Роль обратной связи в выборе стратегии категоризации

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Введение

Категоризация - это когнитивный процесс, при котором воспринимаемые события и объекты на основании определенных признаков относятся к группам (Murphy, 2002). Человек в ходе жизни формирует множество категорий, необходимых ему для выбора действия или суждения в отношении каждого нового встреченного объекта. В ходе категоризации люди могут применять разные типы правил, определяющие то, как будет происходить выбор категориального или релевантного для категоризации признака. Под правилами категоризации мы понимали базовые принципы извлечения и сохранения инвариантной информации о группе объектов, которыми руководствуется человек во время категоризации, научения и запоминания. Все вместе это характеризует особый тип системы научения (Ashby et al., 1998). Часто тип выбранного правила зависит от свойств самих объектов категоризации. Так, если объекты сходны между собой в небольшом количестве признаков (в большинстве случаев признак только один), то такое правило осознается и вербализуется испытуемым при его применении (такой тип правила и задачу на его формирование традиционно называют "Rule-Based Category-Learning Task", далее RB-правила) (Ashby, Valentin, 2017). При другом типе правила ("Information-Integration Category-Learning Task", далее II-правила) категоризация происходит на основе интеграции значений (и связей между ними) неограниченного количества признаков, и поэтому оно репрезентируется субъекту через кроссмодальный прототип, а не вербальное описание (Ashby, Valentin, 2017). Многочисленные исследования показали, что успешность формирования и использования RB-правил связана с работой селективного внимания и рабочей памяти, которые в свою очередь регулируются префронтальной корой (Ashby et al., 1998; Maddox et al., 2004; Zeithamova, Maddox, 2006), в то время как II-правила - с имплицитным и процедурным научением - регулируются областью полосатого тела (Ashby, Ennis, 2006; Nomura et al., 2007). В настоящее время предложены модели научения, самой популярной из которых является модель COVIS (Maddox, Ashby, 2004; Ashby, Maddox, 2011), описывающие формирование перцептивных категорий как выбор оптимального правила для данного набора примеров.

В предыдущем исследовании (Покидышева, Котов, 2015) были получены результаты, демонстрирующие связь между формой организации обратной связи и формированием определенных правил категоризации. Так при формировании RB-правил испытуемые были более успешны в случае совпадения семантики слова, используемого для обратной связи с содержанием обратной связи (указанием на то, правильным или нет было решение), чем в случае их несовпадения. Однако, при формировании II-правил, успешность не изменялась в зависимости от формы организации обратной связи.

Вместе с тем остается неясным, может ли разная форма обратной связи помогать выбору определенному правилу научения, если материал задачи позволяет выделить в нем как RB-правила, так и II-правила. Использованные в предыдущем исследовании две формы подачи обратной связи были или более естественными или ожидаемыми для испытуемого или менее естественными, ожидаемыми. Восприятие данных форм обратной связи на ранних этапах научения может оказывать влияние на предпочтение в качестве источника инвариантной информации или одного признака или их совокупности. Для ответа на этот вопрос было проведено настоящее исследование.

Объектом нашего исследования был процесс категориального научения.

Предмет - выбор стратегии категориального научения человеком при различной форме организации обратной связи (соотношении семантики слова и содержания обратной связи).

Цель нашего исследования: изучить влияние формы организации обратной связи на выбор стратегии научения в ходе формирования новых категорий.

Задачи исследования:

1) определить стратегии научения испытуемых в условиях ожидаемого и неожидаемого соотношения;

2) определить влияет ли форма организации обратной связи на выбор стратегии научения в ходе формирования новых категорий.

Согласно нашей гипотезе: 1) при неожидаемом соотношении испытуемые будут предпочитать использовать в ходе научения один категориальный признак и формировать в результате RB-правила; 2) при ожидаемом соотношении испытуемые будут предпочитать использовать в ходе научения совокупность признаков и формировать в результате II-правила.

Актуальность настоящего исследования состоит в том, что внутри теоретической модели COVIS (Ashby et al., 1998) остается без ответа вопрос, на основании какого типа информации происходит выбор нужной системы научения.

Методами исследования были метод формирования искусственных категорий с обратной связью, метод построения прямой и обратной кривых научения.

1. Категориальное научение и методы его анализа. Две системы категориального научения у человека

1.1 Правила и стратегии категоризации

категоризация когнитивный научение

Под правилами категоризации традиционно понимают инвариантное или общее содержание у группы предметов. Под стратегией научения понимают склонность к выбору и использованию определенного правила категоризации.

Использование RB-правил было описано К. Халлом еще в 1920 году (Hull, 1920). Особенностью заданий на научение RB-правилам является то, что структура категорий может быть определена обучающимся только на основе экплицитных познавательных процессов - произвольного внимания, рабочей памяти и осознания итогового правила категоризации (Ashby, Valentin, 2017). В подавляющем большинстве случаев, только один признак объекта является релевантным, и задачей испытуемого по сути является нахождение этого признака и распределение объектов в категории на основе значений этого признака. Такие задание могут включать в себя поиск и нескольких признаков, если условиям для катетеризации является логическая конъюнкция или дизъюнкция этих признаков. Ключевым условием является то, что оптимальная стратегия может быть достигнута путем принятия независимых последовательных решений относительно каждого из релевантных признаков (Ashby, Valentin, 2017).

В заданиях на изучение II-правил максимальная успешность выполнения может достигнута только при условии, что испытуемый интегрирует два или более признаков между собой перед тем, как принять решение. Формирование таких правил происходит на основании имплицитных процессов научения: процедурной памяти и без осознания правила категоризации. В результате оптимальную стратегию категоризации в этих заданиях невозможно или очень сложно описать на словах. Применение RB-правил возможно в этих заданиях, но оно приводит к сниженной успешности (Ashby, Valentin, 2017). Впервые данные правила были описаны в работе Р. Н. Шепарда и соавторов в 1961 году (Shepard et al. 1961).

Примеры заданий на RB- и II-правила, содержащие одни и те же стимулы, представлены на рисунке 1. На рисунке видно, что для нахождения правила категоризации в первом примере нужно всего лишь различать наклон полоски. Во втором же примере при обучении нужно учитывать корреляцию наклона и ширины полоски.

Рисунок 1 - Пример заданий на формирование RB-правил (сверху) и II-правил (снизу)

Согласно одной из моделей категориального научения, COVIS (Ashby et al., 1998), научение двум типам правил управляется двумя различными системами научения. В начале научения новым правилам эти системы “соревнуются” между собой за то, в какой из них будет сохранен результат научения (в форме вербального описания или невербального прототипа). Вместе с этим внутри данной теоретической модели остается без ответа вопрос, на основании какого типа информации происходит выбор нужной системы научения. В области категориального научения принято различать правила и стратегию научения. Данное различие было впервые описано Дж. Брунером и его коллегами в классическом исследовании формирования искусственных категорий (Bruner et al. 1956). Так они выделили четыре стратегии, оптимизирующих формирование разных по уровню сложности правил. Данные стратегии определяли то, как будет изменяться начальная гипотеза о правиле категоризации после получения положительной и отрицательной обратной связи. Описанные ими стратегии возможны лишь при формировании RB-правил, поскольку они требуют исключения не только отдельных значений, но и целых признаков. Для формирования II-правил, наоборот, необходима интеграция измерений и значений.

В настоящее время в психологии категориального научения и категоризации описаны другие стратегии. Их использование не всегда приводит к формально успешному выполнению задания. Чаще выбор стратегии обусловлен тем, что ее применение по разным причинам делает выполнение задания для человека более удобным и понятным. Так, например, при выполнении заданий на формирование II-правил люди часто используют стратегию ориентации на один признак, а не на их совокупность (unidimensional bias, далее UD-стратегия) (Murphy, 2002; Wills et al., 2009; Ashby et al., 1999), несмотря на то, что на протяжении всего научения это не позволит выполнять задание с увеличивающимся уровнем успешности.

Формулировка задания влияет на выбор стратегии. Например, эксперимент Т. Ямаучи и А. Маркмана показал, что в зависимости от того, как поставлена задача, при сортировке предметов люди могут полагаться на отдельные признаки, а не на их совокупность (Yamauchi, Markman, 1998). Испытуемым предлагалось категоризовать объекты на основе обратной связи об их успешности. Категории для объектов были выбраны заранее. В одной группе им нужно было просто распределять геометрические фигуры в категории А или Б на основе их признаков -- формы, цвета, размера и позиции на экране. В другой группе испытуемых просили предсказать один из признаков представленного объекта на основе других его признаков. Например, перед ними появлялся большой треугольник в нижнем левом углу, и задание состояло в том, чтобы корректно ответить на вопрос «будет ли этот треугольник зеленым или красным?» Оказалось, что в первом случае испытуемые при обучении скорее опирались на интеграцию признаков, а во втором -- на вербальзируемые правила.

В другом исследовании было показано, что в зависимости от схожести категорий испытуемые могут использовать разные стратегии научения (Ell, Ashby, 2006). Испытуемым давали задание на обучение катетеризации объектов. Схожесть категорий (степень пересечения общих признаков) варьировалась в разных экспериментальных условиях от низкой до очень высокой. Оказалось, что в случае если категории сильно схожи между собой, а оптимальной стратегией является формирование II-правил, испытуемые все равно прибегают к использованию UD-стратегии. Согласно модели COVIS, это происходит из-за соревнования эксплицитной и имплицитной систем научения (Ashby et al., 1998). Испытуемые всегда начинают с неоптимальной эксплицитной стратегии, но в случаях с низкой или средней схожестью категорий успешность использования имплицитной стратегии оказывается выше или как минимум на том же уровне. Использование имплицитной стратегии подкрепляется, поэтому испытуемые обучаются II-правилам. В случае же с высокой схожестью категорий успешности всех стратегий является низкой, подкрепление имплицитной стратегии отсутствует, поэтому испытуемые формируют RB-правила. Интересным наблюдением является то, что если задание построено так, что оптимальной стратегией является использование эксплицитной стратегии, то испытуемые формируют RB-правила вне зависимости от степени схожести категорий (Ell, Ashby, 2006). Таким образом можно сделать вывод о том, что люди скорее предпочитают использовать эксплицитную систему научения.

Преимущества использования эксплицитной стратегии состоит в том, что она поддерживает ожидания испытуемых относительно культурных практик принятых для решения подобных задач. Данная практика активно используется при школьном обучении, в котором обучающихся дополнительно просят вербализовать свои решения, что также невозможно при использовании II-правил.

UD-стратегия более удобна в начале категоризации новых примеров при минимальном опыте относительно таких новых примеров. Так испытуемые, которым предварительно сообщали легенду о каузальных связях между признаками и увеличивали осведомленность о категории, реже опирались на UD-стратегию при сортировке примеров, чем испытуемые без соответствующей легенды (Ahn, 1990).

UD-стратегия часто используется по умолчанию первой из других стратегий взрослыми испытуемыми, в отличии от детей в возрасте до 7-8 лет (Minda, Miles, 2009). Развитое произвольное внимание и способность к вербализации отдельных признаков у взрослых приводит к предпочтению такого способа решения, в котором, кроме всего прочего, легче контролировать ошибки при выполнении задания, осознавать их. Согласно модели RULEX (Nosofsky et al., 1994) испытуемые во время выполнения заданий на категоризацию начинают с перебора отдельных признаков, пытаясь использовать каждый из них для выбора категорий, и уже потом переходят к формированию более сложных правил в случае неудачи. Согласно модели COVIS (Maddox, Ashby, 2004), использование RB-правил категоризации управляется более новой в эволюционном плане эксплицитной системой научения, которая в норме у взрослых испытуемых предпочитается чаще и в более широком круге значащих ситуаций, чем более древняя, имплицитная система научения (II-правила).

В исследовании Р. Н. Шепарда было показано, что обезьяны легче выучивают категории, нацеленные на формирование II-правил, по сравнению с людьми, в то время как определенные категории, нацеленные на формирование RB-правил и не вызывающие проблем у людей, вызывали у обезьян трудности (Shepard et al., 1961). Современное исследование по сравнению стратегий обучения у людей и обезьян также подтверждает гипотезу об эволюционной новизне эксплицитной системы научения (Couchman et al., 2010). В нем испытуемым и двум обезьянам нужно было обучиться распределять изображения кругов в две категории на основе обратной связи. Каждый круг был разделен на четыре части, окрашенные разными цветами. У каждого изображения одна из частей была окрашена цветом из противоположной категории. Права часть кругов всегда была окрашена одинаково в зависимости от категории. В тестовом задании (без обратной связи) испытуемым предъявлялись изображения, в которых все части круга кроме той, которая была постоянной, были окрашены в цвет другой категории. Таким образом на основе того, как испытуемые распределяли тестовые изображения, можно было установить, на какие признаки они ориентировались. Оказалось, что люди в большинстве случаев находили этот постоянный признак и начинали формировать RB-правила, в том время как обезьяны не могли это сделать, и ориентировались на совокупности цветовых комбинаций всех частей кругов. Применения RB-правил было затруднено у обезьян. Это указывает на то, что это может быть более новой системой научения, которая более развита у человека.

В целом, для экспериментальных задач можно выделить следующие причины предпочтения UD-стратегии научения у людей:

1) Так как RB-правила гораздо легче вербализуются, взрослые испытуемые могут предпочитать их из-за склонности к использованию логических формулировок правил (Murphy et al., 2017).

2) Люди ожидают, что категории, составленные экспериментатором, будут построены по принципу формирования RB-правил. Это может быть связано с тем, что в школах часто учат важности контроля переменных для поиска одной причины наблюдаемых явлений (Kuhn, Dean, 2005).

3) Сложность задания и ограничения внимания. Например, Р. Н. Шепард (Shepard et al., 1961) описал, что чем больше в категориях нужно учитывать признаков, тем более сложные и длинные правила описывают испытуемые. В этом случае, более простым решением будет выбор одного, пусть и не оптимально предсказывающего значения признака.

4) Категории, используемые в задании, сильно схожи между собой, что затрудняет формирование II-правил и приводит испытуемых к использованию UD-стратегии (Ell, Ashby, 2006).

5) Внимание испытуемых специально обращают на локальные (отдельные, конкретные) признаки объектов (Murphy et al., 2017).

С другой стороны, UD-стратегия обычно не используется в следующих случаях:

1) Форма задания предрасполагает к формированию II-правил. Например, испытуемых в задании на вывод признака (а не классификацию) просят предсказать один из значение признака у объекта на основе знания о принадлежности его к категории (Yamauchi, Markman, 1998).

2) Категории имеют достаточное число различий между собой, а формирование II-правил является оптимальной стратегией в задании и приводит к максимальной успешности выполнения (Ell, Ashby, 2006).

3) Испытуемым заранее сообщается о каузальных и других функциональных связях между признаками категорируемых объектов, что помогает им ориентироваться не на отдельные признаки, а на их совокупность (Ahn, 1990).

4) Внимание испытуемых обращают на глобальные признаки объектов (Murphy et al., 2017).

1.2 Стратегия категоризации и обратная связь при научении

Важную роль в обработке информации при формировании категорий играет обратная связь. Так при временной задержке в получении обратной связи формирование II-правил и работа имплицитной системы обучения затруднена, и испытуемые прибегают к использованию эксплицитных стратегий (Maddox et al., 2003; Smith, 2014).

В статье 2003 года В. Т. Мэддоксом и коллеги описали эксперименты, в которых они сравнивали успешность категориального научения при различных временных задержках обратной связи. В одном условии они использовали материал, предназначенный для формирования RB-правил, в другом -- для II-правил. Обратная связь могла предъявляться сразу, или через один из периодов времени: 2,5 секунды, 5 секунд и 10 секунд. Анализ результатов показал, что в первом случае не было замечено разницы между эффективностью обучения, но во втором обучение проходило только при условии немедленного предъявления обратной связи. В случае временной задержки обратной связи формирование II-правил практически отсутствовало, а испытуемые полагались на экплицитные стратегии научения (то есть наблюдалось использование UD-стратегии).

Несмотря на то, что для формирования RB-правил и работы эксплицитной системы время получения обратной связи неважно, испытуемым необходимо достаточно времени, чтобы обработать информацию, полученную с помощью этой обратной связи. Если это время занято выполнением другого задания, то из-за загрузки рабочей памяти, научение будет также затруднено (Ashby et al., 1998; Maddox et al., 2004; Zeithamova, Maddox, 2006; Maddox et al., 2003).

В 2004 году Maddox и коллеги опубликовали другую статью (Maddox et al., 2004), в которой они показали, что на обработку обратной связи при формировании RB-правил необходимо достаточно времени, иначе формирование категорий будет происходить медленнее. В их экспериментах испытуемые получали обратную связь в течение 0,5 секунд, а затем следовало задание на «memory scanning». В одном условии задание появлялось на экране через 2,5 секунды, в другом -- сразу же после исчезновения обратной связи. Оказалось, что успешное научение эксплицитной стратегии (формирование RB-правил) происходило гораздо дольше у испытуемых в группе где не было перерыва после обратной связи, по сравнению с теми, где был. Более того, заметно больше испытуемых не достигли критерия научения в первом условии, чем во втором. Этих эффектов на наблюдалось, если испытуемые выполняли задание, подразумевающее формирование II-правил для успешного обучения.

Такие результаты можно объяснить наличием двух разных систем научения. Считается, что успешность формирования и использования RB-правил связана с работой селективного внимания и рабочей памяти, которые в свою очередь регулируются префронтальной корой (Ashby et al., 1998; Maddox et al., 2004; Zeithamova, Maddox, 2006). Поэтому время на обработку обратной связи влияет на успешность научения -- рабочей памяти необходимы ресурсы на обработку информации, и в случае когда эти ресурсы также используются для выполнения несвязанной с научением работы, само научение становится менее качественным. С другой стороны, формирование II-правил регулируется областью полосатого тела, и основаны на имплицитном и процедурным научением - (Ashby, Ennis, 2006; Nomura et al., 2007). Поэтому для успешного выполнения заданий испытуемым необходимо, чтобы между предъявлениями объектов для категоризации и обратной связью о правильности выбора не было временного промежутка.

В случае отсутствии обратной связи вообще испытуемые склонны к использованию UD-стратегии (Ashby et al., 1999). Это еще раз указывает на то, что людям легче дается использование эксплицитной системы научения, так как она является более новым эволюционным приспособлением.

1.3 Прогрессивная и обратная кривые научения

Для анализа роста успешности научения в заданиях на категоризацию традиционно используют так называемую кривую научения, где по одной оси обозначены блоки или время научения (начиная с первой пробы), а по другой - средняя успешность в соответствующем блоке. Такой тип построения кривой называется прогрессивным (forward learning curves) и может быть использован для отображения роста успешности при любом типе правила. Недавно было замечено (Smith, Ell, 2015), что прогрессивная кривая научения искусственно сглаживает переход в формировании RB-правил. В отличии от формирования II-правил, для которых кривая научения даже у отдельных испытуемых обычно монотонно возрастает от первого блока до последнего, кривая формирования RB-правил у отдельных испытуемых имеет скорее ступенчатый вид. Вначале испытуемые отвечают в течение нескольких блоков на уровне случайных ответов, а потом, найдя и осознав правило, на одинаково высоком уровне успешности. Если же такие ответы отдельных испытуемых будут усреднены по группе испытуемых, то место перехода, приходящееся у разных испытуемых на разные блоки, приобретен плавный вид, неотличимый от вида кривой при формировании II-правил.

Для отображения на кривой не только уровня успешности, но и свойственного разным типам правил формы научения был предложен другой тип графика - обратная кривая научения (backward learning curves, далее B-кривая научения, см. рисунок 2). В этом случае усредненная успешность во всех блоках научения у каждого испытуемых вначале соотносится с определенным критерием успешности (например, 0.7). Первый блок научения, в котором успешность выше данного критерия обозначается как нулевой блок. Дальше каждый блок научения нумеруется по отношению к данному блоку - ранние блоки с отрицательными значениями (-1, -2, 3 и т.д.), поздние с положительными (1, 2, 3 и т.д.). Используя такой вариант обозначения блоков индивидуальные кривые научения выравниваются относительно места в обнаружении правила, и если правило было по типу RB-правилом, то групповая кривая научения по-прежнему будет иметь ступенчатый вид.

Использование B-кривой научения может быть использовано для обнаружения UD-стратегии при формировании II-правил. Если кривая при формировании II-правил будет иметь ступенчатый вид, это означает, что испытуемые ориентируются на один признак, а не их совокупность.

Рисунок 2 - Пример прогрессивной кривой научения (слева) и B-кривой научения (справа). Рисунки из статьи Smith, Ell, 2015

1.4 Проблема исследования

В предыдущем исследовании (Покидышева, Котов, 2015) было обнаружено, что предъявление дополнительной к обратной связи вербальной информации с эмоциональной семантикой, оказывало влияние на успешность формирования RB-правил и не оказывало на формирование II-правил. Испытуемые выполняли задание на категоризацию изображений с искусственными насекомыми на две группы (группы были построены на основе прототипа, то есть оптимальной стратегией было формирование II-правил), а в качестве обратной связи им предъявляли слова напечатанные заглавными (при правильном ответе) или строчными (при неправильном) буквами. Слова были выбраны из базы эмоциональных ассоциаций на русскоязычной выборке, и использованы в другом исследовании (Сысоева, 2010). Были отобраны слова с максимальными оценками ассоциаций по эмоциональным категориям, имеющим отношение к успешности научения: «грусть» и «радость».

В одном экспериментальном условии слова, с семантикой радости, предъявлялись при правильных ответах, а слова, связанные с семантикой грусти - при неправильных (ожидаемое соотношение). В другом условии - наоборот (неожидаемое соотношение). Таким образом, было сформировано две группы испытуемых, различающихся предъявляемой им обратной связью. В контрольной группе все слова принадлежали или к одной эмоциональной группе или к двум, то есть были в случайной соотношении с обратной связью. Авторы обнаружили, что испытуемые успешнее формировали RB-правила при ожидаемом соотношении, а при неожидаемом соотношении и в контрольной группе - менее успешно. При формировании II-правил, однако, разницы в успешности между контрольной группой и группами с разным соотношением не было.

Вместе с этим при дополнительном анализе успешности формирования II-правил, было обнаружено, что на начальных этапах научения успешность в условии с неожидаемым соотношением была выше, чем при ожидаемом. Несмотря на то, что при анализе усредненных показателей успешности научения испытуемых, выполняющих II задания, разницы в успешности научения в целом не было, можно предположить, что на начальных этапах научения более высокая успешность при неожидаемом соотношении семантики слова с обратной связью вызвана использованием UD-стратегии. Структура II-категорий такова, что релевантные значения категории присутствуют в каждом признаке довольно часто (выше 70% случаев). Любой из отдельных признаков, на который испытуемый будет ориентироваться, приведет к уровню успешности выше 50%. Предпочтение UD-стратегии в условии с неожидаемым соотношением семантики слова и обратной связи, возможно, вызвано тем, что данный вариант неудобен для проверки содержания гипотез о релевантных признаках: если в случае ошибки предъявляется слово с семантикой радости, это может “зашумлять” оценку гипотез. Испытуемые могут увеличить уровень контроля при проверке таких гипотез, в частности, за счет дополнительной вербализации признаков объекта, что как раз присуще использованию UD-стратегии.

Описанный эксперимент не предполагал выявления используемых испытуемым стратегий, поэтому для проверки данного предположения мы решили провести новое исследование, целью которого было проверить влияние фактора соотношения компонентов обратной связи (содержания и семантики) на выбор стратегии категоризации. В настоящее время достаточно хорошо изучены и описаны различия в формировании разных типов правил категоризации; предложены модели переработки информации для каждого типа правил. Вместе с тем, вопрос о соотношении правил и стратегий категоризации получил значительно меньше внимания. Мы знаем очень мало факторов (возраст испытуемых), которые вынуждают использовать стратегию категоризацию, при том, что ее использование конфликтует с выбором оптимального правила. Наше исследование предлагает изучить в качестве такого фактора восприятие обратной связи. Мы предлагаем изучить случай, когда испытуемый столкнется не только с задачей сформировать правило категоризации, но и разным вариантом подачи обратной связи в ходе поиска категориальной информации.

Мы не могли использовать материал и результаты предыдущего исследования, поскольку он был рассчитан на небольшое количество блоков научения (шесть), и многие испытуемые достигали критерия успешности лишь к последнему блоку. Для выявления стратегии категоризации на основе B-кривой научения нужно как минимум 10 блоков и более различимый вид признаков категории, чтобы каждый испытуемый мог к концу научения выполнить последовательно 2-4 блока с уровнем успешности выше определенного критерия.

Кроме удлинения научения, мы объединили в примерах категории RB-правила и II-правила: значение одного признака будет встречаться у каждого примера категории, то есть в 100% случаев (позволяя использовать RB-правила); а значения остальных признаков будут встречаться с вероятностью 80% (для использования II-правила). Признак, позволяющий использовать RB-правила будет разным для разных испытуемых, для контроля эффекта материала. Таким образом, мы сможем оценить, какой из типов правил предпочитался испытуемым в разных условиях соотношения обратной связи, какую стратегию категоризации он выбирал.

Дополнительно, поскольку, вид кривой научения, лишь косвенно говорит об используемой стратегии категоризации, дополнили процедуру научения тестом, в котором испытуемые категоризовали примеры без обратной связи. В тестовых примерах мы создали конфликт между правилами: каждый тестовый пример будет содержать значение признака из категории А связанного с RB-правилом, и значения признаков из категории B, связанные с II-правилом. По тому, на признаки какого из типов правил ориентировался испытуемый, можно понять, придерживался ли он UD-стратегии на этапе научения.

Цель нашего исследования: изучить влияние определить влияет ли формы организации обратной связи на выбор стратегии научения в ходе формирования новых категорий.

Задачи исследования:

1) определить стратегии научения испытуемых в условиях ожидаемого и неожидаемого соотношения;

2) определить влияет ли форма организации обратной связи на выбор стратегии научения в ходе формирования новых категорий.

Объектом нашего исследования был процесс категориального научения. Предмет - выбор стратегии категориального научения человеком при различной форме организации обратной связи (соотношении семантики слова и результата обратной связи).

Согласно нашей гипотезе, если при неожидаемом соотношении обратной связи испытуемые будут чаще использовать UD-стратегию, чем при ожидаемом соотношении, то это приведет к ориентации на разное количество признаков и разной форме кривой научения и различному выбору категории тестовых объектов: 1) при неожидаемом соотношении кривая научения будет иметь ступенчатый вид и выбор тестовых объектов будет происходить на основе признака, связанном с RB-правилом; 2) при ожидаемом соотношении - плавный вид кривой научения и признакам, связанным с II-правилом.

Если между формами кривых научения не будем различий, это будет означать, что испытуемые обеих групп формировали один и тот же тип правил (то есть использовали одну и ту же стратегию научения). В зависимости от формы графиков, мы сможем понять, использовали ли они UD-стратегию или нет.

2. Структура, материал и методы исследования. Результаты анализа данных и проверка гипотез

2.1 Методы исследования

Испытуемые. В исследовании приняли участие 110 студентов 3 курса, как психологических специальностей, так и не психологических. Из них 59 испытуемых достигли критерия научения. Среди испытуемых было 94 женщин и 16 мужчин со средним возрастом 19.364 лет и стандартным отклонением 1.187, из них 59 человек (49 женщин и 10 мужчин) достигли критерия научения. В условии ожидаемого соотношения было 53 человека (44 женщины и 9 мужчин), в условии неожидаемого - 57 (50 женщин и 7 мужчин).

В случайном порядке испытуемые были распределены в две экспериментальные группы. За участие в исследовании они получали баллы, частично необходимые для зачета. Из обработки результатов были исключены результаты тех испытуемых, которые не достигли на последних трех блоках научения уровня успешности равного или выше 80% и не удержались на уровне 70% или выше до конца обучения. Оценка планируемой численности выборки приведена ниже в разделе “План анализа”.

Материал: структура категорий. Испытуемым предъявляли на мониторе изображения искусственных существ, различающихся по шести признакам (a - антенна, b - крылья, c - хвост, d- туловище, e - ноги, f - голова) с двумя дискретными значениями (рис. 3 - примеры для научения и теста с категориальным признаком "голова", примеры с категориальным признаком "хвост" см. в Приложении 2). В качестве признаков мы выбрали части объекта различающиеся друг от друга по цвету и местоположению в пространстве. Например, крыло у объекта может быть разной формы - с округлым окончанием или угловатым, - и при этом оно отделено от других частей через пространственное расположение (тонкая линия от крыла к туловищу) и цвет (крылья разной формы окрашены в красный цвет). Остальные признаки устроены по такой же схеме - отделены линиями от других признаков и имеют различный цвет. Таким образом, мы “помогали” вниманию испытуемого определять количественный состав признаков (частей) объекта.

Рисунок 3 - Стимульный материал. Сверху - примеры категории A и B на этапе научения. Снизу - тестовые примеры

В каждой пробе изображение одного примера появлялось в центре экрана на время до 10 секунд. Распределение значений признаков организовано в две категории (табл. 1).

Таблица 1 - Структура категорий. В столбцах обозначены признаки, а по строчкам - примеры. Примеры 1-10 предъявляются на этапе научения, примеры 11-20 только на этапе тестирования

Один из признаков (форма головы или форма хвоста) имел одно постоянное значение у всех примеров категории. Например, у изображений категории A - голова круглая, у примеров категории В - треугольная. Таким образом, если испытуемые выберут UD-стратегию, она приведет к максимальному росту успешности только при ориентации на постоянный признак.

Материал: обратная связь. Испытуемые отвечали, нажимая на одну из двух кнопок, соответствующую определенной категории. Сразу после ответа изображение исчезало с экрана и испытуемый видел слово, напечатанное заглавными или строчными буквами. Слово оставалось на экране в течение 1,5 секунд. Регистр букв, по инструкции, был обратной связью: заглавные буквы означали правильный ответ (данный пример относится к выбранной категории), строчные - неправильный. Значение слова было признаком, на который испытуемый по инструкции может не обращать внимание. Слова были разделены на две группы: со значением «радость» или «грусть». Они были выбраны из базы ассоциаций на русскоязычной выборке (Сысоева, 2010): только слова с высокими значениями по данным категориям (см. Приложение 1). Инструкции испытуемым расположены в Приложении 4.

Испытуемые были в случайном порядке распределены в две группы. В одной группе соотношение обратной связи и семантики слова было привычным или ожидаемым: слова ассоциированные со значением «радость», предъявляются в случае верных ответов испытуемого, а слова со значением «грусти» - в случае неверных. Во второй группе наоборот, соотношение было непривычным или неожидаемым: слова, ассоциированные со значением «радость», предъявляются в случае неверных ответов испытуемого, а слова со значением «грусти» - в случае верных.

Испытуемым демонстрировались изображения примеров на мониторе ноутбука с диагональю экрана не менее 15”. Изображение каждого примера категории было ограничено 10 секундами, в течение которых испытуемому нужно дать ответ о принадлежности примера к категории. Для демонстрации стимульного материала и регистрации ответов испытуемых использовалась программа PsychoPy 1.85 (Peirce, 2007). На этапе научения испытуемые категоризовали набор из 10 изображений, давая ответы нажатием на одну из двух кнопок на стандартной клавиатуре. Длительность этапа научения составляет 10 блоков. Внутри блоков набор изображений будет предъявляться в случайном порядке. Переход к следующей пробе происходил автоматически после предъявления обратной связи через 1,5 секунды после ответа. Если испытуемый не давал ответ в течение 10 секунд после появления изображения, программа воспринимала это как неверный ответ. Слова для обратной связи связаны с блоками - одна пара слов из двух эмоциональных категории предъявляется на протяжении одного блока. Порядок сочетания номера блока и пары слов был проварьирован.

Тест. После этапа научения испытуемые выполняли тестовое задание. В нем они классифицировали примеры категорий, но без обратной связи. Тестовое задание включало старые примеры с обратным значением по постоянному признаку (признак f, таблица 1, примеры 11-20). Например, пример 11 из Таблицы 1 имеет большинство значений, позволяющих отнести его к категории А, но по постоянному признаку f, он теперь относится к категории В. Таким образом, в тесте все примеры имели конфликт между значениями большинства признаков и значением постоянного признака. Итого в тестовом задании было 10 проб, которые были предъявлены по одному разу в случайном порядке.

Экспериментальный план. Независимой межсубъектной переменной на этапе научения является вариант соотношения обратной связи и семантики слова (ожидаемый и неожидаемый). Зависимыми переменными являются средняя успешность категоризации по блокам на этапе научения, и ориентация на постоянный признак на этапе тестирования.

2.2 Определение размера выборки и анализ данных

Определение размера выборки.

В ранее проведенном исследовании (Котов, Покидышева, 2015), мы не получили значимых различий между условиями с ожидаемым и неожидаемым соотношением обратной связи и с семантикой слова в II-категориях в целом по всем блокам научения. Однако, различия в успешности, предположительно связанные с использованием стратегии, были замечены на первых двух блоках научения. Так при ожидаемом соотношении слов с обратной связью средняя успешность по первым двум блокам составила M=0.49, SD=0.26 (n=23), а при неожидаемом соотношении M=0.69, SD=0.31 (n=19). Размер эффекта вычисленный по d-Cohen, таким образом, равнялся d = 0.664. Определенная методом постхок мощность критерия при данном размере эффекта, объеме выборки и уровне значимости (0.05) составила 0.678. Для получения такого же размера эффекта при минимальной мощности в 0.8, вычисленный априори размер выборки на каждое условие должен составить не менее n=29, а при мощности равной 0.9 - n=40. Таким образом, для двух экспериментальных условий нам понадобилось бы минимум 58 испытуемых.

Процесс подготовки “сырых данных”. Для анализа были использованы данные лишь тех испытуемых, кто сформировал категорию (достиг критерия научения) к 8 блоку научения из 10. Результаты выполнения задания каждым испытуемым содержат данные об успешности в каждой пробе в каждом блоке научения (10 блоков по 10 проб). Далее по каждому испытуемому была рассчитана средняя успешность научения в каждом блоке (выражена в значении от 0 до 1).

Оценка успешности научения и определение стратегий категоризации.

Для выбора нулевого блока при построении B-кривой научения был использован следующий критерий успешности научения: нулевым блоком считается тот блок, на котором испытуемый впервые достиг уровня успешности 80% (средняя успешность в блоке при формировании II-правил) и остался на уровне 70% или выше в течение как минимум трех блоков и до конца обучения. Данный критерий позволяет строить B-кривые научения для испытуемых, использующих UD-стратегию, и исключит случайные колебания в уровне успешности, которые можно перепутать с формированием категорий. Далее все блоки научения были перенумерованы для каждого испытуемого - блок, на котором произошел переход на уровень 80%, был обозначен как блок с номером “0”, все последующие блоки - “1”, “2”, “3” и т.д. Блоки ниже нулевого будут обозначены как “-1”, “-2”, “-3” и т. д. В дальнейшем при построении B-кривой данные усреднялист по всем испытуемым в данной экспериментальной группе внутри каждого блока с одинаковым номером.

Статистические гипотезы и методы их проверки.

Согласно нашей гипотезе, B-кривая научения испытуемых в условиях неожидаемого соотношения обратной связи должна иметь ступенчатый вид, а кривая в условиях ожидаемого соотношения - плавный. В случае ступенчатого вида разница в средней успешности между блоком -1 и блоком 0 должна быть больше, чем в случае плавного вида (Ashby, Valentin, 2017). Испытуемые могут сформировать правило в разное время научения, однако при использовании B-кривой, это место будет определено довольно точно - по отношению к критерию. Для оценки различий между успешностью научения в указанном месте кривой мы использовали t-критерий Вилкоксона для связанных выборок, так как тест нормальности Shapiro-Wilk показал, что распределение не было нормальным.

Для оценки результатов тестирования считали количество ответов в тесте с ориентацией на значение постоянного признака: если испытуемые в ходе научения формировали RB-правило и ориентировались на этот признак, то количество таких ответов будет стремиться к 100%, если они ориентировались на совокупность признаков, то количество таких ответов будет стремиться к 0%. Если испытуемые ориентировались на один признак, но признак не был тем, который мы выбрали в качестве единого для всей категории, то количество успешных ответов будет стремиться к 20%. Это определялось тем, что в тестовых примерах мы поменяли соотношение значения постоянного признака с совокупностью остальных: например, если если значение значение постоянного признака соответствовало категории А, то значения совокупности оставшихся - В. Для поиска различий между двумя условиями мы использовали U-критерий Манна -- Уитни.

Ожидаемые результаты.

Согласно гипотезе, неожидаемое соотношение семантики слов с обратной связью приводит к использованию испытуемым UD-стратегии. Это должно выразиться в том, что B-кривая научения этих испытуемых будет иметь ступенчатый вид. В случае ожидаемого соотношения семантики слов с обратной связью испытуемые будут скорее использовать стратегию ориентации на совокупность признаков, что приведет к плавному виду B-кривой научения.

3. Результаты и обсуждение

3.1 Анализ общей успешности и времени ответа по прогрессивной кривой научения

Результаты подготавливались к обработке в в программе RStudio и обрабатывались в программе Jasp. Описательная статистика по каждому блоку в каждом условии находится в Приложении 3.

Вначале мы оценили, насколько испытуемые различались по успешности научения, без удаления данных тех кто не достиг критерия успешности (рис. 4).

Рисунок 4 - Прогрессивная кривая научения для всех испытуемых в двух условиях

На кривой видно, что уровень успешности на первых двух блоках практически одинаковый, но потом испытуемые в условии ожидаемого соотношения показывают чуть большую научаемость (стартовый уровень M = 0.543, конечный уровень M = 0.808), чем испытуемые в условии неожидаемого соотношения (стартовый уровень M = 0.539, конечный уровень M = 0.765).

Для анализа различий в успешности между условиями и блоками научения использовался дисперсионный анализ с повторными измерениями (ANOVA) с поправкой Greenhouse-Geisser, поскольку предварительно проведенный тест сферичности Mauchly показал, что данные не сферичны (p < 0.05). Результаты дисперсионного анализа представлены в таблице 2.

Таблица 2 - Результаты дисперсионного анализа с повторными измерениями Repeated Measures ANOVA без контроля уровня научения испытуемых

Дисперсионный анализ не обнаружил взаимодействия между факторами "Блоки" и "Соотношение". Результаты показывают рост успешности научения на протяжении десяти блоков во время этапа научения (блок 1: M = 0.541, SD = 0.187; блок 10: M = 0.785, SD = 0.210). Они также указывают на отсутствие статистически значимых различий в успешности научения в условиях ожидаемого и неожидаемого соотношения (ожидаемое соотношение: M = 0.721, SD = 0.177; неожидаемое соотношение: M = 0.706, SD = 0.149).

3.2 Анализ общей успешности и времени ответа по прогрессивной кривой научения у испытуемых, достигших критерия научения

Для сравнения условий с учетом только испытуемых, достигших критерия научения, из анализа были исключены все испытуемые, не достигшие критерия обучения. Также было исключено 10 испытуемых, которые достигли критерия на первом блоке научения. На данных этих испытуемых невозможно выделить процесс научения, поэтому мы не могли их анализировать. В результате в условии ожидаемого соотношения осталось 26 испытуемых (22 женщины и 4 мужчины), в условии неожидаемого соотношения - 23 (20 женщины и 3 мужчины). Прогрессивная кривая научения для данных испытуемых представлена на рисунке 5.

Рисунок 5 - Прогрессивная кривая научения для испытуемых, достигших критерия научения в двух условиях

На кривой видно, что уровень успешности в условии ожидаемого в целом выше (стартовый уровень M = 0.543, конечный уровень M = 0.946), чем в условии неожидаемого соотношения (стартовый уровень M = 0.5, конечный уровень M = 0.9).

Для анализа различий в успешности среди всех испытуемых использовался дисперсионный анализ с повторными измерениями (тест Mauchly показал, что данные не сферичны (p < 0.05)). Результаты анализа представлены в таблице 3.

Таблица 3 - Результаты дисперсионного анализа с повторными измерениями без учета критерия обучаемости испытуемых

Дисперсионный анализ не обнаружил взаимодействия между факторами "Блоки" и "Соотношение". Результаты показывают наличие эффекта научения на протяжении десяти блоков во время этапа научения (блок 1: M = 0.524, SD = 0.198; блок 10: M = 0.924, SD = 0.101). Они также указывают на отсутствие статистически различий в условиях ожидаемого и неожидаемого соотношения и в обучаемости в этих двух условиях (ожидаемое соотношение: M = 0.830, SD = 0.094; неожидаемое соотношение: M = 0.785, SD = 0.106).

Таким образом, мы видим, что при любом варианте выборки испытуемых относительно критерия успешности, разницы в успешности формирования правил между условиями с разной обратной связью не было. Дальше мы проанализируем стратегию категоризации в различных условиях, построив B-кривые научения.

3.3 Анализ общей успешности и времени ответа по B-кривой научения у испытуемых, достигших критерия научения

На прогрессивной кривой научения не видно перелома, который бы указывал на предпочтение UD-стратегии. Поэтому для проверки гипотезы исследования о различии стратегий научения была построена B-кривая научения (рисунки 6 и 7). Вначале мы построили график с указанием не усредненных ответов между испытуемыми, а ответов каждого испытуемого.

Рисунок 6 - Диаграмма рассеяния научения для испытуемых, достигших критерия научения в двух условиях

На графике мы видим успешность научения каждого испытуемого в каждом блоке. Мы можем наблюдать, что до блока 0 степень разброса была выше, чем после него, что указывает на резкое повышение успешности испытуемых.

На следующем графике мы усреднили данные внутри каждого блока для двух условий. Таким образом, место перехода к блоку “0” становится заметнее.

Рисунок 7 - B-кривая научения для испытуемых, достигших критерия научения в двух условиях с усредненными данными

На последней кривой видно, что в обоих условиях есть резкий скачок в успешности при достижении критерия научения (переход между блоками -1 и 0), что свойственно использованию UD-стратегии.

Для оценки различий между успешностью научения в указанном месте кривой мы использовали t-критерий Вилкоксона для связанных выборок, так как тест нормальности Shapiro-Wilk показал, что распределение не было нормальным. Сравнение успешности в блоках -1 и 0 по Т-критерию Вилкоксона в условии с ожидаемым соотношением показали значимые различия (блок -1: M = 0.584, SD = 0.152; блок 0: M = 0.856, SD = 0.082), W = 0, p < 0.001, Cohen's d = -1.778. Результаты t-критерия Вилкоксона для условия неожидаемого соотношения также показали значимые различия в успешности между этими блоками (блок -1: M = 0.635, SD = 0.093; блок 0: M = 0.839, SD = 0.103): W = 0, p < 0.001, Cohen's d = -1.846. Между двумя условиями нет видимых различий в размере эффекта. Таким образом, наши результаты показывают, что в обоих экспериментальных условиях прибегали к UD-стратегии.

3.4 Анализ результатов теста

Результаты теста, обрабатывались только для испытуемых, достигших критерия научения. Распределение усредненных значений по двум блокам теста представлено в таблице 4.

Таблица 4 - Распределение усредненных значений по двум блокам теста для испытуемых, достигший критерия научения

Из таблицы видно, что в обоих условия наиболее часто встречающимся значением является 100% успешности при выполнении теста, то есть формирование RB-правил (постоянный категориальный признак считался за правильный ответ, значит испытуемые, достигший 100% успешности ориентировались на него).

Часть испытуемых показали результат от 0.3 до 0.75, и не совсем понятно, на какие признаки они ориентировались. Возможно, они формировали RB-правила для комбинаций признаков, либо невнимательно выполнили тестовую часть задания.

Тест нормальности Shapiro-Wilk показал, что распределение не было нормальным (p < 0.001). Сравнение средних оценок выполнения теста в двух условиях по U-критерию Манна -- Уитни показало, что условия между собой не различаются (ожидаемое соотношение: M = 0.797, SD = 0.319; неожидаемое соотношение: M = 0.666, SD = 0.379): W = 504.5, p = 0.127. Значит различий между предпочтением UD-стратегии у испытуемых в двух условиях не было.

В настоящем исследовании мы выясняли, влияет ли разная организация обратной связи (соотношение эмоционального значения слова с обратной связью) на выбор стратегии категоризации. Мы предполагали, что в условии неожидаемого соотношения обратной связи испытуемые будут предпочитать использовать UD-стратегию (ступенчатый вид B-кривой научения и выбор тестовых объектов будет происходить на основе постоянного признака), в том время как при ожидаемом соотношении вид кривой будет плавный, а тест покажет формирование испытуемыми прототипа. Данная гипотеза не подтвердилась, поскольку испытуемые предпочитали использовать RB-стратегию в каждом соотношении обратной связи.

Анализ прогрессивных кривых научения показал отсутствие значимых различий между успешностью обучения в условиях ожидаемого и неожидаемого соотношения. Это означает, что задачи были одинаково сложны для всех испытуемых, и что сложность не могла быть фактором, провоцирующим различия между B-кривыми.