The 34 reference contexts in paper I. Ivanchei I., N. Andriyanova V., И. Иванчей И., Н. Андриянова В. (2016) “Двусистемная символьная вычислительная модель усвоения искусственной грамматики // Dual-System Symbolic Computational Model of Artificial Grammar Learning” / spz:neicon:technomag:y:2015:i:5:p:251-265

  1. Start
    3389
    Prefix
    Неизвестно, каким образом хранится информация о классе: в виде абстрактного правила, усреднённого «прототипического» представителя класса или запоминаются все представители класса с соответствующим лейблом? Разные теории позволяют сделать разные предсказания, однако до сих пор однозначного ответа на этот вопрос нет
    Exact
    [1]
    Suffix
    . Как должны быть закодированы признаки, чтобы мог осуществляться перенос сформированного навыка на другую сенсорную модальность — что продемонстрировано в экспериментальных исследованиях [2]?
    (check this in PDF content)

  2. Start
    3591
    Prefix
    Как должны быть закодированы признаки, чтобы мог осуществляться перенос сформированного навыка на другую сенсорную модальность — что продемонстрировано в экспериментальных исследованиях
    Exact
    [2]
    Suffix
    ? Отражением нерешённости этих и других психологических проблем может служить низкая эффективность компьютерных систем распознавания изображений (по сравнению со взрослым человеком и даже ребёнком).
    (check this in PDF content)

  3. Start
    4495
    Prefix
    Более того, человек может вообще не подозревать, что он чему-то учится. Типичной задачей, на которой демонстрируется эффект имплицитного научения, является усвоение искусственной грамматики. Эта задача была впервые описана в работе А. Ребера
    Exact
    [3]
    Suffix
    . Эксперимент состоял из двух частей. В первой части (обучающая серия) испытуемым сообщалось, что они принимают участие в исследовании памяти и им предъявлялся набор из строчек, составленных из латинских букв: VRVRMX, VRRVX, MTMTX и т. д.
    (check this in PDF content)

  4. Start
    5936
    Prefix
    Искусственная грамматика. Строчки набираются с помощью переходов по стрелкам между узлами, начало в первом узле, конец — в шестом. Этот результат был многократно повторён в последующих экспериментах (см. обзор
    Exact
    [4]
    Suffix
    ). На основании этих результатов Ребер сделал вывод о том, что испытуемые усваивали сложную структуру искусственной грамматики в виде неосознаваемых абстрактных правил. Абстрактных — потому что испытуемые могли правильно классифицировать новые стимулы.
    (check this in PDF content)

  5. Start
    6793
    Prefix
    Во многих последующих исследованиях были продемонстрированы рассогласования в процессах имплицитного и эксплицитного научения. Например, испытуемые с расстройствами памяти, у которых было сильно нарушено целенаправленное запоминание стимулов, успешно выполняют задачу на классификацию строчек
    Exact
    [5]
    Suffix
    . В исследованиях Беловой было показано, что просьба обосновывать свои решения при применении имплицитного знания также снижает точность применения имплицитных знаний [6]. Кроме влияния на точность классификации, диссоциации были обнаружены и в других показателях научения.
    (check this in PDF content)

  6. Start
    6974
    Prefix
    Например, испытуемые с расстройствами памяти, у которых было сильно нарушено целенаправленное запоминание стимулов, успешно выполняют задачу на классификацию строчек [5]. В исследованиях Беловой было показано, что просьба обосновывать свои решения при применении имплицитного знания также снижает точность применения имплицитных знаний
    Exact
    [6]
    Suffix
    . Кроме влияния на точность классификации, диссоциации были обнаружены и в других показателях научения. Было показано, что, если просить испытуемых обосновывать свои решения на тестовом этапе, они демонстрируют консервативный критерий принятия решения, то есть реже отвечают, что строчка соответствует грамматике [7].
    (check this in PDF content)

  7. Start
    7324
    Prefix
    Было показано, что, если просить испытуемых обосновывать свои решения на тестовом этапе, они демонстрируют консервативный критерий принятия решения, то есть реже отвечают, что строчка соответствует грамматике
    Exact
    [7]
    Suffix
    . В экспериментах Ребера было показано, что если испытуемым ещё перед началом тестовой серии сообщать о наличии определённых правил грамматики и просить найти их в ходе запоминания, они также реже классифицировали строчки как грамматические в тестовой серии (точность классификации также была ниже в этих условиях) [8].
    (check this in PDF content)

  8. Start
    7661
    Prefix
    В экспериментах Ребера было показано, что если испытуемым ещё перед началом тестовой серии сообщать о наличии определённых правил грамматики и просить найти их в ходе запоминания, они также реже классифицировали строчки как грамматические в тестовой серии (точность классификации также была ниже в этих условиях)
    Exact
    [8]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 253 Для объяснения рассогласований между эксплицитным и имплицитным научением были предложены двусистемные теории научения [например, 2, 9]. Согласно таким подходам, в процесс научения вовлечены две когнитивные системы — эксплицитная и имплицитная.
    (check this in PDF content)

  9. Start
    8932
    Prefix
    Новизна работы обусловлена описанием двухуровневой символьной (без нейросетевых компонентов) модели, а также её возможностью демонстрировать эффект инструкции в тестовой стадии эксперимента, полученный нами в экспериментальном исследовании с людьми
    Exact
    [7]
    Suffix
    . В следующем разделе будет описана архитектура модели, её параметры и способы реализации. В разделе «симуляция» будут приведены результаты моделирования и их сравнение с несколькими экспериментальными работами.
    (check this in PDF content)

  10. Start
    10387
    Prefix
    Эксплицитный блок выхватывает несколько чанков из каждой обучающей строчки и «запоминает» их — так моделируется эксплицитное запоминание фрагментов строчек. Хранение эксплицитных знаний в данной задаче именно в виде запомненных чанков подтверждается эмпирическими работами
    Exact
    [10]
    Suffix
    . Объём выхватываемых чанков задаётся параметром AL («Attention in learning phase», объём внимания в обучающей серии). Важно отметить, что операция выбора чанков реализована как извлечение с повторением, поэтому AL может быть больше, чем количество чанков в обучающей строке.
    (check this in PDF content)

  11. Start
    11265
    Prefix
    Имплицитный блок оценивает среднюю частоту встречаемости каждого чанка предъявленной строчки в обучающей серии — эту меру называют «ассоциативная сила чанка» («Associative chunk strength», см.
    Exact
    [2]
    Suffix
    ). Она высчитывается для каждой тестовой строки i по формуле: , (1) где Chunksi – набор чанков в тестовой строке i, Ij – частота встречаемости чанка j в обучающей серии, n – общее количество чанков в тестовой строке i.
    (check this in PDF content)

  12. Start
    12889
    Prefix
    Таким образом моделируется дополнительный эксплицитный поиск, который всегда сопровождает тестовую серию, а также зашумление, которое может снижать точность классификации в ходе тестовой серии
    Exact
    [11]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 255 Окончательное решение относительно предъявленной строчки выбирается из двух решений, предложенных двумя системами. Вероятность выбора варианта той или иной системы регулируется специальным параметром S («Strategy», стратегия).
    (check this in PDF content)

  13. Start
    14558
    Prefix
    Параметры выбирались вручную, исходя из теоретических гипотез и точности согласования модели и людей по целевым переменным (точность классификации, процент строчек, классифицированных как грамматические). Некоторые параметры модели были заданы изначально. Шум N = 15. Внимание в тестовой серии AT выбиралось для каждого симулированного испытуемого случайно из диапазона
    Exact
    [6, 10]
    Suffix
    . Остальные параметры варьировались с моделируемыми условиями эксперимента. Показатели симуляции сравнивались с нашими эмпирическими данными (эксперимент И. И. Иванчея и Н. В. Морошкиной 2014 г. [7]), а также с данными, доступными по литературным источникам (эксперименты А.
    (check this in PDF content)

  14. Start
    14781
    Prefix
    Остальные параметры варьировались с моделируемыми условиями эксперимента. Показатели симуляции сравнивались с нашими эмпирическими данными (эксперимент И. И. Иванчея и Н. В. Морошкиной 2014 г.
    Exact
    [7]
    Suffix
    ), а также с данными, доступными по литературным источникам (эксперименты А. Ребера 1967 [3] и 1976 гг. [8]). 2.1. Моделирование стандартного эксперимента В первой симуляции моделировался стандартный эксперимент.
    (check this in PDF content)

  15. Start
    14873
    Prefix
    Показатели симуляции сравнивались с нашими эмпирическими данными (эксперимент И. И. Иванчея и Н. В. Морошкиной 2014 г. [7]), а также с данными, доступными по литературным источникам (эксперименты А. Ребера 1967
    Exact
    [3]
    Suffix
    и 1976 гг. [8]). 2.1. Моделирование стандартного эксперимента В первой симуляции моделировался стандартный эксперимент. Параметры для него были следующими:  имплицитная инструкция;  AL случайно выбиралось для каждого испытуемого из диапазона [1, 2].
    (check this in PDF content)

  16. Start
    14888
    Prefix
    Показатели симуляции сравнивались с нашими эмпирическими данными (эксперимент И. И. Иванчея и Н. В. Морошкиной 2014 г. [7]), а также с данными, доступными по литературным источникам (эксперименты А. Ребера 1967 [3] и 1976 гг.
    Exact
    [8]
    Suffix
    ). 2.1. Моделирование стандартного эксперимента В первой симуляции моделировался стандартный эксперимент. Параметры для него были следующими:  имплицитная инструкция;  AL случайно выбиралось для каждого испытуемого из диапазона [1, 2].
    (check this in PDF content)

  17. Start
    15114
    Prefix
    Моделирование стандартного эксперимента В первой симуляции моделировался стандартный эксперимент. Параметры для него были следующими:  имплицитная инструкция;  AL случайно выбиралось для каждого испытуемого из диапазона
    Exact
    [1, 2]
    Suffix
    . Наука и образование. МГТУ им. Н.Э. Баумана 256 Результаты симуляции представлены на рис. 2. Рис. 2. Сравнение результатов усвоения искусственной грамматики людьми и моделью. В верхней половине представлены графики по точности классификации стимулов, в нижней — по проценту стимулов, классифицированных как грамматические.
    (check this in PDF content)

  18. Start
    15520
    Prefix
    В верхней половине представлены графики по точности классификации стимулов, в нижней — по проценту стимулов, классифицированных как грамматические. В левой половине — данные по экспериментальному исследованию Иванчея и Морошкиной
    Exact
    [7]
    Suffix
    , в правой — Ребера [8]. Вертикальные линии соответствуют 95% доверительным интервалам. Точность классификации. В симуляции стандартного эксперимента точность классификации стимулов в тестовой серии составила 67,8% правильных ответов (ϭ = 7,3%).
    (check this in PDF content)

  19. Start
    15542
    Prefix
    В верхней половине представлены графики по точности классификации стимулов, в нижней — по проценту стимулов, классифицированных как грамматические. В левой половине — данные по экспериментальному исследованию Иванчея и Морошкиной [7], в правой — Ребера
    Exact
    [8]
    Suffix
    . Вертикальные линии соответствуют 95% доверительным интервалам. Точность классификации. В симуляции стандартного эксперимента точность классификации стимулов в тестовой серии составила 67,8% правильных ответов (ϭ = 7,3%).
    (check this in PDF content)

  20. Start
    15875
    Prefix
    В симуляции стандартного эксперимента точность классификации стимулов в тестовой серии составила 67,8% правильных ответов (ϭ = 7,3%). Это примерно соответствует точности классификации в первых экспериментах Ребера — 69,4%
    Exact
    [3]
    Suffix
    , однако выше точности, полученной в наших экспериментах — 60,1% (ϭ = 10,1%) [7]. Точность модели превышает уровень случайного угадывания (50%), t(99) = 24,47, p < 0,001, что является индикатором усвоения искусственной грамматики (см. рис. 2А, имплицитная инструкция).
    (check this in PDF content)

  21. Start
    15954
    Prefix
    В симуляции стандартного эксперимента точность классификации стимулов в тестовой серии составила 67,8% правильных ответов (ϭ = 7,3%). Это примерно соответствует точности классификации в первых экспериментах Ребера — 69,4% [3], однако выше точности, полученной в наших экспериментах — 60,1% (ϭ = 10,1%)
    Exact
    [7]
    Suffix
    . Точность модели превышает уровень случайного угадывания (50%), t(99) = 24,47, p < 0,001, что является индикатором усвоения искусственной грамматики (см. рис. 2А, имплицитная инструкция). Корреляция в точности классификации разных строк.
    (check this in PDF content)

  22. Start
    16825
    Prefix
    Наука и образование. МГТУ им. Н.Э. Баумана 257 Критерий принятия решения. Процент строк, классифицированных как грамматические, у модели составил 47,2% (ϭ = 6,6%). В эксперименте Ребера
    Exact
    [3]
    Suffix
    этот показатель составил 49,5%, в нашем предыдущем исследовании [7] — 47,7% (ϭ = 10,2%) (см. рис. 2Б, имплицитная инструкция). 2.2. Моделирование поиска правил в обучающей серии Чтобы симулировать эксплицитный поиск правил в обучающей серии, мы изменили диапазон параметра «объём внимания на этапе научения» AT с [1, 2] на [14, 15].
    (check this in PDF content)

  23. Start
    16893
    Prefix
    Баумана 257 Критерий принятия решения. Процент строк, классифицированных как грамматические, у модели составил 47,2% (ϭ = 6,6%). В эксперименте Ребера [3] этот показатель составил 49,5%, в нашем предыдущем исследовании
    Exact
    [7]
    Suffix
    — 47,7% (ϭ = 10,2%) (см. рис. 2Б, имплицитная инструкция). 2.2. Моделирование поиска правил в обучающей серии Чтобы симулировать эксплицитный поиск правил в обучающей серии, мы изменили диапазон параметра «объём внимания на этапе научения» AT с [1, 2] на [14, 15].
    (check this in PDF content)

  24. Start
    17141
    Prefix
    В эксперименте Ребера [3] этот показатель составил 49,5%, в нашем предыдущем исследовании [7] — 47,7% (ϭ = 10,2%) (см. рис. 2Б, имплицитная инструкция). 2.2. Моделирование поиска правил в обучающей серии Чтобы симулировать эксплицитный поиск правил в обучающей серии, мы изменили диапазон параметра «объём внимания на этапе научения» AT с
    Exact
    [1, 2]
    Suffix
    на [14, 15]. В таких условиях модель приобретала больше эксплицитного знания, и, в соответствии с определением «стратегии» (равенство 4), эксплицитный блок делал больший вклад в финальное решение о классификации.
    (check this in PDF content)

  25. Start
    17151
    Prefix
    В эксперименте Ребера [3] этот показатель составил 49,5%, в нашем предыдущем исследовании [7] — 47,7% (ϭ = 10,2%) (см. рис. 2Б, имплицитная инструкция). 2.2. Моделирование поиска правил в обучающей серии Чтобы симулировать эксплицитный поиск правил в обучающей серии, мы изменили диапазон параметра «объём внимания на этапе научения» AT с [1, 2] на
    Exact
    [14, 15]
    Suffix
    . В таких условиях модель приобретала больше эксплицитного знания, и, в соответствии с определением «стратегии» (равенство 4), эксплицитный блок делал больший вклад в финальное решение о классификации.
    (check this in PDF content)

  26. Start
    18282
    Prefix
    Таким образом, соотношение вкладов эксплицитного и имплицитного блоков было зафиксировано на уровне 0,6. При этом параметр «внимание в обучающей серии» AL соответствовал имплицитной обучающей серии —
    Exact
    [1, 2]
    Suffix
    . Точность классификации в таком условии составила 64,6% (ϭ = 7,4%), что значимо ниже, чем в модели с имплицитной инструкцией (67,8%, ϭ = 7,3%), t(198) = 3,06, p = 0.002 (рис. 2А). Процент строк, классифицированных как грамматические, составил 40,5% (ϭ = 7,4%).
    (check this in PDF content)

  27. Start
    22798
    Prefix
    Наука и образование. МГТУ им. Н.Э. Баумана 259 Кроме воспроизведения эффектов, демонстрируемых людьми, модель показала некоторые рассогласования с экспериментальными данными. Во-первых, в эксперименте Ребера
    Exact
    [8]
    Suffix
    испытуемые, которых просили искать правила в обучающей серии, показали более низкую точность классификации, чем испытуемые, которые выполняли стандартную задачу запоминания в обучающей серии (65,0% против 76,7% соответственно).
    (check this in PDF content)

  28. Start
    23223
    Prefix
    искать правила в обучающей серии, показали более низкую точность классификации, чем испытуемые, которые выполняли стандартную задачу запоминания в обучающей серии (65,0% против 76,7% соответственно). В симуляции в обоих условиях точность классификации строчек не различалась (рис. 2В). Однако результат Ребера не был воспроизведён в последующих экспериментах
    Exact
    [12]
    Suffix
    , так что это нельзя считать большой проблемой для модели. Вторая рассогласованность между симуляцией и эмпирическими данными состоит в том, что в нашем предыдущем эксперименте необходимость обосновывать свои решения в тестовой серии привела только к сдвигу критерия, но не повлияла на точность классификации [7].
    (check this in PDF content)

  29. Start
    23549
    Prefix
    Вторая рассогласованность между симуляцией и эмпирическими данными состоит в том, что в нашем предыдущем эксперименте необходимость обосновывать свои решения в тестовой серии привела только к сдвигу критерия, но не повлияла на точность классификации
    Exact
    [7]
    Suffix
    . Представленная модель демонстрирует статистически значимое снижение точности в условиях отчёта в тестовой серии (рис. 2А). В наших экспериментальных данных также наблюдается небольшое снижение (c 60,1% до 58,2%), однако оно не достигает уровня статистической значимости.
    (check this in PDF content)

  30. Start
    24791
    Prefix
    Одним из главных требований конструируемой модели было наличие двух независимых блоков обработки информации. Для этого существуют как эмпирические основания, описанные выше, так и теоретические
    Exact
    [13]
    Suffix
    . Исследователями имплицитного научения предлагался ряд вычислительных моделей изучаемых процессов (см. [14]). Однако проблема взаимодействия осознаваемых и неосознаваемых знаний человека редко ставится в основание работы.
    (check this in PDF content)

  31. Start
    24908
    Prefix
    Для этого существуют как эмпирические основания, описанные выше, так и теоретические [13]. Исследователями имплицитного научения предлагался ряд вычислительных моделей изучаемых процессов (см.
    Exact
    [14]
    Suffix
    ). Однако проблема взаимодействия осознаваемых и неосознаваемых знаний человека редко ставится в основание работы. Были предложены и двухуровневые модели, например, COVIS [9] и CLARION [15], которые описывали взаимодействие осознаваемых и неосознаваемых процессов в ходе научения.
    (check this in PDF content)

  32. Start
    25095
    Prefix
    Исследователями имплицитного научения предлагался ряд вычислительных моделей изучаемых процессов (см. [14]). Однако проблема взаимодействия осознаваемых и неосознаваемых знаний человека редко ставится в основание работы. Были предложены и двухуровневые модели, например, COVIS
    Exact
    [9]
    Suffix
    и CLARION [15], которые описывали взаимодействие осознаваемых и неосознаваемых процессов в ходе научения. Но в упомянутых моделях имплицитная система реализуется с помощью нейронных сетей, которые делают описание происходящего научения довольно сложным (неслучайно в машинном обучении нейросетевые модели называют моделями «чёрного ящика»).
    (check this in PDF content)

  33. Start
    25112
    Prefix
    Исследователями имплицитного научения предлагался ряд вычислительных моделей изучаемых процессов (см. [14]). Однако проблема взаимодействия осознаваемых и неосознаваемых знаний человека редко ставится в основание работы. Были предложены и двухуровневые модели, например, COVIS [9] и CLARION
    Exact
    [15]
    Suffix
    , которые описывали взаимодействие осознаваемых и неосознаваемых процессов в ходе научения. Но в упомянутых моделях имплицитная система реализуется с помощью нейронных сетей, которые делают описание происходящего научения довольно сложным (неслучайно в машинном обучении нейросетевые модели называют моделями «чёрного ящика»).
    (check this in PDF content)

  34. Start
    26208
    Prefix
    Модель достаточно хорошо согласуется с данными, полученными в экспериментальных исследованиях с людьми. В том числе успешно моделируется эффект инструкции в тестовой серии, описанный в нашем эксперимнетальном исследовании
    Exact
    [7]
    Suffix
    . Планируется дальнейшая разработка модели с целью симуляции других экспериментальных воздействий. Одно из важнейших направлений работы — возможность моделировать решение других задач, включающих в себя научение и категоризацию.
    (check this in PDF content)