的眼动研究

数学解题过程的眼动研究可划分为3个阶段：第一阶段是对数字运算过程的眼动研究,第二阶段是对数学应用题解题过程的眼动研究,第三阶段是对几何题解题过程的眼动研究。在我国,对数学解题过程的眼动研究尚为空白。加强这一领域的研究,可以深化对数学问题表征的认识,对数学学科的教与学具有重要意义。     

视觉工作记忆内容对视觉搜索的影响

采用记忆任务与视觉搜索任务相结合的范式,以二维对称图形为材料,探讨视觉工作记忆内容对视觉搜索的影响。结果发现：（1）不同视觉工作记忆内容条件下的反应时存在显著差异,无效信息条件下的反应时显著长于有效信息条件下的反应时。（2）不同搜索序列条件下反应时差异显著,复杂序列条件下的反应时显著长于简单序列条件。结果表明,视觉工作记忆中的信息内容影响视觉搜索效率,其变化趋势不受序列大小的影响,结果支持偏向竞争模型。     

E-Z阅读者模型的新进展

该文介绍了以序列加工假设为基础的眼动控制模型——E-Z阅读者模型的基本内容和最新进展(模型6-9)。新的E-Z阅读者模型可以有效解释阅读过程中认知加工的眼动控制机制。随着研究的深入,E-Z阅读者模型的结构不断发展完善,而且还促进了许多新的眼动研究。     

关于阅读的眼动研究

本文对阅读的眼动研究作了一个概述,主要阐述心理学家利用眼动技术来研究人在阅读过程中的心理活动和心理现象以及信息加工过程：如阅读过程中的知觉广度、信息获取以及阅读过程中眼动的影响因素。此外．本文对眼动技术本身和眼动控制模型也做了深刻的阐述,并提出了自己的观点。     

自我同一性研究的新模型——双环模型

自Erikson提出自我同一性的概念以来,它一直是发展心理学的重要课题,这方面的实证研究主要基于Marcia提出的同一性状态模型。随后的研究者Luyckx等人不断整合和改进状态模型,并结合自我关注领域对反思型自我关注和沉浸型自我关注的区分,提出了双环模型的理论。双环模型理论认为,广度探索、深度探索、沉浸探索、做出承诺和认同承诺五个维度构成了自我同一性形成和发展的两个环——"承诺形成环"和"承诺评价环",两个环之间不断地发生着动态的交互作用,其结果造成了自我同一性形成和发展的6种状态:达成,早闭,沉浸延缓,轻松混淆,扩散混淆和未分化。     

Model Predictive Impedance Control: A Model for Joint Movement

Impedance control has been suggested as the strategy employed by the central nervous system to control human postures and movements. A realization of this strategy is presented that uses a model predictive control algorithm as a higher motor controller. External disturbances are explicitly included in the model. The combination of 3 key factors-joint impedance control, model predictive controller, and external disturbance input-forms the basis for the generality of this model. The model was applied to 3 different types of joint movements: a tracking movement with an unpredicted disturbance, a rhythmic movement, and an unstable biped model of human walking. Computer simulation results showed excellent performance of the model in all 3 cases for optimal values of active joint impedances and an exact match between the musculoskeletal system and the model internal to the model predictive controller. The controller was also able to maintain acceptable performance in the presence of a 25% mismatch between the musculoskeletal system and its internal model.     

论数学问题解决中情境模型与问题模型的关系

情境模型与问题模型是数学问题解决研究中的两个重要概念,前者是对问题所述情境的日常化的定性表征,后者是基于图式知识对问题关键变量的数量关系表征。本文介绍了两种模型的发展历史以及目前存在的争议,并提出了未来研究需要解决的问题。     

阅读过程眼动控制理论模型:E-Z Reader

简要介绍了一个新近出现的阅读过程中的眼动控制理论模型——E-Z Reader模型,并对该模型的特点进行了深入讨论。文中还涉及了其它几个相关的理论模型．如Morrison(1984)模型和Mr．Chips：理想观察者模型等。最后就E-Z Reader在中文阅读过程认知研究领域中的应用前景进行了讨论。     

Model Selection with the Linear Mixed Model for Longitudinal Data

Model building or model selection with linear mixed models (LMMs) is complicated by the presence of both fixed effects and random effects. The fixed effects structure and random effects structure are codependent, so selection of one influences the other. Most presentations of LMM in psychology and education are based on a multilevel or hierarchical approach in which the variance-covariance matrix of the random effects is assumed to be positive definite with nonzero values for the variances. When the number of fixed effects and random effects is unknown, the predominant approach to model building is a step-up method in which one starts with a limited model (e.g., few fixed and random intercepts) and then additional fixed effects and random effects are added based on statistical tests. A model building approach that has received less attention in psychology and education is a top-down method. In the top-down method, the initial model has a single random intercept but is loaded with fixed effects (also known as an “overelaborate” model). Based on the overelaborate fixed effects model, the need for additional random effects is determined. There has been little if any examination of the ability of these methods to identify a true population model (i.e., identifying the model that generated the data). The purpose of this article is to examine the performance of the step-up and top-down model building approaches for exploratory longitudinal data analysis. Student achievement data sets from the Chicago longitudinal study serve as the populations in the simulations.     

Bayesian Model Selection and Model Averaging

This paper reviews the Bayesian approach to model selection and model averaging. In this review, I emphasize objective Bayesian methods based on noninformative priors. I will also discuss implementation details, approximations, and relationships to other methods. Copyright 2000 Academic Press.     

一种多级评分的认知诊断模型：P-DINA模型的开发

当前绝大多数认知诊断计量模型仅适用于0-1评分数据资料, 大大限制了认知诊断在实际中的应用, 也限制了认知诊断的进一步推广和发展。本文对具有较好发展前景的DINA模型进行拓展, 开发出适合多种评分(含0-1二级评分和多级评分)数据资料的P-DINA模型, 同时采用MCMC算法实现模型参数的估计, 并对该模型性能进行研究。结果表明：(1)本文开发的P-DINA模型无论是在无结构型属性层级关系下还是在结构型属性层级关系下, 参数估计的精度均较高, 参数估计的稳健性较强, 说明开发的P-DINA模型基本合理、可行。(2)P-DINA模型可采用MCMC算法实现参数估计, 且参数估计的精度较高。(3)整体来看, 无结构型属性层级关系和结构型属性层级关系下, P-DINA模型在项目参数的估计精度上两者基本相当; 但在被试属性判准率(MMR和PMR)上无结构型属性层级关系表现的稍差一些。(4)无结构型属性阶层关系下：模型诊断的属性个数越多, 参数 估计的精度越差、属性诊断的正确率(MMR和PMR)越低, 但参数 的估计精度越好; 若想保证属性模式判准率在80%以上, 建议诊断的属性个数不宜超过7个。总之, 本研究为拓展认知诊断在教育学和心理学中的应用提供了一种新方法、新模型。     

Adaptive Model Checking

We consider the case where inconsistencies are present betweena system and its corresponding model, used for automatic verification.Such inconsistencies can be the result of modeling errors orrecent modifications of the system. Despite such discrepancies,we can still attempt to perform automatic verification. In fact,as we show, we can sometimes exploit the verification resultsto assist in automatically learning the required updates tothe model. In a related previous work, we have suggested theidea of black box checking, where verification starts withoutany model, and the model is obtained while repeated verificationattempts are performed. Under the current assumptions, an existinginaccurate (but not completely obsolete) model is used to expeditethe updates. We use techniques from black box testing and machinelearning. We present an implementation of the proposed methodologycalled AMC (for Adaptive Model Checking). We discuss some experimentalresults, comparing various tactics of updating a model whiletrying to perform model checking.     

形成性测量模型：结构方程模型的新视角

形成性测量模型(Formative Model, FM)是指标变异导致潜变量变异的模型, 反映性测量模型(Reflective Model, RM)是潜变量变异导致指标变异的模型。FM在模型界定、识别和估计、信效度评价以及模型应用等方面均与RM存在极大的不同。模型界定错误会使参数估计发生偏差, 影响统计结论的有效性, 应当审慎考虑指标和潜变量之间的关系, 选择恰当的测量模型。进一步揭示两者的区别和误用带来的偏差, 完善FM的识别和估计、信效度评价方法、对变量含义的解释以及高阶FM的理论解释和模型估计是未来的研究方向。     

Model modification

An analysis of empirical data often leads to a rejection of a hypothesized model, even if the researcher has spent considerable efforts in including all available information in the formulation of the model. Thus, the researcher must reformulate the model in some way, but in most instances there is, at least theoretically, an overwhelming number of possible actions that could be taken. In this paper a modification index will be discussed which should serve as a guide in the search for a better model. In statistical terms, the index measures how much we will be able to reduce the discrepancy between model and data, as defined by a general fit function, when one parameter is added or freed or when one equality constraint is relaxed. The modification index discussed in this paper is an improvement of the one incorporated in the LISREL V computer program in that it takes into account changes in all the parameters of the model when one particular parameter is freed.The research reported in this paper has been supported by The Swedish Council for Research in the Humanities and Social Sciences under Research Program Multivariate Statistical Analysis, Project Director Karl G Jöreskog.