类别成员跨维度特征关系对类别学习的影响

探讨类别成员具有多维度相同特征与多维度匹配特征条件下对人们类别学习的影响。被试来自华南师范大学一年级本科生,要求他们学习不同特征结构的类别材料,然后进行测试,以学习阶段的单元数与错误率、测试阶段的反应时与错误率为指标。共包括3个实验,实验1探讨了类别成员具有双维度相同特征、双维度匹配特征与非匹配特征条件下进行类别学习的成绩。实验2探讨类别成员在空间位置分离的两个维度上具有相同特征对类别学习的影响。实验3进一步探讨类别间成员具有双维度相同特征对类别学习的影响。结果表明：（1）类别成员具有双维度相同特征时,人们在归类学习中会将这两个维度看成是一个维度,从而促进类别学习;（2）类别成员具有双维度匹配特征,或者在两个不相邻维度具有相同特征时,对于类别学习没有起到这种特定的促进作用;（3）如果类别间成员具有双维度相同特征,则对类别学习产生消极影响。研究结果表明,在类别学习过程中,特征相似性状况对维度的确立也会产生影响。     

儿童类别学习中知识效应的年龄差异

采用特征主题的类别学习实验范式,考察了儿童类别学习中知识效应的年龄差异。63名小学4年级学生(年龄范围9～10岁)、65名小学6年级学生(年龄范围11～12岁)和77名初中2年级学生(年龄范围13～14岁)参加了本实验。结果表明:当类别特征能够在已有知识的基础上形成主题时,3个年龄组儿童类别学习的轮次和错误数均显著下降,而且主题突出时,这种趋势更加明显;在统一主题条件下,小学4年级、小学6年级和初中2年级3个年龄组儿童类别学习的轮次和错误数依次减少;而在无主题和突出主题条件下,3个年龄组儿童类别学习的成绩无显著差异。     

三水平特征的家族相似性类别结构的分类和推理学习

采用学习迁移任务范式,使用基于单一特征的类别判断技术,比较了三水平特征的家族性似性类别结构下,分类学习和推理学习的学习效率、学习过程与策略和学习结果.结果表明:在学习效率上,分类学习在达标率上优于推理学习,而在速度上,两者差异不显著.在学习的过程与策略上 ,推理学习相对较快地从单维度策略转向使用规则加例外策略,而分类学习表现出一定程度的潜伏学习, 并在高水平的信息整合策略使用上,赶上了推理学习.在学习的结果上,分类学习比推理学习更好掌握了类别的原型.     

非监控类别学习的分类策略与表征

类别学习是人类对不同类别加以归类的过程。类别信息的表征、分类策略运用的特点一直是类别学习研究的重点。非监控类别学习可分为直接的非监控类别学习和间接的非监控类别学习。直接的非监控类别学习(非限制任务, 限制任务)中被试的分类策略具有分类“单维度倾向”策略特点,类别变异程度会影响类别表征; 间接的非监控类别学习更倾向形成相似性表征, 直接的非监控类别学习则为基于规则表征。现有的非监控类别学习的理论对分类策略和表征的解释仍显薄弱, 不同学习任务下类别迁移和知识效应的研究还存在不足, 未来研究还需要进一步验证知识效应对非监控类别学习的认知加工过程的影响、探索影响类别表征形成的因素等问题。     

观察式学习条件下类别维度与家族相似性类别学习

在观察式学习条件下考察类别维度数量（三维度类别、六维度类别、九维度类别）,类别维度结构（线性分离结构、非线性分离结构）的变化对家族相似性类别学习的影响。结果表明：观察式学习条件下,类别维度数量的变化对样例学习无影响,对特征学习有影响,表现在特征正确再认数量上有差异,但特征再认正确率上无差异;类别维度结构的变化对样例学习有影响,对特征学习无影响,表现在样例正确再认数目上线性结构大于非线性结构。     

阻碍效应范式中主题知识对类别学习的影响

三个实验采用阻碍效应研究范式探讨主题知识对类别学习的影响。实验1探讨定义特征维度为机械特征时,主题知识对类别学习的影响;实验2和实验3,通过考察定义特征维度为知识特征时,类别学习中阻碍效应的大小,继续探讨主题知识对类别学习的影响。实验结果发现：（1）当定义特征维度为机械特征时,主题知识的存在没有促进类别学习。这可能因为定义特征维度为机械特征,主题知识难以发现所致;（2）当定义特征维度为知识特征时,类别学习中的阻碍效应消失,证明主题知识的存在促进了类别学习。研究结果再次支持了类别学习不仅仅受到减少归类错误驱动的观点。     

部分呈现条件下类别分类学习中的信息表征机制

先前研究者普遍认为, 类别推理学习条件下可以同时表征诊断性信息和非诊断性信息, 而类别分类学习条件下中只能表征诊断性信息, 不能表征非诊断性信息。而最近又有研究者发现部分呈现条件下的类别分类学习可以表征非诊断性信息。本研究通过两个实验系统比较了全部呈现和部分呈现条件下类别分类学习的结果, 进一步探讨了分类学习条件下信息的表征情况, 并进一步探讨了部分呈现条件下的分类学习能够表征非诊断性信息的原因。实验1发现全部呈现6个特征、缺失1个特征(即部分呈现5个特征)、缺失2个特征(即部分呈现4个特征)3种条件下都能表征诊断性信息, 但只有部分呈现条件下能表征非诊断性信息。实验2发现全部呈现7个特征、缺失2个特征(即部分呈现5个特征)、全部呈现5个特征3种条件下都能表征诊断性信息, 但只有部分呈现条件下能表征非诊断性信息。总的实验结果表明：全部呈现条件下的分类学习只能表征诊断性信息, 而部分呈现条件下的分类学习能够同时表征诊断性信息和非诊断性信息, 并且部分呈现条件下表征非诊断性信息的原因是被试进行了推理学习, 而非注意广度的变化。     

不同概念范畴和特征类别对儿童归纳推理多样性效应的影响

为探讨概念范畴和特征类别对归纳推理多样性效应的影响, 采用2(概念范畴: 生物类别与非生物类别)´2(特征类别: 不可见的隐蔽特征和可见的外显特征)的实验设计, 设计了四组任务来考察5~6岁、8~9岁儿童归纳推理多样性效应的表现水平。结果显示: 在非生物类别范畴材料上, 5~6岁儿童在两种特征类别上均未表现出多样性效应, 8~9岁儿童在隐蔽特征类别上表现出多样性效应; 在生物类别材料上, 5~6岁、8~9岁儿童在外显特征和隐蔽特征上均未表现出多样性效应。概念范畴和特征类别对8~9岁儿童的归纳判断力有显著影响: 在概念范畴上, 儿童在非生物范畴材料上的表现显著高于生物范畴; 在特征类别上, 儿童在隐蔽特征上的表现高于外显特征。     

类别学习中两种学习模式的比较研究：分类学习与推理学习

采用学习迁移任务范式,使用基于单一特征的类别判断技术,比较了非线性分离结构下,分类学习和推理学习的学习效率、学习过程与策略和学习结果。结果表明：在学习效率上,分类学习比推理学习更好地习得了含有较多样例的类别知识,分类学习的速度上显著快于推理学习。在学习的过程与策略上,推理学习比分类学习更为关注类别内不同特征的相关,但在分类策略的运用上不如分类学习灵活。在学习的结果上,推理学习倾向于原型记忆,分类学习倾向于进行样例记忆,分类学习比推理学习更好地掌握了类别原型     

两种学习模式下类别学习的结果：原型和样例

利用“学习－迁移”的任务范式和单一特征类别判断技术,探讨了分类和推理两种类别学习模式的结果,比较了两种学习模式的效果和策略。研究表明：两种学习模式产生了不同的结果,分类学习的结果是样例,推理学习的结果是原型;在学习效果方面,分类学习比推理学习在达标比例上更高,但在进度上差异不显著;在策略运用方面,分类学习比推理学习更快地使用单维度策略,而在高水平策略的运用上,两者差异不显著     

知道与不知道要学多少：类别学习中样例量的预期作用

采用“5/4模型”类别结构探讨了类别学习中样例量的预期作用。设置了两种学习条件(“知道样例量”和“不知道样例量”), 分别探讨两种学习条件下的学习效率、学习策略以及所形成的类别表征。106名大学生参加了实验, 结果表明：在类别学习中, 样例量的预期作用显著, 知道样例量组的学习效率高于不知道样例量组; 样例量的预期作用对类别学习效率的影响是通过影响学习过程中使用的策略来实现的; 样例量的预期作用不影响两种学习条件的学习后形成的类别表征, 且两种学习条件的被试自始至终表现出样例学习的表征模式。     

Prototypes in category learning: the effects of category size, category structure, and stimulus complexity

Although research in categorization has sometimes been motivated by prototype theory, recent studies have favored exemplar theory. However, some of these studies focused on small, poorly differentiated categories composed of simple, 4-dimensional stimuli. Some analyzed the aggregate data of entire groups. Some compared powerful multiplicative exemplar models to less powerful additive prototype models. Here, comparable prototype and exemplar models were fit to individual-participant data in 4 experiments that sampled category sets varying in size, level of category structure, and stimulus complexity (dimensionality). The prototype model always fit the observed data better than the exemplar model did. Prototype-based processes seemed especially relevant when participants learned categories that were larger or contained more complex stimuli.     

类别学习中的分类和推理

该文介绍了类别学习中的分类和推理两种任务,并从学习的条件、过程、结果和发展等方面的归纳了当前研究的最新进展。表明了类别的分类学习和推理学习有相同的形式,但学习的信息处理过程和学习的结果不同。分类学习关注类别间的区分性信息,更可能是样例学习结果;推理学习更为关注单个类别内部的共同性信息,更可能是原型学习结果。这方面的结论强化了基于解释的观点。     

Combining exemplar-based category representations and connectionist learning rules.

Adaptive network and exemplar-similarity models were compared on their ability to predict category learning and transfer data. An exemplar-based network (Kruschke, 1990a, 1990b, 1992) that combines key aspects of both modeling approaches was also tested. The exemplar-based network incorporates an exemplar-based category representation in which exemplars become associated to categories through the same error-driven, interactive learning rules that are assumed in standard adaptive networks. Experiment 1, which partially replicated and extended the probabilistic classification learning paradigm of Gluck and Bower (1988a), demonstrated the importance of an error-driven learning rule. Experiment 2, which extended the classification learning paradigm of Medin and Schaffer (1978) that discriminated between exemplar and prototype models, demonstrated the importance of an exemplar-based category representation. Only the exemplar-based network accounted for all the major qualitative phenomena; it also achieved good quantitative predictions of the learning and transfer data in both experiments.     

Category learning with minimal prior knowledge

In 6 experiments, the authors examined the use of prior knowledge in category learning. Previous studies of the effects of knowledge on category learning have used categories in which knowledge was related to all of the category's features. However, people's knowledge of real-world categories often consists of many "rote" features that are not related to their prior knowledge. Five experiments found that even minimal prior knowledge (1 knowledge-relevant feature and 5 rote features per exemplar) can facilitate category learning. Posttests revealed that although the knowledge aided learning, subjects also acquired the rote features that were not related to knowledge, contradicting predictions of an attentional explanation of the knowledge effect. The results of Experiment 6 suggested that subjects attempt to link even rote features to their knowledge.     

学习条件和样例相似性对类别学习元认知监控的影响

采用“学习-迁移”范式 ,探讨了学习条件和样例相似性对类别学习元认知监控的影响。实验选取虚构动物材料,采用2（学习条件：规则、无规则）×3（样例相似性：低、中、高）×2（匹配类型：正向匹配、反向匹配）混合实验设计,结果显示,在规则条件下,高样例相似性组正向匹配新项目的分类正确率显著高于反向匹配新项目的分类正确率;在无规则条件下,样例相似性越高,正向匹配新项目的分类准确率越高,所有项目的信心值也越高。这表明,规则和样例相似性是类别学习元认知判断的线索;在同一任务中,分类会涉及基于规则和基于相似性两个过程。     

Environment and Goals Jointly Direct Category Acquisition

Abstract— Developing categorization schemes involves discovering structures in the world that support a learner's goals. Existing models of category learning, such as exemplar and prototype models, neglect the role of goals in shaping conceptual organization. Here, a clustering approach is discussed that reflects the joint influences of the environment and goals in directing category acquisition. Clusters are a flexible representational medium that exhibits properties of exemplar, prototype, and rule-based models. Clusters reflect the natural bundles of correlated features present in our environment. The clustering model Supervised and Unsupervised Stratified Incremental Adaptive Network (SUSTAIN) operates by assuming the world has a simple structure and adding complexity (i.e., clusters) when existing clusters fail to satisfy the learner's goals and thus elicit surprise. Although simple, this operation is sufficient to address findings from numerous laboratory and cross-cultural categorization studies.     

创造能力不同学生的分类加工过程差异的眼动特点

在分类理论观的基础上, 本研究在目标匹配范式下, 使用可以表示一定概念的现实物体或场景的图片材料, 通过眼动记录法对分类加工过程的分离, 考察了40名创造能力不同的中学生分类加工过程的差异。结果表明, 在首次加工阶段, 创造能力高和低的被试均先对目标类别概念进行加工, 然后再对选项区的待分类概念进行加工。创造能力高的被试更多地使用概括性的加工策略完成任务并表现出加工的有效性, 创造能力低的被试更多地使用比较性的加工策略表现出加工的无效性。在再加工阶段, 高和低创造能力的被试将加工的重点放在待分类概念上。创造能力低的被试通过概括和比较的策略完成任务。     

Exemplar representation without generalization? Comment on Smith and Minda's (2000) "Thirty categorization results in search of a model"

J. D. Smith and J. P. Minda (2000) conducted a meta-analysis of 30 data sets reported in the classification literature that involved use of the "5-4" category structure introduced by D. L. Medin and M. M. Schaffer (1978). The meta-analysis was aimed at investigating exemplar and elaborated prototype models of categorization. In this commentary, the author argues that the meta-analysis is misleading because it includes many data sets from experimental designs that are inappropriate for distinguishing the models. Often, the designs involved manipulations in which the actual 5-4 structure was not, in reality, tested, voiding the predictions of the models. The commentary also clarifies various aspects of the workings of the exemplar-based context model. Finally, concerns are raised that the all-or-none exemplar processes that form part of Smith and Minda's (2000) elaborated prototype models are implausible and lacking in generality.