Constrained latent class analysis: Simultaneous classification and scaling of discrete choice data

A reparameterization of a latent class model is presented to simultaneously classify and scale nominal and ordered categorical choice data. Latent class-specific probabilities are constrained to be equal to the preference probabilities from a probabilistic ideal-point or vector model that yields a graphical, multidimensional representation of the classification results. In addition, background variables can be incorporated as an aid to interpreting the latent class-specific response probabilities. The analyses of synthetic and real data sets illustrate the proposed method.The authors thank Yosiho Takane, the editor and referees for their valuable suggestions. Authors are listed in reverse alphabetical order.     

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。     

西方心理学理论分类体系的反思与建构

当代心理学不仅在研究对象上存在着分歧, 而且在理论和方法论取向上也是四分五裂, 以至于很难用一种逻辑标准将各种理论体系进行归类。西方心理学大多数采用的是时间逻辑分类标准, 将理论体系的发展变化通过时间线索呈现, 这样的理论分类虽然能帮助我们理顺理论流派的发展脉络, 但我们往往因无法比较而抓不住各理论流派的主要特征。近年西方理论心理学界提出以因果关系逻辑为标准的理论分类体系, 将心理学理论分为机体中心论、环境中心论、社会中心论和关系中心论, 这种标准容易混淆某些相近的理论, 出现理论的多向归属和无归属现象。文章提出以内容特征为指向的分类体系, 包括意识中心倾向、行为中心倾向、机制中心倾向和意义中心倾向。这种分类标准能部分弥补因果关系分类体系和时间逻辑分类的不足。而进一步开发出能够适应理论快速发展变化的理论分类体系将成为未来理论心理学的研究领域之一。     

工作场所人工智能角色划分:对员工心理与行为的影响及应对策略

人工智能在工作场所中扮演的角色日益多元, 但现有研究对人工智能角色的系统划分和对员工心理和行为影响的系统性探讨仍然较为有限。基于人工智能在工作场所的实践应用, 本研究结合相关理论文献, 从员工视角将人工智能划分为“对手”、“助手”、“同事”和“领导”四类角色, 并基于“替代−辅助−增强−管理”视角, 分析不同人工智能角色对员工心理与行为的影响。进一步地, 提出企业层面和个体层面的管理与适应策略, 并对未来研究方向进行展望。本研究丰富了工作场所人工智能角色分类和对员工影响的理论讨论, 也为组织和个体更有效地适应人工智能的不同角色应用提供了实践启示。     

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。