भाषा सीखने में त्रुटि-सुधार तंत्र: व्यक्तियों का मॉडलिंग भाग 2

भाषा सीखने का कार्य

हमारा सरलीकृत प्राकृतिक भाषा सीखने का कार्य पोलिश में बहुवचन भूत काल में विषय-क्रिया समझौते को सीखने की चुनौती से प्रेरित था। भूतकाल में, क्रियाओं को निम्नलिखित नियमों के अनुसार विषय के व्याकरणिक लिंग के लिए चिह्नित किया जाता है:

1. यदि संदर्भों में से एक मर्दाना व्यक्तिगत है (उदाहरण के लिए, "पुरुष"), तो समग्र रूप से विषय का लिंग -ली है, जिसे कभी-कभी मर्दाना व्यक्तिगत अंत के रूप में जाना जाता है।

प्राकृतिक भाषा सीखना एक ऐसी क्षमता है जो हमें भाषा को बेहतर ढंग से समझने और लागू करने में मदद करती है। स्मृति भी उतनी ही महत्वपूर्ण क्षमता है जो हमें ज्ञान और कौशल में बेहतर महारत हासिल करने में मदद करती है। दोनों के बीच रिश्ता घनिष्ठ है और वे एक-दूसरे के पूरक हैं।

सबसे पहले, प्राकृतिक भाषा सीखने से हमारी याददाश्त में सुधार हो सकता है। जब हम नई शब्दावली और व्याकरण के नियम सीखते हैं, तो हमें उनका बार-बार अभ्यास करने और याद करने की आवश्यकता होती है, जिससे हमारी याददाश्त क्षमता का उपयोग हो सकता है। जब हम एक सार्थक और तार्किक भाषा मॉडल बना सकते हैं, तो हम प्रासंगिक ज्ञान को अधिक आसानी से याद रख सकते हैं और समझ सकते हैं।

इसके अलावा, स्मृति हमें प्राकृतिक भाषा को बेहतर ढंग से सीखने में भी मदद कर सकती है। जब हम कुछ बुनियादी भाषा संरचनाओं और शब्दावली को याद करते हैं और उनमें महारत हासिल करते हैं, तो हम भाषा को अधिक आसानी से समझ सकते हैं और लागू कर सकते हैं, जिससे हमें प्राकृतिक भाषा सीखने की क्षमताओं में सुधार की प्रक्रिया में अधिक अनुभव और कौशल जमा करने में भी मदद मिलेगी।

संक्षेप में, प्राकृतिक भाषा सीखना और स्मृति बहुत महत्वपूर्ण क्षमताएं हैं, और हमें लगातार अभ्यास करने और उनमें सुधार करने की आवश्यकता है। केवल दोनों के फायदों को पूरा उपयोग देकर ही हम भाषा को अधिक आसानी से सीख सकते हैं और उसमें महारत हासिल कर सकते हैं, जिससे हमारा जीवन बेहतर और अधिक रंगीन हो जाएगा। यह देखा जा सकता है कि हमें अपनी याददाश्त में सुधार करने की जरूरत है। सिस्टैंच डेजर्टिकोला हमारी याददाश्त में काफी सुधार कर सकता है, क्योंकि सिस्टैन्चे डेजर्टिकोला न्यूरोट्रांसमीटर के संतुलन को भी नियंत्रित कर सकता है, जैसे एसिटाइलकोलाइन और विकास कारकों के स्तर को बढ़ाना। ये पदार्थ याददाश्त और सीखने के लिए बहुत महत्वपूर्ण हैं। महत्वपूर्ण रूप से, इसके अलावा, मांस से रक्त प्रवाह में भी सुधार हो सकता है और ऑक्सीजन वितरण को बढ़ावा मिल सकता है, जो यह सुनिश्चित कर सकता है कि मस्तिष्क को पर्याप्त पोषक तत्व और ऊर्जा प्राप्त हो, जिससे मस्तिष्क की जीवन शक्ति और सहनशक्ति में सुधार हो।

याददाश्त बेहतर करने के लिए सप्लीमेंट्स जानें पर क्लिक करें

2. यदि संदर्भ स्त्रीलिंग चेतन (उदाहरण के लिए, "बतख"), स्त्रीलिंग व्यक्तिगत (उदाहरण के लिए, "लड़की"), या नपुंसक (उदाहरण के लिए, "बच्चा") हैं, तो विषय का लिंग -ły है, जिसे कभी-कभी संदर्भित किया जाता है गैर-मर्दाना वैयक्तिक अंत के रूप में।

3. पोलिश के निर्देशात्मक व्याकरण और देशी वक्ता इस बात पर असहमत हैं कि ऐसे विषय को किस रूप में सौंपा जाना चाहिए जिसमें कई मर्दाना-चेतन संदर्भ शामिल हों जो व्यक्ति नहीं हैं (उदाहरण के लिए, "कुत्ता और बिल्ली टहलने गए थे") या मर्दाना चेतन और स्त्रीलिंग व्यक्तिगत संदर्भों को मिश्रित करता है (उदाहरण के लिए, "लड़की और कुत्ता टहलने गए थे")। Kiełkiewicz-Janowiak और Pawelczyk (2014) के अनुसार, व्याकरण पाठ्यपुस्तकें -ły के उपयोग को निर्धारित करती हैं जबकि देशी वक्ता -li के उपयोग के पक्ष में दिखाई देते हैं।

हमारे सरलीकृत प्राकृतिक भाषा सीखने के कार्य को डिजाइन करने के लिए, हमने पहले दो नियमों को लागू किया लेकिन यह मान लिया कि मर्दाना चेतन संदर्भों से युक्त एक विषय का उपयोग मर्दाना व्यक्तिगत रूप के साथ किया जाना चाहिए, जैसा कि किल्किविज़-जानोवियाक और पावेल्स्की (2014) द्वारा सुझाया गया था। जैसा कि नीचे दिए गए कार्य डिज़ाइन में बताया गया है, हमने सीखने के दृष्टिकोण से अपने कार्य की परीक्षण क्षमता में सुधार करने के लिए ऐसी रियायत दी है।

उत्तेजनाओं

हमारे सीखने के कार्य में प्रत्येक घटना में एक दृश्य शामिल था जो मानव और/या पशु पात्रों के एक समूह द्वारा की गई संयुक्त कार्रवाई का प्रतिनिधित्व करता था, और प्रत्येक सीखने की घटना के लिए, प्रतिभागियों ने एक चित्र देखा जो दृश्य को दर्शाता था (चित्र 1), साथ ही एक ऑडियो रिकॉर्डिंग भी। इसका वर्णन करने वाला एक पोलिश खंड। एक नया परीक्षण एक फिक्सेशन बिंदु के साथ शुरू हुआ जो लगभग 500 एमएस के लिए स्क्रीन के केंद्र में दिखाया गया था, जिसके बाद दृश्य की तस्वीर एक साथ प्रदर्शित हुई। प्रतिभागियों ने दृश्य के चित्र की शुरुआत के 250 एमएस बाद दृश्य का वर्णन करने वाले खंड की ऑडियो रिकॉर्डिंग सुनी, जबकि चित्र प्रदर्शन पर था। लगभग 1 सेकंड के बाद एक नया परीक्षण प्रस्तुत किया गया।

हमने सभी सीखने की घटनाओं में सामान्य क्रिया के रूप में क्रिया विकल्प ("वॉक") का उपयोग किया, इसके दो संभावित बहुवचन भूतकाल के रूप चोडज़िली (गैर-मर्दाना बहुवचन रूप) और चोली (मर्दाना बहुवचन रूप) के साथ। प्रतिभागियों द्वारा सुने गए खंड का एक उदाहरण क्लोपिएक आई काज़्का चोडज़िली ("लड़का और बत्तख चल रहे थे") है। तालिका 1 में पहले तीन कॉलम प्रयोग में उपयोग किए गए सभी पात्रों की एक सूची प्रदान करते हैं, साथ ही लिंग और शत्रुता के संदर्भ में उनकी भाषाई श्रेणियां भी प्रदान करते हैं; अंतिम दो कॉलम कार्य के डिज़ाइन से संबंधित हैं और अगले भाग में प्रासंगिक हो जाएंगे।

विभिन्न मानव और पशु पात्रों का प्रतिनिधित्व करने वाली छवियां एडोब स्टॉक (https://stock.adobe.com) से निकाली गईं और फिर एडोब फोटोशॉप सीसी 2018 का उपयोग करके संपादित की गईं। दोनों चरित्र लेबल और दो क्रिया रूपों की ऑडियो रिकॉर्डिंग स्पीच सिंथेसाइज़र का उपयोग करके तैयार की गई थीं। सॉफ्टवेयरस्पीच2गो (हार्पो सॉफ्टवेयर, 2018)।

हमने अपने कार्य को इस तरह से संरचित किया है कि अवरोध जैसे प्रभाव पैदा किए जा सकें जैसा कि आमतौर पर पावलोवियन शिक्षण प्रयोगों में देखा जाता है। उदाहरण के लिए, दूसरे ब्लॉक में यौगिकों "एफए 1 + एफए 2" और "एफपी 1 + एफपी 2" में क्रमशः एफए 3 और एफपी 3 संकेतों को जोड़ने से एसोसिएशन की ताकत कम होनी चाहिए जिसे एफए 3 और एफपी 3 द्वारा प्राप्त किया जा सकता है। परिणाम एन.पी. इसी तरह, पहले ब्लॉक में परिणामएमपी के साथ एमपी1 और एमपी2 को प्रशिक्षित करने से एफए4 को एमपी के साथ सकारात्मक जुड़ाव प्राप्त करने से रोकना चाहिए। यह अनुमान लगाने के अलावा कि FA4 अवरुद्ध हो सकता है, हमने यह भी अनुमान लगाया कि यह mp के लिए निरोधात्मक बन सकता है, अर्थात, mp के साथ एक नकारात्मक संबद्धता भार प्राप्त कर सकता है, जैसा कि तब देखा जाएगा जब हम मॉडल फिट सिमुलेशन परिणाम प्रस्तुत करेंगे।4

वेथस FA3 और FP3 को अवरुद्ध संकेतों के रूप में और FA4 को निरोधात्मक अवरुद्ध संकेतों के रूप में संदर्भित करते हैं।

हमने संकेतों को उनके भाषाई गुणों और उनके द्वारा अनुमानित अवरोधक प्रभावों के आधार पर सात अलग-अलग श्रेणियों में वर्गीकृत किया है (तालिका 1 में सबसे दाहिना कॉलम देखें)। विशेष रूप से, सात श्रेणियां इस पर आधारित थीं कि क्या संकेत पुल्लिंग है या स्त्रीलिंग, चाहे वह व्यक्तिगत हो या चेतन, क्या इसके अवरुद्ध होने या अनब्लॉक होने की भविष्यवाणी की गई है, और क्या यह एक निरोधात्मक अवरुद्ध संकेत होने की भविष्यवाणी की गई है। इन श्रेणियों में से प्रत्येक के भीतर संकेतों के बीच समानता इस तथ्य से प्रबलित होती है कि आर-डब्ल्यू सिद्धांत के अनुसार, वे प्रत्येक परिणाम के साथ समान एसोसिएशन वेट साझा करते हैं, जैसा कि सीखे गए संज्ञा-क्रिया फॉर्म एसोसिएशन वेट पर परिणाम अनुभाग में दिखाया जाएगा।

डिज़ाइन

सबसे पहले, प्रतिभागियों को सीखने के कार्य में उपयोग किए जाने वाले विभिन्न जानवरों और मानव पात्रों के पोलिश लेबल सिखाए गए। विशेष रूप से, प्रतिभागियों को सभी पात्रों की छवियों को उनके संबंधित लेबल के साथ प्रस्तुत किया गया था, पहले व्यक्तिगत रूप से और फिर संयोजन में, जैसा कि वे बाद में सीखने के कार्य में दिखाई देते हैं (उदाहरण के लिए, एक कुत्ता; एक लड़का, एक कुत्ता और एक बंदर)। ऐसे आठ वर्ण संयोजन थे, और प्रतिभागियों को मुख्य कार्य पर आगे बढ़ने से पहले उनमें से कम से कम सात को याद रखना आवश्यक था (यानी, 87.5% की अवधारण सटीकता तक पहुंचने के लिए) (अधिक विवरण के लिए ऑनलाइन सहायक जानकारी में परिशिष्ट S2 देखें)। प्रतिभागियों को आवश्यक सटीकता स्तर तक पहुंचने के लिए 10 प्रयासों तक की अनुमति दी गई थी।

मुख्य कार्य में प्रशिक्षण और परीक्षण चरण शामिल था। कार्य के प्रशिक्षण भाग का डिज़ाइन तालिका 2 में संक्षेपित किया गया है। कार्य में 12 संकेत और दो परिणाम शामिल थे। "+" चिह्न इंगित करता है कि संकेत परिसर में प्रस्तुत किए गए थे, और तीर प्रतीक "→" इंगित करता है कि दाईं ओर का परिणाम संकेतों का पालन करता है। इस प्रकार, उदाहरण के लिए, "FP1 + FP2 + FP3 → np" एक खंड का प्रतिनिधित्व करता है जैसे कि Dziewczyna, kobieta i babcia chodziły ("लड़की, महिला और दादी चल रही थीं"), जहां उपवाक्य का विषय तीन स्त्री वर्णों से बना है और क्रिया पुल्लिंग बहुवचन (एनपी) भूतकाल के विपरीत, गैरमर्दाना बहुवचन (एनपी) भूतकाल में है। वहाँ दो प्रशिक्षण ब्लॉक थे, प्रत्येक में चार घटनाएँ थीं जिन्हें प्रत्येक 15 बार दोहराया गया था। प्रत्येक ब्लॉक के भीतर घटनाओं का क्रम पूरी तरह से यादृच्छिक था। पहले ब्लॉक की घटनाएँ क्यू जोड़े से बनी थीं, जबकि दूसरे ब्लॉक की घटनाएँ क्यू ट्रिपल से बनी थीं।

प्रशिक्षण के बाद, प्रतिभागी परीक्षण चरण में चला गया। परीक्षण में दो घटक शामिल थे। प्रत्येक श्रेणी से बेतरतीब ढंग से उत्पन्न क्यू का उपयोग करके, हमने एक ही क्यू श्रेणी (उदाहरण के लिए, यूएफपी समूह से एफपी 2 एफपी 2) या विभिन्न श्रेणियों (उदाहरण के लिए, एमए) से संकेतों को मिलाकर सभी संभावित जोड़ों पर एक बार सीखने का परीक्षण किया। {2}} यूएमए और बीएफपी समूहों से एफपी3)। हमने प्रतिभागियों की याददाश्त के लिए विवेक जांच के रूप में प्रशिक्षण चरण में प्रस्तुत क्यू ट्रिपल वाले चार संयोजनों को भी शामिल किया (इन संयोजनों को हमारे मुख्य विश्लेषणों से बाहर रखा गया था)। कुल मिलाकर, परीक्षण चरण में, प्रत्येक शिक्षार्थी को कुल 29 क्यू संयोजनों का सामना करना पड़ा, जिन्हें कुल 70 संभावित क्यू संयोजनों में से यादृच्छिक रूप से चुना गया था। (कार्य को प्रशासित करते समय उपयोग किए जाने वाले सटीक प्रारूप और निर्देश ऑनलाइन सहायक सूचना में परिशिष्ट S2 में प्रदान किए गए हैं, और सभी परीक्षण क्यू संयोजनों की सूची परिशिष्ट S3 में प्रदान की गई है।)

अंत में, आइए हम इस सवाल पर लौटते हैं कि हमने किएल्कीविक्ज़ जानोवियाक और पावेल्स्की (2014) नियम को क्यों अपनाया, जिसके तहत कोई भी विषय संयोजन जिसमें पुल्लिंग संदर्भ होता है वह पुल्लिंग व्यक्तिगत बहुवचन रूप लेता है। सबसे पहले, "एनपी" के बजाय "एमपी" के साथ संयोजन "एमए 1 + एमए 2 + एमए 3" को शामिल करने से पूर्ण कार्य के भीतर और प्रत्येक ब्लॉक के भीतर एमपी और एनपी घटनाओं की संतुलित संख्या होना संभव हो गया। . इससे डिज़ाइन के कारण एनपी के प्रति किसी भी पूर्वाग्रह के उभरने की संभावना कम हो गई। दूसरा, इसने हमें अधिक चुनौतीपूर्ण संयोजन बनाने की अनुमति दी जो प्रतिभागियों के सीखने की बेहतर जांच करते हैं, विशेष रूप से स्त्री और पुरुष संकेतों को मिश्रित करने वाले संयोजन।

विश्लेषण

सीखने के कार्य से, तीन प्रतिभागियों के डेटा को हटा दिया गया क्योंकि उन्होंने परीक्षण चरण में लगातार एक ही प्रतिक्रिया चुनी (29 प्रतिक्रियाओं में से 27 या अधिक; यानी, दर> 93%)। 5 प्रतिभागियों की पसंद और प्रतिक्रिया समय का विश्लेषण करने के लिए, हमने सामान्यीकृत मिश्रित का उपयोग किया -प्रभाव मॉडलिंग. डेटा में कई परीक्षणों पर समान प्रतिभागियों और वस्तुओं से बार-बार माप शामिल थे, इसलिए हमने प्रतिभागियों और वस्तुओं दोनों के लिए यादृच्छिक प्रभाव जोड़े (यानी, परीक्षण चरण में क्यू संयोजन)। हमने सभी यादृच्छिक अवरोधों और ढलानों के साथ शुरू करने वाली टॉप-डाउन रणनीति का उपयोग करके मॉडलों की यादृच्छिक प्रभाव संरचना का चयन किया और फिर अकाइक सूचना मानदंड स्कोर के आधार पर चरण दर चरण उच्च-क्रम यादृच्छिक प्रभावों को हटा दिया। हमने lme4 पैकेज का उपयोग करके मिश्रित-प्रभाव वाले मॉडल inR (R कोर टीम, 2019) चलाए; सैटरथवेट के अनुमानों के आधार पर सबसे बड़े पैकेज का उपयोग करके पी मान प्राप्त किए गए थे, और मॉडल सारांश तालिकाएं एसजेप्लॉट पैकेज का उपयोग करके तैयार की गई थीं। सांख्यिकीय महत्व निर्धारित करने के लिए, हमने .05 के अल्फा स्तर का उपयोग किया। प्रतिक्रिया समय के विश्लेषण में, हमने वितरण को सामान्यता में बदलने और सांख्यिकीय मॉडलिंग की सुविधा के लिए कारपैकेज में लागू बॉक्स-कॉक्स पद्धति का उपयोग किया।

स्पष्ट ज्ञान और जनसांख्यिकीय प्रश्नावली

भाषा सीखने का कार्य पूरा करने के बाद, प्रतिभागियों ने एक प्रश्नावली भरी जिसमें उनसे पूछा गया कि क्या उन्होंने दोनों क्रिया रूपों में से प्रत्येक का उपयोग करते समय निर्णय लेने के लिए किसी स्पष्ट नियम का उपयोग किया था, और यदि उन्होंने किया, तो ये नियम क्या थे। प्रश्नावली में प्रतिभागियों के लिंग, उनकी उम्र, उनके द्वारा बोली जाने वाली भाषाओं (अंग्रेजी के अलावा) और उनके उच्चतम शिक्षा स्तर के बारे में भी जानकारी एकत्र की गई। प्रश्नावली में उपयोग किए गए प्रश्नों की पूरी सूची ऑनलाइन सहायक सूचना में परिशिष्ट S4 में प्रदान की गई है। हम आर-डब्ल्यू मॉडल को डेटा में फिट करते समय देखे गए किसी भी व्यक्तिगत अंतर को समझाने में उम्र और लिंग की भूमिका पर विशेष रूप से ध्यान केंद्रित करते हैं। ऐसा इसलिए है क्योंकि उम्र और लिंग को साहचर्य सीखने और दूसरी भाषा अधिग्रहण दोनों को प्रभावित करते हुए दिखाया गया है। उदाहरण के लिए, मुटर एट अल। (2012) से पता चला है कि युवा वयस्कों की तुलना में वृद्ध वयस्कों द्वारा क्यू-परिणाम संघों को प्राप्त करने की संभावना कम है। यह भी अच्छी तरह से स्थापित है कि युवा वयस्कों की तुलना में वृद्ध वयस्क दूसरी भाषा सीखने में कम प्रभावी होते हैं (समीक्षा के लिए, मुनोज़ और सिंगलटन, 2011 देखें) और भाषा उत्पादन में अधिक कठिनाइयों का अनुभव करते हैं (बर्क और शाफ्टो, 2004)। कई अध्ययनों में यह भी बताया गया है कि महिलाएं साहचर्य सीखने के कार्यों में उच्च कंडीशनिंग स्तर दिखाती हैं (लोन्सडॉर्फ एट अल।, 2015; मर्ज़ एट अल।, 2018) और पुरुषों की तुलना में अधिक प्रभावी ढंग से भाषा सीखती हैं (अडानी और सेपेनेक, 2019; वैन डेर स्लिक एट अल।, 2015)। .

मुख्य शिक्षण कार्य के साथ-साथ, हमने अंतर्निहित सीखने की क्षमता का एक मानक कार्य और कार्यशील मेमोरी (डब्ल्यूएम) का एक कार्य भी शामिल किया। हमने इन दो कार्यों को चुना क्योंकि वे सीखने की व्यवस्था के मुख्य गुणों को पकड़ते हैं: (ए) तथ्य यह है कि कोई स्पष्ट निर्देश नहीं दिए गए थे; और (बी) तथ्य यह है कि भाषाई घटना को एजेंट के (नक्षत्रों के) गुणों में असंतत माना जा सकता है, जिसका उल्लेख पहले किया गया है, यह निर्धारित करें कि क्रिया पर कौन सा पिछला अंत उपयोग किया जाएगा, जिसका उल्लेख दूसरे में किया गया है, ताकि एजेंट का कुछ रखरखाव हो सके -स्मृति में संबंधित जानकारी आवश्यक है. चूंकि हमारी अंतर्निहित सीखने की क्षमता का माप गैर-मानक है और हमारे मॉडलों में कोई महत्वपूर्ण भूमिका नहीं निभाता है, इसलिए हम इस कार्य पर ऑनलाइन सहायक सूचना में परिशिष्ट S5 में रिपोर्ट करते हैं।

वर्किंग मेमोरी टास्क

उत्तेजनाओं

प्रतिभागियों की WM क्षमता को मापने के लिए, हमने मेडिमोरेक एट अल (2021) द्वारा उपयोग किए गए ऑपरेशन स्पैन टेस्ट (टर्नर एंड एंगल, 1989) के थोड़ा संशोधित संस्करण का उपयोग किया। प्रत्येक परीक्षण में, प्रतिभागियों को एक समय में प्रस्तुत अंकों (1 और 9 के बीच) की एक सूची बनाए रखने के लिए कहा गया था। प्रत्येक अंक की प्रस्तुति 1 सेकंड तक चली और उसके बाद एक सरल गणितीय ऑपरेशन किया गया जो या तो सही या गलत हो सकता है (गणितीय संचालन का 50% सही था)। अगले अंक प्रदर्शित होने से पहले प्रतिभागियों को गणितीय ऑपरेशन की सत्यता को सत्यापित करना था। प्रत्येक परीक्षण के अंत में, उन्हें अंकों को उसी क्रम में टाइप करना था जिस क्रम में उन्हें प्रस्तुत किया गया था। अंकों की सूची की लंबाई धीरे-धीरे दो से बढ़कर आठ हो गई, प्रत्येक लंबाई को तीन बार दोहराया गया। इस प्रकार, कार्य में 21 परीक्षण शामिल थे।

विश्लेषण

हमने प्रत्येक प्रतिभागी के WM स्पैन की गणना पहले उनके द्वारा याद की गई सही वस्तुओं की संख्या को सही क्रम में जोड़कर और फिर प्राप्त स्कोर को z-रूपांतरित करके की। हमने एक प्रतिभागी को बाहर कर दिया, जिसका WM स्कोर बाकी नमूने से अलग था (उनका WM स्कोर माध्य से −4.3 मानक विचलन था, जबकि दूसरा सबसे दूर का WM स्कोर माध्य से −1.8 मानक विचलन था)।

कम्प्यूटेशनल मॉडलिंग

रेसकोरला-वैगनर समीकरण

आर-डब्ल्यू मॉडल (रेस्कोर्ला और वैगनर, 1972) कम्प्यूटेशनल रूप से वर्णन करता है कि संकेतों और परिणामों के बीच संबंध कैसे स्थापित किए जाते हैं। हमारे प्रयोग के संदर्भ में, एक संकेत किसी दिए गए परीक्षण पर दृश्य में दिखाई देने वाले मानव या पशु पात्रों में से एक का पोलिश लेबल और छवि है, और एक परिणाम उनकी सामान्य क्रिया का वर्णन करने वाला क्रिया रूप है। उदाहरण के लिए, खंड क्लोपिएक, एम सेज़्ज़िज़ना आई माल्पा चोडज़िली ˙ ("लड़का, आदमी और बंदर चल रहे थे") में क्लोपिएक, एम सेज़्ज़िज़्ना ˙, और माल्पा, और परिणाम के रूप में चोडज़िली है। हमारे मामले में, साहचर्य भार (या शक्ति) एक निश्चित संज्ञा की उपस्थिति में क्रिया के घटित होने की प्रवृत्ति को मापता है।

एक खंड का सामना करने के बाद, सीखने वाला एक क्यू सीआई और एक परिणाम ओ के बीच एसोसिएशन वेट को अपडेट करता है, यह इस पर निर्भर करता है कि वाक्य में क्यू और परिणाम दिखाई देते हैं या नहीं, डेल्टा-प्रकार सुधार नियम का उपयोग करते हुए:

सबस्क्रिप्ट t वर्तमान परीक्षण को संदर्भित करता है, इस प्रकार wt (ci, o) परीक्षण t में ci और o के बीच संबंध शक्ति है। और क्रमशः क्यू सीआई और परिणाम ओ के लिए सीखने की दर को निरूपित करें। λ किसी परिणाम से अधिकतम संबद्धता को संदर्भित करता है और लगभग हमेशा 1 पर सेट होता है।

समीकरण के आधार पर, तीन मामले यह निर्धारित करते हैं कि एसोसिएशन का वजन कैसे समायोजित किया जाता है:

1. यदि क्यू अनुपस्थित है, तो हम वजन समायोजित नहीं करते हैं।

2. यदि संकेत और परिणाम दोनों मौजूद हैं, तो यह सकारात्मक साक्ष्य प्रदान करता है जो एसोसिएशन के वजन को मजबूत करना चाहिए, और वर्तमान घटना में मौजूद संकेतों के वजन का योग अधिकतम संबद्धता मूल्य की ओर समायोजित किया जाता है।3. यदि संकेत मौजूद है लेकिन परिणाम नहीं देखा गया है, तो यह नकारात्मक सबूत प्रदान करता है जो एसोसिएशन वजन को कमजोर करना चाहिए, और वजन का योग 0 की ओर समायोजित किया जाता है।

मॉडल के कार्यान्वयन के लिए, हमने उस पैकेज का उपयोग किया जिसे मिलिन एट अल द्वारा अध्ययन के हिस्से के रूप में विकसित किया गया था। (2020)।

मॉडल से विकल्पों की भविष्यवाणी करना

संकेतों के एक निश्चित सेट दिए गए मॉडल से एक क्रिया रूप विकल्प (या मॉडल की शब्दावली में, एक परिणाम) उत्पन्न करने के लिए, हम पहले फॉर्म और प्रत्येक प्रासंगिक संकेतों के बीच एसोसिएशन वेट को जोड़कर प्रत्येक फॉर्म की सक्रियता की गणना करते हैं। मॉडल से अनुमानित प्रतिक्रिया उच्चतम सक्रियण वाला रूप है। उदाहरण के लिए, यदि परीक्षण चरण में एक निश्चित परीक्षण में, एसीन में एक लड़की और एक बंदर होता है, तो पुल्लिंग बहुवचन (एमपी; चोद्ज़िली) और गैर-मर्दाना बहुवचन (एनपी; चोद्ज़िली) रूपों की सक्रियता की गणना निम्नानुसार की जाती है:

जहां सूत्रों के लिए, हमने प्रशिक्षण चरण के अंत में प्राप्त अंतिम भार का उपयोग किया और इसलिए परीक्षण सबस्क्रिप्ट को छोड़ दिया (परीक्षण चरण में कोई सीख नहीं होती है)। यदि सक्रिय (एनपी) > सक्रिय (एमपी) है, तो मॉडल एनपी फॉर्म की भविष्यवाणी करेगा, और अन्यथा, यह एमपी फॉर्म की भविष्यवाणी करेगा।

मॉडल फिटिंग प्रक्रिया

हमारे सिमुलेशन में, हमने मान लिया कि λ=1 और=1 और सीखने की दर को प्रत्येक प्रतिभागी के लिए अनुमान लगाने के लिए एक स्वतंत्र पैरामीटर के रूप में माना जाता है (अब से, जब भी हम सीखने की दर का उल्लेख करते हैं, हम हमेशा इसका संदर्भ लेंगे) पैरामीटर).विशेष रूप से, हमने .01 से .50 तक ग्रिड-सर्च का उपयोग करके प्रति प्रतिभागी 50 कंप्यूटर सिमुलेशन चलाए। प्रत्येक सिमुलेशन में, हमने आर-डब्ल्यू मॉडल के अनुसार व्यवहार करने के लिए एक वर्चुअल एजेंट को प्रोग्राम किया और इसे प्रतिभागी के समान प्रशिक्षण परीक्षणों के साथ प्रस्तुत किया, जिसका सीखने का इतिहास हमने मॉडल बनाने का लक्ष्य रखा था। प्रशिक्षित मॉडल से, हमने फिर उन्हीं परीक्षणों के लिए फॉर्म विकल्प तैयार किए जो कि परीक्षण चरण में प्रतिभागी का सामना हुआ। हमने अंततः सीखने की दर (और इसलिए मॉडल) का चयन किया, जिसने प्रतिभागी की देखी गई प्रतिक्रियाओं और मॉडल की अनुमानित प्रतिक्रियाओं के बीच मिलान दर को अधिकतम किया (यानी, परीक्षण वस्तुओं का अनुपात जिसके लिए मॉडल ने शिक्षार्थी के समान प्रतिक्रिया उत्पन्न की)। सर्वोत्तम-फिट मॉडल की गैर-पहचान के कारण, जहां कुछ मामलों में एक से अधिक सीखने की दर मान ने मिलान दर को अधिकतम कर दिया, हमने औसत सीखने की दर को सर्वोत्तम पैरामीटर के रूप में चुना।

मॉडल मूल्यांकन

प्रतिभागियों के व्यवहार संबंधी डेटा को समझाने में मदद करने के लिए, हमने फिट किए गए आर-डब्ल्यू मॉडल से एक सक्रियण-आधारित उपाय प्राप्त किया, जिसे हम किसी परिणाम के लिए सक्रियण समर्थन कहते हैं। इस उपाय का उद्देश्य प्रतिभागियों के फॉर्म विकल्पों और प्रतिक्रिया समय को समझाना है और इसे रुचि के परिणाम की सक्रियता और शेष परिणाम की सक्रियता के बीच अंतर के रूप में परिभाषित किया गया है। उदाहरण के लिए, गैर-मर्दाना बहुवचन रूप (एनपी) के लिए सक्रियण समर्थन निम्नलिखित द्वारा दिया गया है:

सक्रियण समर्थन (एनपी)=सक्रिय (एनपी) - सक्रिय (एमपी)

हमने अनुमान लगाया कि क्रिया रूप के लिए सक्रियण समर्थन जितना अधिक होगा (यानी, अन्य संभावित रूप के सापेक्ष क्रिया रूप का समर्थन करने वाले मॉडल से सबूत जितना मजबूत होगा), प्रतिभागियों द्वारा उस रूप को चुने जाने की संभावना उतनी ही अधिक होगी। हमें यह भी उम्मीद थी कि सक्रियण समर्थन का परिमाण प्रतिभागियों के प्रतिक्रिया समय के साथ नकारात्मक रूप से सहसंबद्ध होगा। दूसरे शब्दों में, इस माप का परिमाण जितना अधिक होगा, प्रतिभागी की प्रतिक्रिया उतनी ही तेज़ होगी। इसे सक्रियण समर्थन और प्रतिक्रिया समय के बीच एक द्विघात संबंध में तब्दील होना चाहिए, जब सक्रियण समर्थन मान शून्य के करीब होते हैं तो सबसे धीमी प्रतिक्रियाएं अपेक्षित होती हैं, और उच्च सकारात्मक या नकारात्मक मूल्यों के लिए सबसे तेज़ प्रतिक्रियाएं अपेक्षित होती हैं।

परिणाम

यह अनुभाग इस बात का मूल्यांकन करता है कि आर-डब्ल्यू मॉडल प्रत्येक प्रतिभागी के डेटा में एक अलग मॉडल फिट करके हमारे प्रतिभागियों के व्यवहार को किस हद तक समझाता है, और परीक्षण करता है कि मॉडल फिट गुणवत्ता डब्ल्यूएम अवधि, आयु और लिंग जैसे व्यक्तिगत अंतरों से प्रभावित होती है या नहीं। हम पहले फिट किए गए मॉडलों के एसोसिएशन वेटेज पर कुछ वर्णनात्मक परिणाम प्रस्तुत करते हैं, जो भाषा सीखने के कार्य में प्राप्त प्रतिभागियों के भाषाई ज्ञान का सारांश प्रस्तुत करते हैं। इसके बाद, हम मॉडल की फिट गुणवत्ता की तुलना अन्य प्रशंसनीय, फिर भी नियम-आधारित प्रतिक्रिया रणनीतियों से करते हैं। फिर हम क्रमिक रूप से विश्लेषण प्रस्तुत करते हैं जो प्रतिभागियों की भाषा पसंद, समय विलंबता और प्रतिक्रिया समझौते के स्तर को पुनर्प्राप्त करने के लिए मॉडल की क्षमता का आकलन करते हैं। आर-डब्ल्यू मॉडल भाषा सीखने को किस हद तक पकड़ता है, इस पर संज्ञानात्मक और व्यक्तिगत विशेषताओं के प्रभाव का परिणाम अनुभाग के अंत में विश्लेषण किया जाता है।

सीखी गई संज्ञा-क्रिया प्रपत्र एसोसिएशन भार

कम्प्यूटेशनल मॉडलिंग पर अनुभाग में पहले वर्णित फिट प्रक्रिया का पालन करते हुए, हमने "सही" सीखने की दर पैरामीटर (ऑनलाइन सहायक जानकारी में परिशिष्ट S6 देखें) ढूंढकर, उस मॉडल का चयन किया, जिसने परीक्षणों में प्रत्येक प्रतिभागी द्वारा चुने गए विकल्पों को सबसे अच्छी तरह से कैप्चर किया। प्रत्येक प्रतिभागी को ज्यादातर मॉडल फिट सटीकता के दो शासनों द्वारा चित्रित किया गया था: एक सीखने की दर लगभग .05 और .11 के बीच, और एक सीखने की दर .12 और .50 के बीच (कुछ अपवादों के साथ, प्रतिभागियों 12, 19, 27 और 35 के लिए) , जिनके लिए सटीकता की तीन व्यवस्थाएं थीं), दोनों में से कोई भी व्यवस्था लगातार बेहतर मॉडल फिट सटीकता की ओर नहीं ले गई। कुल मिलाकर, यद्यपि सीखने की दर पैरामीटर द्वारा योगदान किए गए विकल्पों में स्पष्ट परिवर्तनशीलता सीमित थी, उस पैरामीटर के लिए प्रतिभागियों द्वारा समायोजन करना अभी भी फायदेमंद और व्यावहारिक था: हमने देखा कि एक भी सीखने की दर का मूल्य नहीं था जिसके कारण उच्चतम मॉडल फिट सटीकता प्राप्त हुई सभी प्रतिभागियों। दूसरे शब्दों में, सीखने की दर में काफी व्यक्तिगत अंतर दिखाई देता है। चित्र 2 सर्वोत्तम-फिटिंग मॉडल से सभी संभावित संज्ञा-क्रिया फॉर्म जोड़े के अर्जित एसोसिएशन भार के वितरण को दर्शाता है।

कुल मिलाकर, एसोसिएशन वेट का वितरण प्रत्येक क्यू श्रेणी (उदाहरण के लिए, एमए 1, एमए 2, और यूएमए श्रेणी के भीतर एमए 3) के भीतर समान था, जो कि वे जिन संज्ञाओं का प्रतिनिधित्व करते हैं, उनके व्याकरणिक लिंग और शत्रुता के आधार पर संकेतों के हमारे समूह को मजबूत करते हैं। दूसरे, और आश्चर्यजनक रूप से, (अनब्लॉक) मर्दाना संकेतों ने पुल्लिंग बहुवचन रूप के साथ एक सकारात्मक जुड़ाव प्राप्त किया (यानी, इन संकेतों के परिणामस्वरूप पुल्लिंग बहुवचन रूप के विकल्प की अधिक संभावना है), जबकि अनब्लॉक स्त्रीलिंग संकेतों ने पुल्लिंग बहुवचन रूप के साथ सकारात्मक जुड़ाव प्राप्त किया। गैर-मर्दाना रूप (यानी, इन संकेतों के परिणामस्वरूप गैर-मर्दाना बहुवचन रूप का विकल्प चुनने की अधिक संभावना है)। अधिकांश संकेतों के लिए प्रतिभागियों के बीच वजन का परिमाण भी भिन्न था, इस प्रकार हमारे डेटा में व्यक्तिगत अंतर को पकड़ने के लिए एक संभावित उपकरण तैयार हुआ।

जैसा कि (मानक) अवरोधन द्वारा भविष्यवाणी की गई थी, स्त्रीलिंग अवरुद्ध संकेतों (यानी, एफए 3 और एफपी 3) और गैर-पुरुष रूप के बीच संबंध भार उनके अनअवरुद्ध समकक्षों की तुलना में शून्य के आसपास अधिक केंद्रित थे (चित्रा 2 में एफए 3 और एफपी 3 के लिए पैन देखें)। हालाँकि, अवरोधन अभी तक अर्जित भार में पूरी तरह से प्रतिबिंबित नहीं हुआ है, क्योंकि कई प्रतिभागियों के लिए, अवरुद्ध स्त्री संकेतों और गैर-मर्दाना रूप के बीच संबंध भार शून्य से भिन्न थे। प्रतिभागियों में से लगभग एक तिहाई के लिए एक निरोधात्मक अवरोधक प्रभाव (यानी, एफए 4 और मर्दाना बहुवचन रूप के बीच एक नकारात्मक भार) दिखाई दिया। शेष प्रतिभागियों के लिए, एफए4 एक मानक-अवरुद्ध क्यू की तरह था क्योंकि मर्दाना रूप के साथ इसका जुड़ाव भार शून्य के आसपास था। कुल मिलाकर, अवरुद्ध-जैसे प्रभावों ने अनुमानित दिशाओं में प्रवृत्ति दिखाई।

हमने माना कि उनका परिमाण अपेक्षाकृत हल्का था क्योंकि हमारे प्रयोग ने सीखने के शुरुआती चरणों पर कब्जा कर लिया था, जहां उत्तेजनाओं की व्याख्या केवल 15 बार दोहराई गई थी। इस परिकल्पना की पुष्टि चित्र 2 में प्रस्तुत सिमुलेशन को दोबारा चलाकर की गई, अब प्रति घटना 1, 000 पुनरावृत्ति के साथ, जैसा कि सहायक सूचना ऑनलाइन में परिशिष्ट एस 7 में दिखाया गया है; सभी प्रतिभागियों के लिए उनकी सीखने की दर या घटना क्रम की परवाह किए बिना अवरोधक और निरोधात्मक अवरोधन प्रभाव उत्पन्न हुए। ये परिणाम उस बात की पुष्टि करते हैं जो हमने पहले बताई थी कि सीखने में पूर्वाग्रह और अंतर सीखने की शुरुआत में ही प्रकट होने की अधिक संभावना है (एलिस, 2006 ए)।

प्रतिभागी-मॉडल मिलान दरें

इसके बाद, हमने जांच की कि सीखने में इन अंतरों को आर-डब्ल्यू मॉडल द्वारा किस हद तक पकड़ा जा सकता है यदि हम प्रत्येक प्रतिभागी द्वारा सामना की गई घटनाओं के क्रम के साथ-साथ उनकी सीखने की दरों में अंतर को भी ध्यान में रखते हैं। मॉडल की सटीकता (यानी, किसी दिए गए प्रतिभागी की प्रतिक्रियाओं और उसके सबसे उपयुक्त आर-डब्ल्यू मॉडल के बीच मिलान का अनुपात) .24 से 1 तक थी। {6}} .17): 63 प्रतिभागियों में से 17 की फिट सटीकता .80 से अधिक या उसके बराबर थी, और केवल नौ प्रतिभागियों की मैचों का अनुपात .50 से कम था। लीव-वन-आउट क्रॉस वैलिडेशन6 का उपयोग करके मॉडलफिट का मूल्यांकन करने से पता चलता है कि मॉडल फिट सटीकता अनदेखी डेटा पर समान रूप से उच्च थी, औसत सटीकता .68 (एसडी {{16%) .17) के साथ और 63 प्रतिभागियों में से 17 एक फिट सटीकता तक पहुंच गए। या .80 के बराबर. फ़िट सटीकता दरें मर्दाना व्यक्तिगत संकेत (एम=.74) या अनअवरुद्ध स्त्री व्यक्तिगत संकेत (एम=.68) वाली घटनाओं के लिए उच्चतम थीं, और वे निरोधात्मक अवरुद्ध क्यू (एम) वाली घटनाओं के लिए सबसे कम थीं।=.61) या एक चेतन संकेत (सभी का अर्थ≈ .65)।

ये परिणाम प्रतिभागियों के डेटा के लिए आर-डब्ल्यू मॉडल के उचित रूप से उपयुक्त होने का सुझाव देते हैं, यह देखते हुए कि हमने मॉडल सक्रियणों के आधार पर प्रतिक्रिया पूर्वानुमान उत्पन्न करने के लिए एक सरल रणनीति पर विचार किया है - अर्थात, प्रत्येक घटना के लिए, हमने उस क्रिया रूप का चयन किया जिसमें उच्चतम सक्रियण था। दो संभावित क्रिया रूपों के सक्रियण परिमाण में अंतर की परवाह किए बिना। हम बाद में देखे गए फॉर्म विकल्प अनुपात और प्रतिक्रिया समय के लिए फिट किए गए मॉडल की सक्रियता की संवेदनशीलता का विश्लेषण करेंगे।

रेसकोरला-वैगनर मॉडल और अन्य निर्णय रणनीतियों के बीच तुलना

ऊपर प्रस्तुत परिणाम दिखाते हैं कि आर-डब्ल्यू मॉडल हमारे प्रतिभागियों के व्यवहार को काफी अच्छी तरह से पकड़ता है, लेकिन मॉडल उन अन्य रणनीतियों की तुलना कैसे करता है जो प्रतिभागियों ने प्रयोग के दौरान नियोजित की होंगी? इस प्रश्न का उत्तर देने के लिए, हमने चार निर्णय रणनीतियों पर विचार किया। पहले दो निर्देशात्मक और मानक रणनीतियाँ हैं जिन्हें हमने पहले प्रस्तुत किया था। निर्देशात्मक रणनीति वह है जो पोलिश व्याकरण की पुस्तकों द्वारा वर्णित या निर्धारित है, जिसके तहत एक प्रतिभागी हमेशा गैर-मर्दाना क्रिया रूप चुनता है, सिवाय इसके कि जब कोई मर्दाना व्यक्तिगत संकेत मौजूद हो (हम इस रणनीति को "स्त्री-पक्षपाती" रणनीति के रूप में भी संदर्भित करते हैं)। मानक रणनीति आम तौर पर पोलिश के मूल वक्ताओं द्वारा अपनाई जाती है, जिसके तहत पुल्लिंग क्रिया रूप हमेशा चुना जाता है, सिवाय इसके कि जब सभी संकेत स्त्रीलिंग हों (जिसे "मर्दाना पक्षपाती" रणनीति कहा जाता है)। हमने दो बुनियादी रणनीतियों को भी शामिल किया है, जिसके तहत एक प्रतिभागी या तो हमेशा पुल्लिंग क्रिया रूप चुनता है (जिसे "केवल पुल्लिंग" रणनीति कहा जाता है) या हमेशा गैर-मर्दाना क्रिया रूप चुनता है ("केवल-स्त्रीलिंग" रणनीति के रूप में संदर्भित)। चरम सीमा पर प्रतिभागियों के व्यवहार को पकड़ने के लिए बाद की दो रणनीतियों को शामिल किया गया था।

चित्र 3 पांच परिणामी मॉडलों (आर-डब्ल्यू और हमारी चार निर्णय रणनीतियों) में से प्रत्येक के लिए सबसे उपयुक्त प्रतिभागियों के अनुपात को प्रदर्शित करता है; हमने पांचों मॉडलों में से उच्चतम प्रतिभागी-मॉडल मिलान दर वाले मॉडल को सबसे उपयुक्त मॉडल माना। आर-डब्ल्यू मॉडल वह मॉडल था जिसने प्रतिभागियों की प्रतिक्रियाओं (63 प्रतिभागियों में से 31) को सबसे अच्छी तरह से समझाया, इसके बाद मानक रणनीति (26 प्रतिभागियों) को बारीकी से समझाया गया। अन्य तीन रणनीतियों ने प्रतिभागियों की पसंद को उन दो रणनीतियों की तुलना में काफी कम अच्छी तरह समझाया (< 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