Feilrettingsmekanismer i språklæring: modellering av individer del 1

Abstrakt:

Siden den første ble tatt i bruk som en beregningsmodell for språklæring, har det samlet seg bevis for at Rescorla–Wagner feilkorrigeringslæring (Rescorla &Wagner, 1972) fanger opp flere aspekter ved språkbehandling. Mens tidligere studier har gitt generell støtte for Rescorla–Wagner-regelen ved å bruke den til å forklare oppførselen til deltakere på tvers av en rekke oppgaver, fokuserer vi på å teste spådommer generert av modellen i en kontrollert naturlig språklæringsoppgave og modellere dataene til nivået av den enkelte elev.

Det er en nær sammenheng mellom språklæring og hukommelse. Når vi lærer et nytt språk, trenger vi ikke bare å mestre dets grammatikk og vokabular, men må også huske mange ord og uttrykk. Derfor spiller hukommelse en viktig rolle i språklæringsprosessen.

Språklæring kan styrke hukommelsen. Mange studier har vist at å lære et nytt språk kan stimulere nevral aktivitet i hjernen, fremme stoffskiftet i hjernebarken og dermed styrke hukommelsen. Å lære et nytt språk kan også stimulere hjernens nevrale nettverk, gjøre det sunnere og forbedre kognitive evner, intelligens og logisk tenkning.

Å lære et språk krever repetisjon og øvelse. Hyppig kobling av tale, lytting og lesing kan gjøre inntrykket dypere og gjøre ting mer minneverdig. Samtidig kan vi ved å kommunisere med andre bedre lære nye ord og uttrykk utenat, lære om ulike språkmiljøer og kulturer, og ytterligere utdype vår forståelse av språket.

Å lære et språk lar oss også endre måten vi tenker på, øker tenkefleksibiliteten og kreativiteten, og forbedrer hukommelsen ytterligere. Samtidig kan vi også gjennomføre språklæring og hukommelsestrening ved å lytte til musikk, se film, lese kinesisk og utenlandsk litteratur osv., lære på ulike måter, og spille mens vi lærer for å gjøre læringsprosessen mer interessant, øke læringen interesse og forbedre hukommelsen.

Derfor, når vi lærer et språk, kan vi bruke en rekke metoder for å øve, fokusere på hukommelsesaktiviteter og øvelser, hele tiden innovere læringsmetoder og metoder, og styrke hukommelsestrening for å forbedre læringseffekter og forbedre hukommelsen. Det kan sees at vi trenger å forbedre hukommelsen vår. Cistanche deserticola kan forbedre hukommelsen betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale med mange unike effekter, en av dem er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de mange aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på en rekke måter.

Klikk vet 10 måter å forbedre hukommelsen

Ved å justere parametrene til modellen for å passe atferdsvalgene til deltakerne, i stedet for å tilpasse en en-for-alle-modell ved å bruke et enkelt sett med standardparametre, viser vi at modellen nøyaktig fanger opp deltakernes valg, tidsforsinkelser, og nivåer av responsavtale. Vi viser også at kjønn og arbeidsminnekapasitet påvirker i hvilken grad Rescorla–Wagnermodellen fanger opp språklæring.

Nøkkelord

språklæring; feilrettingslæring; Rescorla–Wagner modell;morfologi; avtale.

Introduksjon

Vi mennesker deler med andre arter mange kjernelæringsmekanismer som lar oss tilpasse oss miljøet vårt (Rescorla, 1988). Disse mekanismene inkluderer blant annet klassisk kondisjonering (dvs. Pavlovsk kondisjonering; Pavlov, 1927), instrumentell kondisjonering (også operant kondisjonering; Skinner, 1938) og former for sosial læring, som stedfortredende læring (Bandura, 1962).

Den mest unikt definerende menneskelige læringsevnen er språklæring, som også inkluderer effektiv transgenerasjonell overføring og er grunnlaget for sosial inkludering og samhold. Men mens kjernelæringsmekanismer er relativt godt forstått, forblir språklæring mye av et mysterium (Ambridge & Lieven, 2011). Et tidlig forsøk fra Skinner (1957) på å gjøre rede for språklæring ved å bruke de samme prinsippene som de som styrer kognitive oppgaver på lavere nivå, ble opphevet av Chomsky (1959).

I store deler av resten av 1900-tallet ble språk sett på som et stort medfødt system, styrt av regler og håndtert av en unik menneskelig og spesialisert kognitiv struktur. Denne strukturen ble opprinnelig konseptualisert som en språkinnsamlingsenhet og senere utvidet til å bli universell grammatikk.

Dette dominerende synet ble utfordret fra to sider samtidig. Fremveksten av bruksbasert lingvistikk på 1980-tallet (Langacker, 1987) fremmet et syn på språk som et dynamisk og sannsynlighetssystem, et resultat av generelle kognitive kapasiteter som virker på språkinndata (D ˛abrowska & Divjak, 2015). Dette synet passet godt sammen med konneksjonistiske rammeverk, som viste at regellignende atferd kan oppstå fra eksponering for bruk alene og at språkkunnskap er sensitiv for egenskapene til input (Plaut & Gonnerman, 2000; Seidenberg & McClelland, 1989). '

Konneksjonisme banet uten tvil vei for endringer også i teoretiseringen, mot et syn på språk som å læres som enhver annen ferdighet, og tidlig på 2000-tallet var vitne til starten på reintegrering av de grunnleggende prinsippene for læring i kroppen av arbeidet med språk (f.eks. seeBybee & McClelland, 2005; for mer oppdaterte arbeider, se Ellis et al., 2016, som tar for seg både første- og andrespråkslæring, samt Chuanget al., 2021, som tar for seg leksikalsk tilegnelse på andre- og tredjespråk). Språk ble nå sett på som tilgjengelig for de samme generelle kognitive kapasitetene og læringsmekanismene som mennesker og dyr bruker for å navigere og tilpasse seg omgivelsene (jf. Ellis, 2006a; Ellis & Sagarra, 2010, 2011; Sturdy & Nicoladis, 2017) .

Blant disse læringsmodellene skiller Rescorla og Wagners (1972) modell for klassisk betinging seg ut for sin enkelhet og sin evne til å forklare en rekke empiriske læringsfenomener (Siegel & Allan, 1996). Denne modellen er biologisk plausibel (Chen et al., 2008) og har en evolusjonær fordel fremfor andre kraftigere læringsmekanismer, i den forstand at den har større sannsynlighet for å bli naturlig valgt og vedvare i den evolusjonære prosessen, sammenlignet med andre plausible læringsmekanismer (for mer detaljer, se Trimmer et al., 2012).

Bakgrunnslitteratur

Rescorla-Wagner-modellen

Som en modell for klassisk kondisjonering er Rescorla–Wagner (R–W)-modellen opptatt av situasjoner der en enhet (et menneske, et dyr eller en maskin) må lære det prediktive forholdet mellom objekter og/eller hendelser (dvs. utfall) i et miljø, og hvor signaler konkurrerer om deres prediktive verdi for et utfall mens de iterativt (re)kalibrerer lærings- (eller assosiasjonsvektene). Mer spesifikt reflekterer en assosiasjonsvekt tendensen til et utfall til å oppstå i nærvær av en viss cue. En høyere positiv assosiasjonsvektverdi for et bestemt utfall tilsvarer en høyere sannsynlighet for forekomst av dette resultatet i nærvær av signalet; omvendt tilsvarer en svært negativ verdi en større sannsynlighet for ikke-forekomst av dette utfallet (signalet sies å være hemmende i dette tilfellet). Verdier nær null lave sjanser for å observere (hvis vekten er positiv) eller hemme (hvis vekten er negativ) resultatet.

R–W-modellen antar at organismen beregner en enkel feilkorrigerende læringsregel som brukes til å oppdatere assosiasjonsvektene i hver nylæringshendelse (f.eks. hver prøve i et atferdseksperiment). Den generelle ideen bak korreksjonsregelen er at assosiasjonen mellom en cue og utfall (a) styrkes hvis både cue og utfall er tilstede i læringshendelsen, (b) svekket hvis cue er til stede, men resultatet ikke er det, og (c) ) beholdt det samme hvis signalet i seg selv er fraværende.

Oppdateringen av assosiasjonsvektene er drevet av avviket mellom det forventede og det oppnådde resultatet, slik at størrelsen på oppdateringen - hvor mye assosiasjonsvektene justeres - bestemmes av to parametere kalt læringshastigheter, og retningen på oppdateringen - om den øker vekten eller reduserer den - avhenger av tegnet på forskjellen mellom det forventede og det observerte resultatet. På denne måten, mest generelt, for R–W-modellen, handler læring om resultatene, og dette skiller seg fra relaterte modeller der læring handler om inputsignalene (f.eks. Pearce& Hall, 1980).

Et annet trekk ved R–W-modellen er at selv om resultatene oppdateres uavhengig av hverandre, konkurrerer inputsignaler om prediktiviteten til utfall.

Med andre ord avhenger justeringen av vektene ikke bare av at den enkelte cue oppdateres, men av alle cues som er tilstede i læringshendelsen gjennom summen av assosiasjonsvekter. Dette stikkordkonkurranseprinsippet tillot R–W-modellen å forklare mange av de forvirrende fenomenene ved klassisk betinging, hvorav noen også var verdifulle for å forstå mekanikken til språklæring (se neste avsnitt for diskusjon).1 Et av de mest kjente eksemplene på slike læringsfenomener er blokkeringseffekten (Kamin, 1969). Denne effekten oppstår når en cue trenes i en sammensetning med en andre cue for å forutsi et utfall, men når den andre cue allerede er en god prediktor for utfallet. I slike tilfeller kan ikke det første signalet danne en sterk assosiasjon med resultatet (dvs. det første signalet blokkeres av det andre signalet). Mer generelt resulterer cue-konkurranseprinsippet ofte i observasjonen at de beste signalene for utfallet hindrer andre signaler fra å utvikle en sterk assosiasjon med det samme resultatet.

Rescorla–Wagner-modellen og språklæring

Siden den første gang ble nevnt i en språklig kontekst av Ellis (2006a), har det samlet seg bevis som viser at R–W-modellen kan fange opp flere aspekter ved språklæring (f.eks. Baayen et al., 2011; Ellis, 2006b; Milin, Divjak, &Baayen, 2017 ; Milin, Feldman, et al., 2017). Så langt stammer det tilgjengelige empiriske beviset fra studier som trener en R–W-modell som bruker standard parameterverdier (her henviser vi til de to læringshastighetsparametrene som brukes til å oppdatere assosiasjonsvektene etter hver ny hendelse), typisk på enten et lite utvalg fra eksperimenter på kunstige språk eller et stort korpus av tekster.2 Ettertreningslæringsmål trekkes så ut fra den simulerte modellen og sammenlignes med observerte responsmålinger fra en eksperimentell oppgave.

Det første problemet er at spådommer for (og fra) slike modeller vanligvis genereres uavhengig av eksperimentet (med unntak som studiene til Ramscar & Yarlett, 2007, og Divjak et al., 2021, der modellen genererte hypotesene som skulle testes eksperimentelt) .

Parametrene er vanligvis satt til standardverdiene, og går glipp av muligheten til å ta hensyn til variabiliteten som kan oppstå ved å simulere modellen med forskjellige parameterverdier (selv om Olejarczuk et al., 2018, som brukte faste parameterverdier, men monterte en separat modell til hver deltakerens data ved å bruke den samme sekvensen av eksempler som deltakeren møter). Å inkorporere variabiliteten som oppstår fra modellparametrene når læringsmodeller tilpasses språkdata har potensial til å forbedre forklarbarheten til de individuelle forskjellene som ble observert i eksperimentet, spesielt siden språkbruk og representasjon er et område som viser enorm individuell variasjon (D ˛abrowska, 2018) .

Opplæring av modellen på et storskala korpus har en enda større kostnad. Vi ser her til side spørsmålet om (manglende) likhet mellom innholdet i et korpus og innspillet som språkbrukere mottar (som plager konvergensstudier generelt; for en oppsummering diskusjon, se Klavan & Divjak,2016, og for samlinger av utførte eksempler, se Divjak & Gries, 2012, ogGries & Divjak, 2012). Her fokuserer vi på en annen sak: Trening på et korpusmuter de to hovedkildene til variabilitet til modellen – nemlig de som er knyttet til valg av modellparametere og rekkefølgen på treningseksempler – som stort sett er aktive i de tidlige stadiene av læring (Shanks, 1995) ; se også Milin et al., 2020, for en mer generell diskusjon av prøveordreeffekten feilkorrigerende læring).3 Disse tidlige skjevhetene, som Ellis (2006a) kalte dem, utgjør en reell test for R–W-modellen før den kan brukes som en modell for språklæring i stor skala. Modellering av parameternes variabilitet og opplæring av R–W-modellen på de samme eksemplene som deltakerne møtte representerer nye muligheter for å forstå språklæring som ennå ikke er fullt ut utforsket i tidligere studier.

Den nåværende studien

Denne studien tar sikte på å modellere hvordan individuelle språkelever engasjerer seg i oppgaven på en prøve-for-prøve-basis, noe som utgjør en trinnvis utfordring for anvendelsen på språklæring av diskriminering eller feilrettingslæring generelt og R–W-modellen i Spesielt. Mens tidligere studier har gitt generell støtte for R–W-regelen ved å bruke denne modellen for å forklare oppførselen til deltakere på tvers av en rekke oppgaver (Divjak, 2019; Milin & Blevins, 2020; Milin, Feldman, et al., 2017; Pirrelli et al., 2020), fokuserer vi på å teste spådommer generert av modellen i en kontrollert naturlig språklæringsoppgave og modellerer dataene på nivået til den enkelte språkelever. Ved å gjøre dette behandler vi hver deltaker som en separat læringsenhet styrt av ulike kapasiteter, som er avgjørende, formalisert gjennom læringsparametrene til den valgte modellen.

Gitt at flere studier har rapportert at klassisk kondisjonsytelse kan påvirkes av kognitive og personlige egenskaper som arbeidsminne (Baetu et al., 2018; Sasaki, 2009), kjønn (Lonsdorfet al., 2015; Merz et al., 2018), og alder (f.eks. Mutter et al., 2012), undersøker vi også om slike egenskaper kan påvirke bruken av en R–Wlike-mekanisme for språklæring.

For å oppnå disse målene og for å løse disse spørsmålene, utformet vi en forenklet naturlig språkopplæringsoppgave: forenklet for å utnytte fordelen med tett empirisk kontroll, men bare delvis for å opprettholde en forpliktelse til økologisk gyldighet ved å tilby en mer naturalistisk språkinndataopplevelse. Oppgaven representerer, i rimelig grad, hvordan folk ville lære polske emne-verb-avtalekartlegginger gjennom naturlig eksponering for eksempler.

Vi trente engelsk som morsmål på et sett med nøye utformede eksempler, som hadde både auditive og visuelle dimensjoner, og som inkorporerte noen av kompleksitetene som ligger i emne-verb-avtale på polsk. Deretter valgte vi for hver deltaker individuelt den best passende modellen (dvs. parametrene som førte til det nærmeste samsvaret mellom deltakerens svar og modellen), ved å bruke de samme treningseksemplene som deltakeren møtte. Vi vurderte deretter R–W-modellen for dens evne til å gjenopprette deltakernes språkvalg så vel som deres tidsforsinkelser, og sammenlignet den med andre plausible, men likevel regelbaserte responsstrategier. Til slutt testet vi om kognitive og personlige egenskaper som arbeidsminnekapasitet, alder og kjønn påvirker i hvilken grad R–W-modellen fanger opp språklæring.

Metode

Deltakere

Sekstiseks deltakere (Mdnage=20 år; område=18–65; 41 kvinner) deltok i eksperimentet i bytte mot en Amazon-kupong på £7. Deltakerne var universitetsstudenter og ansatte. Alle var engelsktalende som morsmål uten kunnskap om polsk eller andre slaviske språk, hadde normal eller normalisert hørsel og syn og oppga ikke lærevansker. Deltakerne hadde ulik utdanningsbakgrunn, og mange av dem kunne snakke andre språk på tillegg til engelsk (fordelingen av utdanning og språkbakgrunn er presentert i vedlegg S1 i SupportingInformation online).

Materialer og prosedyre

Alt materialet vårt, inkludert data og kode, er åpent tilgjengelig på Github(https://github.com/ooominds/Error-correction-mechanisms-in-languagelearning) og University of Birminghams åpen tilgangslager, UBIRA(https:/ /doi.org/10.25500/edata.bham.00000911). Deltakerne fullførte tre oppgaver og et kort spørreskjema i følgende rekkefølge: (a) en språklæringsoppgave (hovedoppgave), (b) et eksplisitt kunnskaps- og demografisk spørreskjema, (c) en implisitt læringsoppgave, og (d) et arbeidsminne ( WM) oppgave. (Detaljert beskrivelse av hver oppgave er gitt i neste avsnitt.)

Språklæringen og implisitte læringsoppgavene ble implementert og presentert for deltakerne ved hjelp av OpenSesame (Mathôt et al., 2012; Mathôt & March 2022). Det demografiske spørreskjemaet ble presentert ved hjelp av Google Forms, og WM-oppgaven ble administrert ved hjelp av Tatool (von Bastian et al., 2013). Eksperimentet ble kjørt enten individuelt eller, når det var mulig, i par, i et stille rom, på Intel Core i 7-8700 datamaskiner som kjører Windows 10 og utstyrt med Iiyama G-Master 24.5-in. skjermer som kjører på 59 Hz med en skjermoppløsning på 1 920 × 1 080 piksler. Deltakerne hørte hørselsstimuli via Bose QuietComfort 35 II støyreduserende hodetelefoner og registrerte svarene deres ved hjelp av et tastatur. Eksperimentet tok omtrent 50 minutter å fullføre.

For more information:1950477648nn@gmail.com