Mecanismos de corrección de errores en el aprendizaje de idiomas: modelado de individuos, parte 2

Tarea de aprendizaje de idiomas

Nuestra tarea simplificada de aprendizaje de lenguaje natural se inspiró en el desafío de aprender la concordancia sujeto-verbo en tiempo pasado plural en polaco. En tiempo pasado, los verbos se marcan según el género gramatical del sujeto de acuerdo con las siguientes reglas:

1. Si uno de los referentes es personal masculino (por ejemplo, "hombre"), entonces el género del sujeto en su conjunto es –li, que a veces se denomina terminación personal masculina.

El aprendizaje del lenguaje natural es una capacidad que nos ayuda a comprender y aplicar mejor el lenguaje. La memoria es una habilidad igualmente importante que nos ayuda a dominar mejor los conocimientos y habilidades. La relación entre ambos es estrecha y se complementan.

Primero, el aprendizaje de lenguajes naturales puede mejorar nuestra memoria. Cuando aprendemos nuevo vocabulario y reglas gramaticales, necesitamos practicarlas y memorizarlas repetidamente, lo que puede ejercitar nuestra capacidad de memoria. Cuando podemos construir un modelo de lenguaje lógico y significativo, podemos recordar y comprender más fácilmente el conocimiento relevante.

Además, la memoria también puede ayudarnos a aprender mejor el lenguaje natural. Cuando memorizamos y dominamos algunas estructuras y vocabulario básicos del lenguaje, podemos comprender y aplicar el lenguaje más fácilmente, lo que también nos ayudará a acumular más experiencia y habilidades en el proceso de mejorar las habilidades de aprendizaje del lenguaje natural.

En resumen, el aprendizaje del lenguaje natural y la memoria son habilidades muy importantes y debemos ejercitarlas y mejorarlas continuamente. Sólo aprovechando al máximo las ventajas de ambos podremos aprender y dominar el idioma más fácilmente, haciendo así nuestras vidas mejores y más coloridas. Se puede ver que necesitamos mejorar nuestra memoria. Cistanche deserticola puede mejorar significativamente nuestra memoria, porque Cistanche deserticola también puede regular el equilibrio de los neurotransmisores, como aumentar los niveles de acetilcolina y factores de crecimiento. Estas sustancias son muy importantes para la memoria y el aprendizaje. Es importante destacar que, además, la carne obtenida de la carne también puede mejorar el flujo sanguíneo y promover el suministro de oxígeno, lo que puede garantizar que el cerebro reciba suficientes nutrientes y energía, mejorando así la vitalidad y la resistencia del cerebro.

Haz clic en conocer suplementos para mejorar la memoria

2. Si los referentes son femeninos animados (p. ej., "pato"), femenino personal (p. ej., "niña") o neutros (p. ej., "niño"), entonces el género del sujeto es –ły, al que a veces se hace referencia. como la terminación personal no masculina.

3. Las gramáticas prescriptivas y los hablantes nativos de polaco no están de acuerdo sobre qué forma debe asignarse a un tema que incluye múltiples referentes animados masculinos que no son personas (por ejemplo, "el perro y el gato salieron a caminar") o que mezcla referentes personales masculinos animados y femeninos. (p. ej., "la niña y el perro salieron a caminar"). Los libros de texto de gramática prescriben el uso de –ły, mientras que los hablantes nativos parecen favorecer el uso de –li, según Kiełkiewicz-Janowiak y Pawelczyk (2014).

Para diseñar nuestra tarea simplificada de aprendizaje del lenguaje natural, implementamos las dos primeras reglas, pero asumimos que un sujeto compuesto por referentes animados masculinos debería usarse con la forma personal masculina, como lo sugieren Kiełkiewicz-Janowiak y Pawelczyk (2014). Hicimos tal concesión para mejorar la capacidad de prueba de nuestra tarea desde una perspectiva de aprendizaje, como se explica en el diseño de la tarea a continuación.

Estímulos

Cada evento en nuestra tarea de aprendizaje consistió en una escena que representaba una acción conjunta realizada por un grupo de personajes humanos y/o animales, y para cada evento de aprendizaje, los participantes vieron una imagen que representaba la escena (Figura 1), junto con una grabación de audio de una cláusula polaca que lo describe. Una nueva prueba comenzó con un punto de fijación que se mostró en el centro de la pantalla durante unos 500 ms, seguido de la visualización simultánea de la imagen de la escena. Los participantes escucharon la grabación de audio de la cláusula que describe la escena 250 ms después del inicio de la imagen de la escena mientras la imagen permanecía en exhibición. Luego se presentó una nueva prueba después de aproximadamente 1 s.

Usamos la elección del verbo ("caminar"), con sus dos posibles formas en pasado plural, chodziły (forma plural no masculina) y choli (forma plural masculina), como acción común en todos los eventos de aprendizaje. Un ejemplo de cláusula escuchada por los participantes es Chłopiec i kaczka chodzili ("El niño y el pato caminaban"). Las primeras tres columnas de la Tabla 1 proporcionan una lista de todos los personajes utilizados en el experimento, junto con sus categorías lingüísticas en términos de género y animidad; las dos últimas columnas se refieren al diseño de la tarea y serán relevantes en la siguiente sección.

Las imágenes que representan los diferentes personajes humanos y animales fueron extraídas de Adobe Stock (https://stock.adobe.com) y luego editadas usando Adobe Photoshop CC 2018. Las grabaciones de audio tanto de las etiquetas de los personajes como de las dos formas verbales se prepararon usando el sintetizador de voz. softwareSpeech2Go (Harpo Software, 2018).

Estructuramos nuestra tarea de esta manera para crear efectos similares a los de bloqueo, como se ven habitualmente en los experimentos de aprendizaje pavlovianos. Por ejemplo, la adición de las señales FA3 y FP3 a los compuestos "FA1 + FA2" y "FP1 + FP2", respectivamente, en el segundo bloque debería reducir la fuerza de asociación que pueden obtener FA3 y FP3 para resultado nf. Del mismo modo, entrenar MP1 y MP2 con el resultadomp en el primer bloque debería impedir que FA4 adquiera una asociación positiva con mp. Además de predecir que FA4 podría bloquearse, también predijimos que podría volverse inhibidor de mp, es decir, ganar un peso de asociación negativo con mp, como se verá cuando presentemos los resultados de la simulación de ajuste del modelo.4

Por lo tanto, nos referimos a FA3 y FP3 como señales bloqueadas, y a FA4 como una señal bloqueada inhibidora.

Clasificamos las señales en siete categorías diferentes según sus propiedades lingüísticas y los efectos de bloqueo que predicen (consulte la columna más a la derecha en la Tabla 1). Específicamente, las siete categorías se basaron en si la señal es masculina o femenina, si es personal o animada, si se predice que será bloqueada o desbloqueada, y si se predice que será una señal inhibidora bloqueada. La similitud entre las señales dentro de cada una de estas categorías se ve reforzada por el hecho de que comparten los mismos pesos de asociación con cada resultado, según la teoría R-W, como se mostrará en la sección Resultados sobre pesos de asociación de formas sustantivo-verbal aprendidas.

Diseño

Primero, a los participantes se les enseñaron las etiquetas polacas de los diferentes personajes animales y humanos utilizados en la tarea de aprendizaje. Específicamente, a los participantes se les presentaron las imágenes de todos los personajes junto con sus etiquetas correspondientes, primero individualmente y luego en combinación, tal como aparecen más adelante en la tarea de aprendizaje (por ejemplo, un perro, un niño, un perro y un mono). Había ocho combinaciones de caracteres de este tipo, y los participantes debían recordar al menos siete de ellas (es decir, alcanzar una precisión de retención del 87,5%) antes de poder continuar con la tarea principal (consulte el Apéndice S2 en la Información de apoyo en línea para obtener más detalles). A los participantes se les permitió hasta 10 intentos para alcanzar el nivel de precisión requerido.

La tarea principal consistió en una fase de formación y una de prueba. El diseño de la parte de capacitación de la tarea se resume en la Tabla 2. La tarea contenía 12 señales y dos resultados. El signo "+" indica que las señales se presentaron en el compuesto y el símbolo de flecha "→" indica que el resultado en el lado derecho siguió las señales. Así, por ejemplo, "FP1 + FP2 + FP3 → np"representa una cláusula como Dziewczyna, kobieta i babcia chodziły ("La niña, la mujer y la abuela caminaban"), donde el sujeto de la cláusula se compone de tres caracteres femeninos y el verbo está en la forma pasada no masculina plural (np), a diferencia de la forma pasada masculina plural (mp). Había dos bloques de entrenamiento, cada uno con cuatro eventos que se repetían 15 veces cada uno. El orden de los eventos fue completamente aleatorio dentro de cada bloque. Los eventos del primer bloque estaban compuestos por pares de señales, mientras que los del segundo bloque estaban compuestos por triples de señales.

Después del entrenamiento, el participante pasó a la fase de prueba. La prueba constaba de dos componentes. Al utilizar una señal generada aleatoriamente de cada categoría, probamos el aprendizaje una vez en todos los pares posibles mezclando señales de la misma categoría de señal (por ejemplo, FP1 + FP2 del grupo uFP) o señales de diferentes categorías (por ejemplo, MA{ {2}} FP3 de los grupos uMA y bFP). También incluimos las cuatro combinaciones que consisten en triples de señales presentadas en la fase de entrenamiento como una prueba de cordura para el recuerdo de los participantes (estas combinaciones fueron excluidas de nuestros análisis principales). En general, en la fase de prueba, cada alumno encontró un total de 29 combinaciones de señales, que fueron seleccionadas al azar de un total de 70 posibles combinaciones de señales. (El formato exacto y las instrucciones utilizadas durante la administración de la tarea se proporcionan en el Apéndice S2 en la Información de respaldo en línea, y la lista de todas las combinaciones de señales de prueba se proporciona en el Apéndice S3).

Finalmente, volvamos a la pregunta de por qué adoptamos la regla de Kiełkiewicz Janowiak y Pawelczyk (2014), según la cual cualquier combinación de sujeto que contenga un referente masculino toma la forma plural personal masculina. En primer lugar, tener la combinación "MA1 + MA2 + MA3" asociada con "mp" en lugar de "np" hizo posible tener un número equilibrado de eventos mp y np tanto dentro de la tarea completa como dentro de cada bloque. . Esto redujo la probabilidad de que surgiera cualquier sesgo hacia np simplemente debido al diseño. En segundo lugar, esto nos permitió tener combinaciones más desafiantes que exploran mejor el aprendizaje de los participantes, en particular combinaciones que mezclan señales femeninas y masculinas.

Análisis

De la tarea de aprendizaje, se descartaron datos de tres participantes porque eligieron persistentemente la misma respuesta a lo largo de la fase de prueba (27 o más de 29 respuestas; es decir, tasa > 93%).5 Para analizar las elecciones y los tiempos de respuesta de los participantes, utilizamos métodos mixtos generalizados. -modelado de efectos. Los datos contenían mediciones repetidas de los mismos participantes y elementos en múltiples ensayos, por lo que agregamos efectos aleatorios tanto para los participantes como para los elementos (es decir, combinaciones de señales en la fase de prueba). Seleccionamos la estructura de efectos aleatorios de los modelos utilizando una estrategia de arriba hacia abajo comenzando con todas las intersecciones y pendientes aleatorias y luego eliminando los efectos aleatorios de orden superior paso a paso según las puntuaciones del criterio de información de Akaike. Ejecutamos los modelos de efectos mixtos enR (R Core Team, 2019) usando el paquete lme4; los valores de p se obtuvieron usando el paquete más grande basado en las aproximaciones de Satterthwaite, y las tablas de resumen del modelo se generaron usando el paquete sjPlot. Para determinar la significación estadística, utilizamos un nivel alfa de 0,05. En el análisis de los tiempos de respuesta, utilizamos el método Box-Cox implementado en el paquete del automóvil para transformar la distribución a la normalidad y facilitar el modelado estadístico.

Conocimiento explícito y cuestionario demográfico

Después de completar la tarea de aprendizaje del idioma, los participantes completaron un cuestionario que les preguntaba si usaban reglas explícitas para decidir cuándo usar cada una de las dos formas verbales y, si lo hacían, cuáles eran esas reglas. El cuestionario también recopiló información sobre el género de los participantes, su edad, los idiomas que hablaban (aparte del inglés) y su nivel educativo más alto. Una lista completa de las preguntas utilizadas en el cuestionario se proporciona en el Apéndice S4 en la Información de respaldo en línea. Nos centramos específicamente en el papel de la edad y el género a la hora de explicar cualquier diferencia individual observada al ajustar el modelo R-W a los datos. Esto se debe a que se ha demostrado que la edad y el género afectan tanto el aprendizaje asociativo como la adquisición de una segunda lengua. Por ejemplo, Mutter et al. (2012) demostraron que es menos probable que los adultos mayores adquieran asociaciones señal-resultado que los adultos jóvenes. También está bien establecido que los adultos mayores son menos eficaces en el aprendizaje de una segunda lengua que los adultos jóvenes (para una revisión, ver Muñoz & Singleton, 2011) y experimentan más dificultades con la producción del lenguaje (Burke & Shafto, 2004). Varios estudios también han informado que las mujeres muestran niveles de condicionamiento más altos en tareas de aprendizaje asociativo (Lonsdorf et al., 2015; Merz et al., 2018) y adquieren el lenguaje de manera más efectiva (Adani & Cepanec, 2019; van der Slik et al., 2015) que los hombres. .

Además de la tarea de aprendizaje principal, incluimos una tarea estándar de capacidad de aprendizaje implícito y una de memoria de trabajo (WM). Seleccionamos estas dos tareas porque capturan propiedades destacadas de la configuración de aprendizaje: (a) el hecho de que no se dieron instrucciones explícitas; y (b) el hecho de que el fenómeno lingüístico puede considerarse discontinuo en el sentido de que las propiedades de (las constelaciones de) el agente, que se menciona en primer lugar, determinan qué terminación del pasado se usará en el verbo, que se menciona en segundo lugar, de modo que se mantenga cierto mantenimiento del agente. -Se requiere información relacionada en la memoria. Dado que nuestra medida de la capacidad de aprendizaje implícito no es estándar y no jugó un papel importante en nuestros modelos, informamos sobre esta tarea en el Apéndice S5 de la Información de apoyo en línea.

Tarea de memoria de trabajo

Estímulos

Para medir la capacidad de MT de los participantes, utilizamos una versión ligeramente modificada de la prueba de duración operativa (Turner & Engle, 1989) utilizada por Medimorec et al. (2021). En cada prueba, se pidió a los participantes que retuvieran una lista de dígitos (entre 1 y 9) presentados uno por uno. Cada presentación de dígitos duró 1 segundo y fue seguida de una operación matemática simple que podía ser correcta o incorrecta (el 50% de las operaciones matemáticas fueron correctas). Los participantes tuvieron que verificar la veracidad de la operación matemática antes de que se pudiera mostrar el siguiente dígito. Al final de cada prueba, debían escribir los dígitos en el mismo orden en que se los habían presentado. La longitud de las listas de dígitos aumentó gradualmente de dos a ocho, y cada longitud se repitió tres veces. Por tanto, la tarea consistió en 21 intentos.

Análisis

Calculamos el intervalo de MT de cada participante sumando primero el número de elementos correctos que recordaron en el orden correcto y luego transformando en z la puntuación obtenida. Excluimos a un participante cuya puntuación de WM fue discontinua del resto de la muestra (su puntuación de WM fue de -4,3 desviaciones estándar de la media, mientras que la segunda puntuación de WM más alejada fue de -1,8 desviaciones estándar de la media).

Modelado computacional

Las ecuaciones de Rescorla-Wagner

El modelo R-W (Rescorla y Wagner, 1972) describe computacionalmente cómo se establecen las asociaciones entre señales y resultados. En el contexto de nuestro experimento, una señal es la etiqueta polaca y la imagen de uno de los personajes humanos o animales que aparecen en la escena de una prueba determinada, y un resultado es la forma verbal que describe su acción común. Por ejemplo, la cláusula Chłopiec,m ˛ezczyzna i małpa chodzili ˙ ("El niño, el hombre y el mono caminaban") tiene como pistas chłopiec, m ˛ezczyzna ˙ y małpa, y como resultado chodzili. En nuestro caso, el peso (o fuerza) de la asociación mide la tendencia de una forma verbal a aparecer en presencia de un determinado sustantivo.

Después de encontrar una cláusula, el alumno actualiza el peso de la asociación entre una señal ci y un resultado o, dependiendo de si la señal y el resultado aparecen en la oración, usando una regla de corrección de tipo delta:

El subíndice t se refiere al presente ensayo, por lo tanto wt (ci, o) es la fuerza de asociación entre ci y o en el ensayo t. y denotan las tasas de aprendizaje para la señal ci y el resultado o respectivamente. λ se refiere a la máxima asociabilidad a un resultado y casi siempre se establece en 1.

Según la ecuación, tres casos determinan cómo se ajusta el peso de una asociación:

1. Si no hay señal, no ajustamos el peso.

2. Si tanto la señal como el resultado están presentes, entonces esto proporciona evidencia positiva que debería fortalecer el peso de la asociación, y la suma de los pesos de las señales presentes en el evento actual se ajusta hacia el valor máximo de asociabilidad. Si la señal está presente pero el resultado no se observa, entonces esto proporciona evidencia negativa que debería debilitar el peso de la asociación, y la suma de los pesos se ajusta hacia 0.

Para la implementación del modelo se utilizó el paquete que fue desarrollado como parte del estudio de Milin et al. (2020).

Predecir opciones a partir del modelo

Para generar una elección de forma verbal (o en la terminología del modelo, un resultado) a partir del modelo dado un cierto conjunto de señales, primero calculamos la activación de cada forma sumando los pesos de asociación entre la forma y cada una de las señales relevantes. La respuesta predicha del modelo es entonces la forma que tiene la mayor activación. Por ejemplo, si en una determinada prueba en la fase de prueba, una escena contiene una niña y un mono, entonces las activaciones de las formas plural masculino (mp; chodzili) y plural no masculino (np; chodziły) se calculan de la siguiente manera:

donde para las fórmulas utilizamos los pesos finales obtenidos al final de la fase de entrenamiento y, por lo tanto, omitimos los subíndices de prueba (no se produce ningún aprendizaje en la fase de prueba). Si activo (np) > activo (mp), el modelo predeciría la forma np y, en caso contrario, predeciría la forma mp.

Procedimiento de ajuste del modelo

En nuestras simulaciones, asumimos que λ=1 y=1 y consideramos la tasa de aprendizaje como un parámetro libre a estimar para cada participante (en adelante, siempre que nos referimos a la tasa de aprendizaje, siempre nos referiremos a la parámetro). Específicamente, ejecutamos 50 simulaciones por computadora por participante utilizando grid-searchfor que oscilaba entre .01 y .50. En cada simulación, programamos un agente virtual para que se comportara de acuerdo con el modelo R-W y le presentamos las mismas pruebas de entrenamiento que el participante cuyo historial de aprendizaje pretendíamos modelar. A partir del modelo entrenado, generamos opciones de forma para las mismas pruebas que el agente virtual. participante encontrado en la fase de prueba. Finalmente seleccionamos la tasa de aprendizaje (y por lo tanto el modelo) que maximizaba la tasa de coincidencia entre las respuestas observadas del participante y las respuestas predichas del modelo (es decir, la proporción de elementos de prueba para los cuales el modelo produjo la misma respuesta que el alumno). Debido a la no identificabilidad del modelo de mejor ajuste, donde en algunos casos más de un valor de tasa de aprendizaje maximizaba la tasa de coincidencia, seleccionamos la tasa de aprendizaje mediana como el mejor parámetro.

Evaluación del modelo

Para ayudar a explicar los datos de comportamiento de los participantes, derivamos una medida basada en la activación del modelo R-W ajustado, al que llamamos apoyo de activación para un resultado. La medida tiene como objetivo explicar las elecciones de forma y los tiempos de respuesta de los participantes y se define como la diferencia entre la activación del resultado de interés y la activación del resultado restante. Por ejemplo, el soporte de activación para la forma plural no masculina (np) viene dado por lo siguiente:

soporte de activación (np)=activo (np) − activo (mp)

Nuestra hipótesis es que cuanto mayor sea el soporte de activación para una forma verbal (es decir, cuanto más fuerte sea la evidencia del modelo que respalda la forma verbal en relación con la otra forma posible), mayor será la probabilidad de que los participantes seleccionen esa forma. También esperábamos que la magnitud del apoyo a la activación se correlacionara negativamente con los tiempos de respuesta de los participantes. En otras palabras, cuanto mayor sea la magnitud de esta medida, más rápida será la respuesta del participante. Esto debería traducirse en una relación cuadrática entre el soporte de activación y los tiempos de respuesta, donde se esperan las respuestas más lentas cuando los valores de soporte de activación son cercanos a cero, y se esperan respuestas más rápidas para valores altos positivos o negativos.

Resultados

Esta sección evalúa hasta qué punto el modelo R-W explica el comportamiento de nuestros participantes ajustando un modelo separado a los datos de cada participante y prueba si la calidad del ajuste del modelo se ve afectada por diferencias individuales como la duración de WM, la edad y el género. Primero presentamos algunos resultados descriptivos sobre los pesos de asociación de los modelos ajustados, que resumen el conocimiento lingüístico adquirido por los participantes en la tarea de aprendizaje de idiomas. A continuación, comparamos la calidad de ajuste del modelo con la de otras estrategias de respuesta plausibles, aunque basadas en reglas. Luego presentamos sucesivamente análisis que evalúan la capacidad del modelo para recuperar las elecciones lingüísticas, las latencias temporales y los niveles de acuerdo de respuesta de los participantes. El efecto de las características cognitivas y personales en la medida en que el modelo R-W captura el aprendizaje de idiomas se analiza al final de la sección de Resultados.

Pesos de asociación de formas verbales y sustantivos aprendidos

Siguiendo el procedimiento de ajuste descrito anteriormente en la sección sobre modelado computacional, seleccionamos el modelo que mejor capturaba las elecciones que hizo cada participante durante las pruebas, al encontrar el parámetro de tasa de aprendizaje "correcto" (consulte el Apéndice S6 en la Información de respaldo en línea). Cada participante se caracterizó principalmente por dos regímenes de precisión de ajuste del modelo: uno para tasas de aprendizaje que oscilaban aproximadamente entre 0,05 y 0,11, y otro para tasas de aprendizaje entre 0,12 y 0,50 (con algunas excepciones, como para los participantes 12, 19, 27 y 35). , para quienes hubo tres regímenes de precisión), y ninguno de los dos regímenes condujo consistentemente a una mejor precisión de ajuste del modelo. En conjunto, aunque la variabilidad explicada en las elecciones aportadas por el parámetro de tasa de aprendizaje fue limitada, hacer ajustes por parte de los participantes para ese parámetro aún fue beneficioso y esclarecedor: observamos que no había un único valor de tasa de aprendizaje que condujera a la mayor precisión de ajuste del modelo para todos los participantes. En otras palabras, parece haber diferencias individuales considerables en la tasa de aprendizaje. La Figura 2 muestra las distribuciones de los pesos de asociación adquiridos de todos los posibles pares de formas sustantivo-verbal de los modelos que mejor se ajustan.

En general, las distribuciones de los pesos de asociación fueron similares dentro de cada categoría de señales (p. ej., MA1, MA2 y MA3 dentro de la categoría uMA), lo que reforzó nuestra agrupación de las señales según el género gramatical y la animacidad de los sustantivos que representan. En segundo lugar, y como era de esperar, las señales masculinas (desbloqueadas) ganaron un peso de asociación positivo con la forma plural masculina (es decir, es más probable que estas señales resulten en una elección por la forma plural masculina), mientras que las señales femeninas desbloqueadas ganaron un peso de asociación positiva con la forma no masculina (es decir, es más probable que estas señales resulten en una elección por la forma plural no masculina). Las magnitudes de los pesos también difirieron entre los participantes para la mayoría de las señales, creando así una herramienta potencial para capturar diferencias individuales en nuestros datos.

Como lo predijo el bloqueo (estándar), los pesos de asociación entre las señales femeninas bloqueadas (es decir, FA3 y FP3) y la forma no masculina estaban más centradas alrededor de cero que sus contrapartes desbloqueadas (consulte los paneles para FA3 y FP3 en la Figura 2). Sin embargo, el bloqueo aún no se refleja completamente en los pesos adquiridos, ya que para muchos participantes, los pesos de asociación entre las señales femeninas bloqueadas y la forma no masculina eran diferentes de cero. Un efecto inhibidor similar al bloqueo (es decir, un peso negativo entre FA4 y la forma plural masculina) apareció en aproximadamente un tercio de los participantes. Para los participantes restantes, FA4 era más bien una señal de bloqueo estándar, ya que su peso de asociación con la forma masculina era de alrededor de cero. En conjunto, los efectos similares a los de bloqueo mostraron tendencias en las direcciones previstas.

Supusimos que su magnitud relativamente leve se debía a que nuestro experimento capturó las primeras fases del aprendizaje, donde las exposiciones de los estímulos se repitieron sólo 15 veces. Esta hipótesis se confirmó volviendo a ejecutar las simulaciones presentadas en la Figura 2, ahora con 1,000 repeticiones por evento, como se muestra en el Apéndice S7 en la Información de respaldo en línea; Se produjeron efectos de bloqueo e inhibidor en todos los participantes, independientemente de su tasa de aprendizaje o del orden de los eventos. Estos resultados confirman lo que señalamos antes. Es más probable que los sesgos y las diferencias en el aprendizaje se manifiesten en las primeras etapas del aprendizaje (Ellis, 2006a).

Tasas de coincidencia entre participante y modelo

A continuación, investigamos hasta qué punto estas diferencias en el aprendizaje pueden ser capturadas por el modelo R – W si tomamos en cuenta el orden de los eventos encontrados por cada participante, así como las diferencias en sus tasas de aprendizaje. La precisión de ajuste del modelo (es decir, la proporción de coincidencias entre las respuestas de un participante determinado y su modelo R-W que mejor se ajusta) osciló entre 0,24 y 1.00 (M=0,68,SD { {6}} .17): 17 de 63 participantes tuvieron una precisión de ajuste mayor o igual a .80, y solo nueve participantes tuvieron una proporción de coincidencias inferior a .50. La evaluación del ajuste del modelo mediante validación cruzada con exclusión de uno6 muestra que la precisión del ajuste del modelo fue igualmente alta en datos no vistos, con una precisión promedio de 0,68 (SD=0,17) y 17 de 63 participantes alcanzaron una precisión de ajuste mayor que o igual a .80. Las tasas de precisión de ajuste fueron más altas para los eventos que contenían una señal personal masculina (M=.74) o una señal personal femenina no bloqueada (M=.68), y fueron más bajas para los eventos que contenían la señal inhibidora bloqueada (M=.61) o una señal animada (todos los medios≈ .65).

Estos resultados sugieren un ajuste razonablemente bueno del modelo R–W a los datos de los participantes, dado que consideramos una estrategia simple para generar predicciones de respuesta basadas en las activaciones del modelo; es decir, para cada evento, seleccionamos la forma verbal que tuvo la mayor activación. independientemente de la diferencia en las magnitudes de activación de las dos formas verbales posibles. Posteriormente analizaremos la sensibilidad de las activaciones de los modelos ajustados a las proporciones de elección de forma y tiempos de respuesta observados.

Comparación entre el modelo Rescorla-Wagner y otras estrategias de decisión

Los resultados presentados anteriormente muestran que el modelo R-W captura razonablemente bien el comportamiento de nuestros participantes, pero ¿cómo se compara el modelo con otras estrategias que los participantes podrían haber empleado durante el experimento? Para responder a esta pregunta, consideramos cuatro estrategias de decisión. Las dos primeras son las estrategias prescriptivas y normativas que presentamos anteriormente. La estrategia prescriptiva es la que describen o prescriben los libros de gramática polaca, mediante la cual un participante siempre elige la forma verbal no masculina, excepto cuando está presente una señal personal masculina (también nos referimos a esta estrategia como la estrategia "sesgada hacia lo femenino"). La estrategia normativa es la que generalmente adoptan los hablantes nativos de polaco, mediante la cual siempre se selecciona la forma verbal masculina, excepto cuando todas las señales son femeninas (lo que se conoce como estrategia "sesgada masculina"). También incluimos dos estrategias básicas, mediante las cuales un participante siempre elige la forma verbal masculina (conocida como estrategia "solo masculina") o siempre elige la forma verbal no masculina (conocida como estrategia "solo femenina"). Las dos últimas estrategias se incluyeron para capturar el comportamiento de los participantes en los extremos.

La Figura 3 muestra la proporción de participantes que mejor se ajustan a cada uno de los cinco modelos resultantes (R – W y nuestras cuatro estrategias de decisión); Consideramos el modelo con la mayor tasa de coincidencia participante-modelo entre los cinco modelos como el modelo de mejor ajuste. El modelo R-W fue el modelo que mejor explicó las respuestas de los participantes (31 de 63 participantes), seguido de cerca por la estrategia normativa (26 participantes). Las otras tres estrategias explicaron las elecciones de los participantes sustancialmente menos bien que esas dos estrategias (< 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