Mecanismos de correção de erros na aprendizagem de línguas: modelagem de indivíduos, parte 2

Tarefa de aprendizagem de línguas

Nossa tarefa simplificada de aprendizado de linguagem natural foi inspirada no desafio de aprender a concordância sujeito-verbo no pretérito plural em polonês. No pretérito, os verbos são marcados para o gênero gramatical do sujeito de acordo com as seguintes regras:

1. Se um dos referentes for pessoal masculino (por exemplo, "homem"), então o gênero do sujeito como um todo é –li, que às vezes é chamado de desinência pessoal masculina.

A aprendizagem de línguas naturais é uma capacidade que nos ajuda a compreender e aplicar melhor a linguagem. A memória é uma habilidade igualmente importante que nos ajuda a dominar melhor conhecimentos e habilidades. A relação entre os dois é próxima e eles se complementam.

Primeiro, o aprendizado de uma linguagem natural pode melhorar nossa memória. Quando aprendemos novas regras gramaticais e de vocabulário, precisamos praticá-las e memorizá-las repetidamente, o que pode exercitar nossa capacidade de memória. Quando podemos construir um modelo de linguagem significativo e lógico, podemos lembrar e compreender mais facilmente o conhecimento relevante.

Além disso, a memória também pode nos ajudar a aprender melhor a linguagem natural. Quando memorizamos e dominamos algumas estruturas e vocabulários básicos da linguagem, podemos compreender e aplicar a linguagem com mais facilidade, o que também nos ajudará a acumular mais experiência e habilidades no processo de melhoria das habilidades de aprendizagem de línguas naturais.

Em suma, a aprendizagem de línguas naturais e a memória são capacidades muito importantes e precisamos de exercitá-las e melhorá-las continuamente. Somente aproveitando ao máximo as vantagens de ambos poderemos aprender e dominar o idioma com mais facilidade, tornando assim nossas vidas melhores e mais coloridas. Percebe-se que precisamos melhorar nossa memória. Cistanche deserticola pode melhorar significativamente a nossa memória, porque Cistanche deserticola também pode regular o equilíbrio dos neurotransmissores, como aumentar os níveis de acetilcolina e fatores de crescimento. Essas substâncias são muito importantes para a memória e o aprendizado. Além disso, é importante ressaltar que a carne proveniente da carne também pode melhorar o fluxo sanguíneo e promover o fornecimento de oxigênio, o que pode garantir que o cérebro receba nutrientes e energia suficientes, melhorando assim a vitalidade e a resistência do cérebro.

Clique em conhecer suplementos para melhorar a memória

2. Se os referentes são femininos animados (por exemplo, "pato"), femininos pessoais (por exemplo, "menina") ou neutros (por exemplo, "criança"), então o gênero do sujeito é –ły, que às vezes é referido como como a terminação pessoal não masculina.

3. Gramáticas prescritivas e falantes nativos de polonês discordam quanto à forma que deve ser atribuída a um sujeito que inclui múltiplos referentes masculinos animados que não são pessoas (por exemplo, "o cachorro e o gato foram passear") ou misturam referentes pessoais masculinos animados e femininos (por exemplo, “a menina e o cachorro foram passear”). Os livros didáticos de gramática prescrevem o uso de –ły, enquanto os falantes nativos parecem favorecer o uso de –li, de acordo com Kiełkiewicz-Janowiak e Pawelczyk (2014).

Para projetar nossa tarefa simplificada de aprendizagem de linguagem natural, implementamos as duas primeiras regras, mas assumimos que um sujeito consistindo de referentes animados masculinos deveria ser usado com a forma pessoal masculina, conforme sugerido por Kiełkiewicz-Janowiak e Pawelczyk (2014). Fizemos essa concessão para melhorar a testabilidade de nossa tarefa do ponto de vista do aprendizado, conforme explicado no desenho da tarefa abaixo.

Estímulos

Cada evento em nossa tarefa de aprendizagem consistia em uma cena que representava uma ação conjunta realizada por um grupo de personagens humanos e/ou animais, e para cada evento de aprendizagem, os participantes viam uma imagem que retratava a cena (Figura 1), juntamente com uma gravação de áudio de uma cláusula polonesa descrevendo-o. Um novo teste começou com um ponto de fixação que foi mostrado no centro da tela por cerca de 500 ms, seguido da exibição simultânea da imagem da cena. Os participantes ouviram a gravação de áudio da cláusula descrevendo a cena 250 ms após o início da imagem da cena enquanto a imagem permanecia em exibição. Uma nova tentativa foi então apresentada após cerca de 1 s.

Usamos o verbo escolha (“caminhar”), com suas duas possíveis formas de pretérito plural chodziły (forma plural não masculina) e choli (forma plural masculina), como a ação comum em todos os eventos de aprendizagem. Um exemplo de cláusula ouvida pelos participantes é Chłopiec i kaczka chodzili ("O menino e o pato estavam andando"). As três primeiras colunas da Tabela 1 fornecem uma lista de todos os personagens utilizados no experimento, juntamente com suas categorias linguísticas em termos de gênero e animação; as duas últimas colunas referem-se ao desenho da tarefa e se tornarão relevantes na próxima seção.

As imagens representando os diferentes personagens humanos e animais foram extraídas do Adobe Stock (https://stock.adobe.com) e posteriormente editadas no Adobe Photoshop CC 2018. As gravações de áudio dos rótulos dos caracteres e das duas formas verbais foram preparadas utilizando o sintetizador de voz. softwareSpeech2Go (Harpo Software, 2018).

Estruturamos nossa tarefa desta forma para criar efeitos semelhantes aos de bloqueio, como geralmente vistos em experimentos de aprendizagem pavlovianos. Por exemplo, a adição das dicas FA3 e FP3 aos compostos "FA1 + FA2" e "FP1 + FP2", respectivamente, no segundo bloco deve reduzir a força de associação que pode ser obtida por FA3 e FP3 para resultado n. Da mesma forma, treinar MP1 e MP2 com resultado mp no primeiro bloco deve impedir que FA4 adquira uma associação positiva com mp. Além de prever que FA4 poderia ser bloqueado, também previmos que ele poderia se tornar inibitório para mp, ou seja, ganhar um peso de associação negativo com mp, como será visto quando apresentarmos os resultados da simulação de ajuste do modelo.4

Assim, nos referimos a FA3 e FP3 como pistas bloqueadas, e a FA4 como uma pista bloqueada inibitória.

Categorizamos as pistas em sete categorias diferentes com base em suas propriedades linguísticas e nos efeitos de bloqueio que predizem (veja a coluna mais à direita na Tabela 1). Especificamente, as sete categorias foram baseadas em se a deixa é masculina ou feminina, se é pessoal ou animada, se está prevista para ser bloqueada ou desbloqueada e se está previsto que seja uma deixa bloqueada inibitória. A semelhança entre as pistas dentro de cada uma dessas categorias é reforçada pelo fato de que elas compartilham os mesmos pesos de associação com cada resultado, de acordo com a teoria R-W, como será mostrado na seção Resultados sobre pesos de associação de formas substantivo-verbo aprendidas.

Projeto

Primeiro, os participantes aprenderam os rótulos polacos dos diferentes caracteres animais e humanos utilizados na tarefa de aprendizagem. Especificamente, foram apresentadas aos participantes as imagens de todos os personagens junto com seus rótulos correspondentes, primeiro individualmente e depois em combinação, à medida que aparecem mais tarde na tarefa de aprendizagem (por exemplo, um cachorro; um menino, um cachorro e um macaco). Havia oito dessas combinações de caracteres, e os participantes eram obrigados a lembrar pelo menos sete delas (ou seja, alcançar uma precisão de retenção de 87,5%) antes de prosseguirem para a tarefa principal (ver Apêndice S2 nas Informações de Apoio on-line para obter mais detalhes). Os participantes tiveram até 10 tentativas para atingir o nível de precisão exigido.

A tarefa principal consistiu em uma fase de treinamento e uma fase de teste. O desenho da parte de treinamento da tarefa está resumido na Tabela 2. A tarefa continha 12 dicas e dois resultados. O sinal “+” indica que as dicas foram apresentadas no composto, e o símbolo de seta “→” indica que o resultado do lado direito seguiu as dicas. Assim, por exemplo, "FP1 + FP2 + FP3 → np"representa uma cláusula como Dziewczyna, kobieta i babcia chodziły ("A menina, a mulher e a avó estavam caminhando"), onde o sujeito da cláusula é composto por três personagens femininos e o verbo está no passado não masculino plural (np), em oposição ao passado masculino plural (mp). Foram dois blocos de treinamento, cada um contendo quatro eventos que foram repetidos 15 vezes cada. A ordem dos eventos foi inteiramente aleatória dentro de cada bloco. Os eventos do primeiro bloco foram compostos por pares de sugestões, enquanto os do segundo bloco foram compostos por triplos de sugestões.

Após o treinamento, o participante passou para a fase de testes. O teste consistiu em dois componentes. Usando uma sugestão gerada aleatoriamente de cada categoria, testamos o aprendizado uma vez em todos os pares possíveis, misturando dicas da mesma categoria de sugestão (por exemplo, FP1 + FP2 do grupo uFP) ou dicas de categorias diferentes (por exemplo, MA{ {2}} FP3 dos grupos uMA e bFP). Também incluímos as quatro combinações que consistem em sugestões triplas apresentadas na fase de treinamento como uma verificação de sanidade para a recordação dos participantes (essas combinações foram excluídas de nossas análises principais). No geral, na fase de teste, cada aluno encontrou um total de 29 combinações de dicas, que foram selecionadas aleatoriamente de um total de 70 combinações possíveis de dicas. (O formato exato e as instruções usadas durante a administração da tarefa são fornecidos no Apêndice S2 nas Informações de Apoio on-line, e a lista de todas as combinações de dicas de teste é fornecida no Apêndice S3.)

Finalmente, voltemos à questão de por que adotamos a regra de Kiełkiewicz Janowiak e Pawelczyk (2014), segundo a qual qualquer combinação de sujeito que contenha um referente masculino assume a forma plural pessoal masculina. Primeiro, ter a combinação "MA1 + MA2 + MA3" associada a "mp" em vez de "np" tornou possível ter um número equilibrado de eventos mp e np dentro da tarefa completa e dentro de cada bloco . Isso reduziu a probabilidade de qualquer preconceito em relação ao np surgir puramente devido ao design. Em segundo lugar, isto permitiu-nos ter combinações mais desafiantes que investigam melhor a aprendizagem dos participantes, nomeadamente combinações que misturam pistas femininas e masculinas.

Análise

Na tarefa de aprendizagem, os dados de três participantes foram descartados porque eles escolheram persistentemente a mesma resposta durante a fase de teste (27 ou mais de 29 respostas; ou seja, taxa > 93%).5 Para analisar as escolhas e os tempos de resposta dos participantes, usamos métodos mistos generalizados. -modelagem de efeitos. Os dados continham medições repetidas dos mesmos participantes e itens em múltiplos ensaios, portanto adicionamos efeitos aleatórios para ambos os participantes e itens (ou seja, combinações de sugestões na fase de teste). Selecionamos a estrutura de efeitos aleatórios dos modelos usando uma estratégia de cima para baixo, começando com todas as interceptações e inclinações aleatórias e, em seguida, removendo os efeitos aleatórios de ordem superior, passo a passo, com base nas pontuações dos critérios de informação de Akaike. Executamos os modelos de efeitos mistos inR (R Core Team, 2019) usando o pacote lme4; os valores de p foram obtidos utilizando o maior pacote baseado nas aproximações de Satterthwaite, e as tabelas resumo do modelo foram geradas utilizando o pacote sjPlot. Para determinar a significância estatística, utilizamos um nível alfa de 0,05. Na análise dos tempos de resposta, utilizamos o método Box-Cox implementado no carpackage para transformar a distribuição para normalidade e facilitar a modelagem estatística.

Conhecimento Explícito e Questionário Demográfico

Depois de completar a tarefa de aprendizagem de línguas, os participantes preencheram um questionário que lhes perguntava se usavam alguma regra explícita para decidir quando usar cada uma das duas formas verbais e, se o fizessem, quais eram essas regras. O questionário também coletou informações sobre o sexo dos participantes, sua idade, os idiomas que falavam (além do inglês) e seu nível de escolaridade mais elevado. Uma lista completa das perguntas utilizadas no questionário é fornecida no Apêndice S4 nas Informações de Apoio online. Nós nos concentramos especificamente no papel da idade e do gênero na explicação de quaisquer diferenças individuais observadas ao ajustar o modelo R-W aos dados. Isso ocorre porque foi demonstrado que a idade e o gênero afetam tanto a aprendizagem associativa quanto a aquisição de uma segunda língua. Por exemplo, Mutter et al. (2012) mostraram que as associações estímulo-resultado têm menos probabilidade de serem adquiridas por adultos mais velhos do que por adultos jovens. Também está bem estabelecido que os adultos mais velhos são menos eficazes na aprendizagem de uma segunda língua do que os adultos jovens (para uma revisão, ver Muñoz & Singleton, 2011) e experimentam mais dificuldades na produção linguística (Burke & Shafto, 2004). Vários estudos também relataram que as mulheres apresentam níveis de condicionamento mais elevados em tarefas de aprendizagem associativa (Lonsdorf et al., 2015; Merz et al., 2018) e adquirem a linguagem de forma mais eficaz (Adani & Cepanec, 2019; van der Slik et al., 2015) do que os homens. .

Juntamente com a tarefa principal de aprendizagem, incluímos uma tarefa padrão de capacidade de aprendizagem implícita e uma de memória de trabalho (MT). Selecionamos essas duas tarefas porque elas capturam propriedades importantes do ambiente de aprendizagem: (a) o fato de que nenhuma instrução explícita foi dada; e (b) o fato de que o fenômeno linguístico pode ser considerado descontínuo no sentido de que as propriedades do (constelações do) agente, que é mencionado primeiro, determinam qual desinência passada será usada no verbo, que é mencionado em segundo lugar, de modo que alguma manutenção do agente -são necessárias informações relacionadas na memória. Dado que a nossa medida da capacidade de aprendizagem implícita não é padronizada e não desempenhou um papel significativo nos nossos modelos, reportamos esta tarefa no Apêndice S5 nas Informações de Apoio online.

Tarefa de memória de trabalho

Estímulos

Para medir a capacidade de MO dos participantes, utilizamos uma versão ligeiramente modificada do teste de amplitude de operação (Turner & Engle, 1989) usado por Medimorec et al.(2021). Em cada tentativa, os participantes foram solicitados a reter uma lista de dígitos (entre 1 e 9) apresentados um de cada vez. Cada apresentação de dígito durou 1 segundo e foi seguida por uma operação matemática simples que poderia ser correta ou incorreta (50% das operações matemáticas estavam corretas). Os participantes tiveram que verificar a veracidade da operação matemática antes que o próximo dígito pudesse ser exibido. Ao final de cada tentativa, eles deveriam digitar os dígitos na mesma ordem em que foram apresentados. O comprimento das listas de dígitos aumentou gradualmente de dois para oito, com cada comprimento repetido três vezes. A tarefa, portanto, consistiu em 21 tentativas.

Análise

Calculamos o intervalo de MO de cada participante, primeiro somando o número de itens corretos que eles lembraram na ordem correta e depois transformando z a pontuação obtida. Excluímos um participante cuja pontuação de MO foi descontínua do resto da amostra (sua pontuação de MO foi de -4,3 desvios padrão da média, enquanto a segunda pontuação de MO mais distante foi de -1,8 desvios padrão da média).

Modelagem Computacional

As equações de Rescorla-Wagner

O modelo R – W (Rescorla & Wagner, 1972) descreve computacionalmente como as associações entre pistas e resultados são estabelecidas. No contexto da nossa experiência, uma sugestão é o rótulo e a imagem polacos de uma das personagens humanas ou animais que aparecem na cena num determinado ensaio, e um resultado é a forma verbal que descreve a sua acção comum. Por exemplo, a cláusula Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("O menino, o homem e o macaco estavam andando") tem como pistas chłopiec, m ˛ezczyzna ˙ e małpa, e como resultado chodzili. No nosso caso, o peso (ou força) da associação mede a tendência de uma forma verbal ocorrer na presença de um determinado substantivo.

Depois de encontrar uma cláusula, o aluno atualiza o peso da associação entre uma sugestão ci e um resultado o, dependendo se a sugestão e o resultado aparecem na frase, usando uma regra de correção do tipo delta:

O subscrito t refere-se ao presente ensaio, portanto wt (ci, o) é a força de associação entre ci e o no ensaio t. e denotamos as taxas de aprendizagem para o sinal ci e o resultado o, respectivamente. λ refere-se à associabilidade máxima a um resultado e quase sempre é definido como 1.

Com base na equação, três casos determinam como um peso de associação é ajustado:

1. Se não houver taco, não ajustamos o peso.

2. Se tanto a sugestão quanto o resultado estiverem presentes, então isso fornece evidência positiva que deve fortalecer o peso da associação, e a soma dos pesos das pistas presentes no evento atual é ajustada para o valor máximo de associabilidade.3. Se a sugestão estiver presente, mas o resultado não for observado, então isso fornece evidência negativa que deve enfraquecer o peso da associação, e a soma dos pesos é ajustada para 0.

Para a implementação do modelo foi utilizado o pacote desenvolvido como parte do estudo de Milin et al. (2020).

Prevendo escolhas do modelo

Para gerar uma escolha de forma verbal (ou na terminologia do modelo, um resultado) a partir do modelo dado um determinado conjunto de pistas, primeiro calculamos a ativação de cada forma somando os pesos de associação entre a forma e cada uma das pistas relevantes. A resposta prevista do modelo é então a forma com maior ativação. Por exemplo, se em um determinado julgamento na fase de teste, uma cena contendo uma menina e um macaco, então as ativações das formas plural masculino (mp; chodzili) e plural não masculino (np; chodziły) são calculadas da seguinte forma:

onde para as fórmulas utilizamos os pesos finais obtidos ao final da fase de treinamento e, portanto, omitimos os subscritos de teste (nenhuma aprendizagem acontece na fase de teste). Se ativo (np) > ativo (mp), o modelo preveria a forma np e, caso contrário, preveria a forma mp.

Procedimento de ajuste do modelo

Nas nossas simulações, assumimos que λ=1 e=1 e consideramos a taxa de aprendizagem como um parâmetro livre a ser estimado para cada participante (doravante, sempre que nos referirmos à taxa de aprendizagem, sempre nos referiremos à taxa de aprendizagem). parâmetro). Especificamente, executamos 50 simulações de computador por participante usando grid-searchfor variando de 0,01 a 0,50. Em cada simulação, programamos um agente virtual para se comportar de acordo com o modelo R-W e apresentamos a ele os mesmos testes de treinamento que o participante cujo histórico de aprendizagem pretendíamos modelar. A partir do modelo treinado, geramos opções de formulário para os mesmos testes que o participante encontrado na fase de teste. Finalmente selecionamos a taxa de aprendizagem (e, portanto, o modelo) que maximizou a taxa de correspondência entre as respostas observadas do participante e as respostas previstas do modelo (isto é, a proporção de itens de teste para os quais o modelo produziu a mesma resposta que o aluno). Devido à não identificabilidade do modelo de melhor ajuste, onde em alguns casos mais de um valor de taxa de aprendizagem maximizou a taxa de correspondência, selecionamos a taxa de aprendizagem mediana como o melhor parâmetro.

Avaliação do modelo

Para ajudar a explicar os dados comportamentais dos participantes, derivamos uma medida baseada na ativação do modelo R – W ajustado, que chamamos de suporte de ativação para um resultado. A medida visa explicar as escolhas de forma e os tempos de resposta dos participantes e é definida como a diferença entre a ativação do resultado de interesse e a ativação do resultado restante. Por exemplo, o suporte de ativação para a forma plural não masculina (np) é dado pelo seguinte:

suporte de ativação (np)=ativo (np) - ativo (mp)

Nossa hipótese é que quanto maior o suporte de ativação para uma forma verbal (ou seja, quanto mais forte for a evidência do modelo que apoia a forma verbal em relação à outra forma possível), maior será a probabilidade dessa forma ser selecionada pelos participantes. Também esperávamos que a magnitude do apoio à ativação se correlacionasse negativamente com os tempos de resposta dos participantes. Ou seja, quanto maior a magnitude dessa medida, mais rápida será a resposta do participante. Isto deve traduzir-se numa relação quadrática entre o suporte de activação e os tempos de resposta, com as respostas mais lentas esperadas quando os valores de suporte de activação estão próximos de zero, e as respostas mais rápidas esperadas para valores positivos ou negativos elevados.

Resultados

Esta seção avalia até que ponto o modelo R – W explica o comportamento de nossos participantes ajustando um modelo separado aos dados de cada participante e testa se a qualidade de ajuste do modelo é afetada por diferenças individuais, como amplitude de WM, idade e sexo. Apresentamos primeiro alguns resultados descritivos sobre os pesos de associação dos modelos ajustados, que resumem o conhecimento linguístico adquirido pelos participantes na tarefa de aprendizagem de línguas. A seguir, comparamos a qualidade de ajuste do modelo com a de outras estratégias de resposta plausíveis, mas baseadas em regras. Apresentamos então sucessivamente análises que avaliam a capacidade do modelo de recuperar as escolhas linguísticas, as latências temporais e os níveis de concordância das respostas dos participantes. O efeito das características cognitivas e pessoais na medida em que o modelo R-W captura a aprendizagem de línguas é analisado no final da secção Resultados.

Pesos de associação de forma substantivo-verbo aprendidos

Seguindo o procedimento de ajuste descrito anteriormente na seção sobre modelagem computacional, selecionamos o modelo que melhor capturou as escolhas que cada participante fez durante os testes, encontrando o parâmetro de taxa de aprendizagem "correto" (ver Apêndice S6 nas Informações de Apoio on-line). Cada participante foi caracterizado principalmente por dois regimes de precisão de ajuste do modelo: um para taxas de aprendizagem variando aproximadamente entre 0,05 e 0,11, e outro para taxas de aprendizagem entre 0,12 e 0,50 (com algumas exceções, como para os Participantes 12, 19, 27 e 35). , para quem havia três regimes de precisão), com nenhum dos dois regimes levando consistentemente a uma melhor precisão de ajuste do modelo. Tomados em conjunto, embora a variabilidade explicada nas escolhas contribuída pelo parâmetro de taxa de aprendizagem fosse limitada, fazer ajustes pelos participantes para esse parâmetro ainda era benéfico e esclarecedor: Observamos que não havia um único valor de taxa de aprendizagem que levasse à maior precisão de ajuste do modelo para todos os participantes. Em outras palavras, parece haver diferenças individuais consideráveis ​​na taxa de aprendizagem. A Figura 2 mostra as distribuições dos pesos de associação adquiridos de todos os possíveis pares de formas substantivo-verbo dos modelos de melhor ajuste.

No geral, as distribuições dos pesos de associação foram semelhantes dentro de cada categoria de sugestão (por exemplo, MA1, MA2 e MA3 dentro da categoria uMA), reforçando nosso agrupamento das pistas com base no gênero gramatical e na animação dos substantivos que representam. Em segundo lugar, e sem surpresa, as pistas masculinas (desbloqueadas) ganharam um peso de associação positivo com a forma plural masculina (ou seja, é mais provável que estas pistas resultem numa escolha para a forma plural masculina), enquanto as pistas femininas desbloqueadas ganharam um peso de associação positivo com a forma não masculina (ou seja, é mais provável que essas pistas resultem em uma escolha pela forma plural não masculina). As magnitudes dos pesos também diferiram entre os participantes para a maioria das pistas, criando assim uma ferramenta potencial para capturar diferenças individuais em nossos dados.

Conforme previsto pelo bloqueio (padrão), os pesos de associação entre as pistas femininas bloqueadas (ou seja, FA3 e FP3) e a forma não masculina estavam mais centrados em torno de zero do que suas contrapartes desbloqueadas (veja os painéis para FA3 e FP3 na Figura 2). O bloqueio, entretanto, ainda não está totalmente refletido nos pesos adquiridos, pois para muitos participantes os pesos de associação entre as pistas femininas bloqueadas e a forma não masculina foram diferentes de zero. Um efeito inibitório semelhante ao bloqueio (ou seja, um peso negativo entre FA4 e a forma plural masculina) apareceu em cerca de um terço dos participantes. Para os restantes participantes, FA4 assemelhava-se mais a uma sugestão de bloqueio padrão, uma vez que o seu peso de associação com a forma masculina era próximo de zero. Tomados em conjunto, os efeitos do tipo bloqueio mostraram tendências nas direcções previstas.

Assumimos que a sua magnitude relativamente moderada se devia ao facto da nossa experiência ter capturado as fases iniciais da aprendizagem, onde as exposições dos estímulos eram repetidas apenas 15 vezes. Esta hipótese foi confirmada pela reexecução das simulações apresentadas na Figura 2, agora com 1,000 repetições por evento, conforme mostrado no Apêndice S7 nas Informações de Apoio online; efeitos de bloqueio e bloqueio inibitório ocorreram para todos os participantes, independentemente da sua taxa de aprendizagem ou ordem do evento. Estes resultados confirmam o que apontámos anteriormente. Os preconceitos e as diferenças na aprendizagem têm maior probabilidade de se manifestarem precocemente na aprendizagem (Ellis, 2006a).

Taxas de correspondência entre participante e modelo

Em seguida, investigamos até que ponto essas diferenças na aprendizagem podem ser capturadas pelo modelo R-W se levarmos em conta a ordem dos eventos encontrados por cada participante, bem como as diferenças nas suas taxas de aprendizagem. A precisão do modelo (ou seja, a proporção de correspondências entre as respostas de um determinado participante e seu modelo R – W de melhor ajuste) variou de 0,24 a 1.00 (M=0,68,SD { {6}} 0,17): 17 de 63 participantes tiveram uma precisão de ajuste maior ou igual a 0,80 e apenas nove participantes tiveram uma proporção de correspondências inferior a 0,50. A avaliação do ajuste do modelo usando a validação cruzada de deixar um de fora6 mostra que a precisão do ajuste do modelo foi igualmente alta em dados não vistos, com uma precisão média de 0,68 (SD=0,17) e 17 de 63 participantes alcançaram uma precisão de ajuste maior que ou igual a 0,80. As taxas de precisão de ajuste foram mais altas para eventos contendo uma sugestão pessoal masculina (M=0,74) ou uma sugestão pessoal feminina desbloqueada (M=0,68), e foram mais baixas para eventos contendo a sugestão bloqueada inibitória (M=0,61) ou uma sugestão animada (todos os meios≈ 0,65).

Esses resultados sugerem um ajuste razoavelmente bom do modelo R-W aos dados dos participantes, visto que consideramos uma estratégia simples para gerar previsões de respostas com base nas ativações do modelo - ou seja, para cada evento, selecionamos a forma verbal que teve a maior ativação independentemente da diferença nas magnitudes de ativação das duas formas verbais possíveis. Posteriormente analisaremos a sensibilidade das ativações dos modelos ajustados às proporções de escolha de forma e tempos de resposta observados.

Comparação entre o modelo Rescorla-Wagner e outras estratégias de decisão

Os resultados apresentados acima mostram que o modelo R-W captura razoavelmente bem o comportamento dos nossos participantes, mas como o modelo se compara a outras estratégias que os participantes possam ter empregado durante o experimento? Para responder a essa pergunta, consideramos quatro estratégias de decisão. As duas primeiras são as estratégias prescritivas e normativas que apresentamos anteriormente. A estratégia prescritiva é aquela descrita, ou prescrita, pelas gramáticas polonesas, em que um participante sempre escolhe a forma verbal não masculina, exceto quando uma sugestão pessoal masculina está presente (também nos referimos a essa estratégia como a estratégia “preconceituosa para o feminino”). A estratégia normativa é aquela geralmente adotada por falantes nativos de polonês, em que a forma verbal masculina é sempre selecionada, exceto quando todas as pistas são femininas (referida como estratégia "preconceituosa masculina"). Também incluímos duas estratégias básicas, pelas quais um participante sempre escolhe a forma verbal masculina (referida como a estratégia "somente masculina") ou sempre escolhe a forma verbal não masculina (referida como a estratégia "somente feminina"). As duas últimas estratégias foram incluídas para capturar o comportamento dos participantes nos extremos.

A Figura 3 mostra a proporção de participantes que melhor se ajustam a cada um dos cinco modelos resultantes (R–W e nossas quatro estratégias de decisão); consideramos o(s) modelo(s) com a maior taxa de correspondência participante-modelo entre os cinco modelos como o(s) modelo(s) de melhor ajuste. O modelo R-W foi o modelo que melhor explicou as respostas dos participantes (31 de 63 participantes), seguido de perto pela estratégia normativa (26 participantes). As outras três estratégias explicaram as escolhas dos participantes substancialmente menos bem do que essas duas estratégias (< 12 participants). The fact that the R–W model and the normative strategy were close in capturing participants' behavior is not very surprising since the verb forms used in the training events were selected based on the normative rules and the predictions of the R–W model were largely by the normative strategy (Figure 3). It is interesting, though, that the R–W model managed to learn this strategy implicitly without any prior experience based on a simple general learning rule. The average percentage of response matches between the R–W model and the normative strategy per participant was above 90%, and the average percentage of response matches between the R–W model and the prescriptive strategy was above 85%.

For more information:1950477648nn@gmail.com