（发展与教育心理学专业论文）范畴学习中分类学习与推理学习的对比研究.pdf

范畴学习中分类学习与推理学习的对比研究 学科专业：发展与教育心理学 指导教师：张庆林教授 研究方向；学习与创造 研究生：刘风英( 2 0 0 2 1 5 3 ) 中文摘要 以往实验室有关范畴学习的研究只局限于对分类的研究上，而在现实情境中， 范畴学习类型有很多种，比如，推理学习、问题解决、解释说明等等，所以，实验 室分类研究基础上提出的范畴理论不能适用于其他非分类范畴学习任务。近来有些 研究表明分类学习与推理学习有本质上的不同，在这些研究的基础上，研究者提出 假设，分类学习者主要关注诊断性信息，即范畴问信息；推理学习者主要关注典型 性信息，即范畴内信息，并通过实验对此假设进行了验证。 本研究包括两个实验。两个实验中，被试先要通过分类学习或推理学习来学习范 畴a 和范畴b ，达到学习标准以后进行测试。实验l 要求被试从成对呈现的项耳中选 择一个更典型的a 。并且要求被试将典型的a 和典型的b 画出来。实验2 要求被试 对所呈现的单个项目进行典型性评定。测试中所呈现项目诊断性程度或典型性程度不 同。通过这两个实验来验证诊断性信息与典型性信息分别对分类学习者和推理学习者 有什么样的影响。本研究得出以下结论： 1 分类学习者认为高诊断性项目更具有典型性，而推理学习者典型性程度高的 项目更典型。所以分类学习者主要受诊断性信息的影响，基本不受典型性信息的影 响。而推理学习者与分类学习者相比，较少受到诊断性信息的影响，主要受典型性 信息的影响。即，分类学习者关注范畴问信息，而推理学习者关注范畴内信息。 2 分类学习者与推理学习者在范畴学习时对于范畴信息的关注点不同，所以， 形成的范畴表征也不同。分类学习者的范畴表征侧重于诊断性信息，而推理学习 者的范畴表征侧重于典型性信息。不同的范畴学习类型会形成不同的范畴表征。 3 实验室范畴研究只有将多种范畴学习类型结合起来，才能使学习者形成完 整的范畴表征，得出的研究结论才能够适用于现实情境中的范畴学习任务。 关键词：范畴范畴学习范畴表征分类学习推理学习 ac o m p a r i s o no fi n f e r e n c e l e a r n i n g a n dc l a s s i f i c a t i o n l e a r n i n g i nc a t e g o r y l e a r n i n g m a j o r ：d e v e l o p m e n t a la n d e d u c a t i o n a lp s y c h o l o g y s p e c i a l t y ：l e a r n i n ga n dc r e a t i v i t y t u t o r ：p r o f z h a n gq i n g l i n a u t h o r ：l i u f e n g y i n g ( 2 0 0 2 1 5 3 ) a b s t r a c t l a b o r a t o r ys t u d i e so fc a t e g o r ya c q u i s i t i o nl i m i tt oc a t e g o r i z a t i o nt a s k , w h e r et h e r e a l es e v e r a l t y p e so fc a t e g o r yl e a r n i n g ，s u c h a s i n f e r e n c e 、p r o b l e ms o l v i n ga n d e x p l a i n i n g , a n de t e ，s oc a t e g o r yt h e o r y0 1 1t h eb a s i so fc l a s s i f i c a t i o ns t u d yc a nn o t a p p l i e dt oo t h e rn o n c l a s s i f i c a t i o nt y p e so fc a t e g o r yl e a r n i n g r e c e n tr e s e a r c h e sh a v e s u g g e s t t h a tc l a s s i f i c a t i o nl e a r n i n ga n di n f e r e n c el e a r n i n ga r ed i f f e r e n ti nn a t u r e o nt h e b a s i so ft h e s ec o n c l u s i o n s ，w eh y p o t h e s i st h a tc l a s s i f i c a t i o nl e a r n e r sa l es e n s i t i v et o d i a g n o s t i ci n f o r m a t i o n , t h a ti sb e t w e e n - c a t e g o r yi n f o r m a t i o n ，w h e r ei n f e r e n c el e a r n e r s f o c u so np r o t o t y p i c a l i n f o r m a t i o n , t h a ti sw h i n c a t e g o r yi n f o r m a t i o n w et e s t t h i s h y p o t h e s i st h o u g ht w oe x p e r i m e n t s o u rr e s e a r c hc o n s i s t so ft w oe x p e r i m e n t i nb o t ht w o e x p e r i m e n t s ，l e a r n e r ss t u d y t w oc a t e g o r i e s ( c a t e g o r yaa n dc a t e g o r yb ) t h r o u g hc l a s s i f i c a t i o no ri n f e r e n c e ，t h e n e b t e ri n t ot e s tp h a s ea f t e rt h e yr e a c hc e r t a i nl e a r n i n gc r i t e r i o n i ne x p e r i m e n to n e ，w e p r e s e n tp a i r so ft e s t i n gs t i m u l u sa n da s kp a r t i c i p a n t st os e l e c tam o r et y p i c a laf r o m t h e m ，a n dt h e np a r t i c i p a n t sa r ea s k e dt od r a w p i c t u r e so f at y p i c a laa n da t y p i c a lb i n e x p e r i m e n tt w o , p a r t i c i p a n t sa r et o l dt or a t et y p i c a l i t yf o rt h et e s t i n gs t i m u l u sp r e s e n t e d a l o n e t h e s et e s t i n gs t i m u l u sa r ed i f f e r e n ti nd i a g n o s t i c i t yo r p r o t o t i p i c a l i t y w ew a n t t o s t u d yw h a te f f e c t s t h a t d i a g n o s t i ci n f o r m a t i o n o rp r o t o t y p i c a li n f o r m a t i o nh a v eo n c l a s s i f i a t i o nl e a r n i n ga n di n f e r e n c e l e a n i n g t h e r e s u l t sw e r ea sf o l l o w s ： 2 1 c l a s s i f i c a t i o nl e a r n e r s t e n tt os e l e c tt h em o r e d i a g n o s t i c s t i m u l i a sm o r e p r o t o t y p i e a l ，w h e r e i n f e r e n c el e a r n e r st e n t t os e l e c tt h em o r ep r o t o t y p i c a lo n e s o c l a s s i f i c a t i o nl e a r n e r sa r ei n f l u e n c e dp r i n m r i l yb yd i a g n o f i ci n f o r m a t i o n ，w h e r ei n f r e n c e l e a r n e r sa r ei n f l u e n c e dl e s st h a nc l a s s i f i c a t i o nl e a r n e r sb yd i a g n o s t i ci n f o r m a t i o n ，b u t m u c hm o r eb yt h ep r o t o t y p i c a li n f o r m a t i o n t h a ti s ，c l a s s i f i c a t i o nl e a r n e r sf o c u so n b e t w e e n - c a t e g o r yi n f o r m a t i o n , a n d i n f e r e n c el e a r n e r sf o c u so n w i t h i n c a t e g o r y i n f o m t i o n 2 c l a s s i f i c a t i o n l e a m n i n ga n d i n f e r e n c e l e a r n i n g f o c u so nd i f f e r e n t a s p e c t s o f c a t e g o r yi n f o r m a t i o n , s o r e s u l ti nd i f f e r e n t c a t e g o r yr e p r e n t a t i o n t h ec a t e g o r y r e p r e n t a t i o nf o r m e db yc l a s s i f i c a t i o nl e a r n e r sh i g h i i g h td i a g n o s t i ci n f o r m a t i o n ，w h i l e t h e c a t e g o r yr e p r e s e n t a t i o n f o r m e db yi n f e r e n c el e a r n e r s h i g h l i g h tp r o t o t i p i c a l i n f o r m a t i o n t h a ti s ，d i f f e r e n tt y p e so fc a t e g o r yl e a r n i n gl e a dt od i f f e r e n tc a t e g o r y r e p r e s e n t a t i o n s 3 i tm a yb et h ec o m b i n a t i o no fv a r i o u sl e a r n i n gt a s k st h a tp r o v i d e sf o ram u c hm o r e f l e x i b l er e p r e s e n t a t i o n st h a na n yo n ed o e sa l o n ei nl a b o r a t o r ys t u d i e s ，t h e nt h e c o n c l u s i o ne a nb e a p p l i e d t oc a t e g o r yl e a r n i n gt a s k si nr e a l - w o r l ds i t u a t i o n s k e yw o r d s ：c a t e g o r y ；c a t e g o r y - i e a r n i n g ；c a t e g o r y - r e p r e s e n t a t i o n ； c l a s s i f i c a t i o n - l e a r n i n g ；i n f e r e n c e - l e a r n i n g 范畴学习中分类学习与推理学习的对比研究 1 文献综述 范畴知识在许多认知活动中都起着重要作用如分类、问题解决、推理任务 等。人们通过范畴知识可以组织知识经验，进而区分不同的事物，并且了解一个 特定范畴内的个体所共同具有的特征。在现实条件下人们通过各种各样的方式学 习范畴知识。人们可以通过学校学习、日常生活或特定的问题解决等方式掌握范 畴知识。也就是说范畴学习并不是通过简单、单一的方式进行的。但是以往3 0 多 年有关范畴学习的研究几乎都局限于对分类任务的研究上。在现实中，将不同的 事物迸行分类往往并不是最终的目的，我们会在分类的基础上进行其它任务，如 推理、预测、问题解决或解释等等。进而全面地掌握各类事物的信息。我们所掌 握的范畴信息往往不是通过分类得到的，而是通过其他学习类型获褥的。所以， 如果实验室研究仅仅局限于分类研究就会导致对其它范畴学习任务的忽视，进而 导致不能够正确揭示人们如何学习、使用及表征范畴知识的。在范畴学习过程中 形成什么样的范畴表征取决于完成什么样的任务。在分类研究基础上所提出的范 畴理论不一定适用于其它范畴使用任务。如果我们能够将范畴研究中所涉及的任 务范围拓展一下，在研究大量范畴使用任务的基础上，了解人们如何获得大量丰 富的范畴表征形式，由此而得出的范畴研究的结论才会更加适用于其它范畴使用 任务；才能够保证在范畴使用的过程中实现范畴知识的所有功能。些研究者 f m r t h t l , b m a r l a n a n , & b r a i n , h r o s s ，2 0 0 3 ) 1 1 1 已经提出了与记忆研究中适当迁移加 工( t r a n s f e r a p p r o p r i a t ep r o c e s s l 2 1 的观点有关的范畴学习的观点，即将范畴学习如 何影响范畴表征的研究作为一个研究方向，虽然该研究刚刚起步，它可以作为拓 展传统实验室范畴研究理论一个出发点。 1 1 范畴学习的传统实验窒研究 自然条件下的范畴知识具有多种认知功能。 首先，可以利用范畴知识来区分不同事物。在日常生活中我们常常会遇到一 些新事物，需要我们利用已有的范畴知识判断一个新事物是否属于某个已知范畴， 4 然后才能决定我们对待该事物的态度 其次，范畴知识的第二个重要功能是预测推理。大脑中的范畴表征有利于人 们做预测。如果人们知道一个特征是一个范畴的典型特征，他们一般也会认为该 范畴的所有成员也具有该特征【3 】。另外人们还可以利用社会范畴知识来做预测。 如有关定势的研究表明：人们往往根据一个人所属的社会范畴( 包括种族及职业) 来判断一个陌生人的行为及其动机。总之，人们倾向于利用他们已有的范畴知识 来预测新事物所具有的特征。 第三，范畴知识还有一个重要功能表现在言语交流方面。语言与范畴知识之 间存在复杂的关系每个事物都可以以不同的抽象程度来命名( 如：狮子狗、狗、 动物) 。在交谈中说话者必须决定使用哪一个名称一个事物的名称并不一定适合 于与此相似的另一事物。 虽然，在自然条件下范畴知识的使用体现了多种功能。然而，传统的关于范 畴学习的实验室研究仅仅局限于对分类的研究上 分类任务中要求被试将一系列项目分为几个类别。被试通过尝试错误来进行 范畴学习。实验中要控制范畴特征的维度、范畴结构等。 目前，有关分类研究的模型有三种：原型模型、样侧模型及规则基础模型。虽 然这三种模型各有其局限性，但是三种模型结合起来几乎可以解释所有分类研究的 数据【4 】嘲。其中，原型模型与样例模型都是以相似性为基础的模型。根据这两种模 型的观点，人们往往依据一个新事物与头脑中已贮存的范畴表征的相似性而对其 进行分类。原型理论认为概念是通过抽象原理表征出来的，某类事物的原型包括 了这类事物的主要特征，他与其它类型成员相比，具有更多的共同特征。如果要 把某事物归入某一种类型，这个事物就必须具有一定数量的该类型的主要特征。 样例理论认为同一类事物可能有多个类型表征，对新例子的归类取决于它与哪一 个类型的表征有更多的相似。因而有人认为样例模型代表了根据特殊的类型样例 作出的归类【6 】【7 1 。规则基础模型的观点认为人们往往试图寻找一些适合某一范畴所 有成员的规则。这些模型提出了一些范畴内部表征的概念，这些表征形式体现了 一个范畴的特征，可以根据这些来区分不同的范畴。但是，以往实验室有关范畴 的研究除了分类的研究以外，几乎对其它范畴使用任务的研究。所以，并不能肯 定在分类任务中所获得的范畴表征形式能否用来执行范畴知识的其它功能，如言 语交流、预测推理及形成偏好等。 1 2 推理学习与分类学习的区别 1 2 1 特征推理学习与分类学习形式上的相似性 分类任务中，向学习者呈现范畴项且的所有特征值，要求他们预测给定项目所 属的范畴。例如，向学习者呈现项目a l ( 见表1 ) 的所有特征值。要求学习者推 测a l 属于范畴a 还是范畴b 。我们可以把此闯题表示为( ? ，0 ，0 ，0 。1 ) 。其中 的? 表示未知的、需要推测的信息。 在推理学习中，向学习者所呈现项目所属的范畴名称及其部分特征值，要求学 习者预测未知的特征值。还以a 1 为例，已知它所属的范畴及三个特征值，要求学 习者预测另一个特征值，我们可以把该问题表示为( a ，0 ，? ，0 ，1 ) 。其中的? 代表需要预测的特征值 由此可见，分类任务要预测的是范畴名称而推理任务需要推测范畴成员的特征 值。这样看来，似乎二者之闻存在基本的相似性。有研究者( a n d e r s o 玛1 9 9 1 ) 嘲提出 范畴名称与范畴特征之间没有质的区别，两种任务都可以看作特征预测任务。他 们认为分类的目的是提高预测推理的准确性，一个项目所属的范畴名称仅仅是该 项目的另一个特征，分类是预测推理的一个特例如果范畴名称是范畴的一个特 征，其特征值分别为0 或1 。那么以上谈到的有关a l 的分类任务表示为( ? ，0 ， 0 ，0 ，i ) ，而推理任务又可以表示为( o ，0 。? ，0 ，1 ) 。在两种情况下，都是已 知4 个特征值需要预测第五个特征值。如果这样来分析，二者的相似性是非常明 显的。 1 2 2 特征推理学习与分类学习本质上的不同 尽管，从形式上看分类任务与推理任务很相似，但是，从心理加工过程的角度 分析，二者还是存在本质的区别。 分类学习的目的是将各个项目区分为不同的类别，所以其关注的重点是范畴间 信息。当一个项目呈现给学习者，学习者必须判断该项目属于哪一个范畴，许多 研究【9 】【1 川结果都表明，在分类任务下，学习者倾向于关注诊断性信息( 能够区分不 同范畴的信息) 。 6 推理学习的目的是学习不同范畴成员的特征值。在推理任务中呈现给被试的项 目所属的范畴名称及该项目部分特征是己知的，要求被试推测该项目的未知特征。 推理学习与分类学习很重要的一个不同点是，推理学习者在推测一个项目的未知 特征时，他们仅仅关注该项目所属的范畴，而不去考虑另外一个范畴【l l 】。即推理 学习促使学习者学习与特定范畴最相关的特征值是什么，也就是范畴内信息，而 不去关注哪些特征值最能够说明一个项目到底属于哪个范畴。 以上分析可以看出推理学习与分类学习会形成不同的范畴表征。分类学习关注 诊断性特征，而推理任务关注的是范畴的内部信息。 ( 1 ) 范畴标签与范畴特征的区别 有研究者( y a m a u c h i & n m r k m a n ) 提出范畴标签并不是该范畴的一个特型1 2 】。 理由是：第一，范畴标签、范畴特征分别与范畴成员的关系不同。范畴标签与范 畴成员是类包含关系( 如，这只动物是狗) ，而范畴特征与范畴成员之问则是部分 整体关系( 如，这只动物有四条腿) 第二，二者的范围不同。范畴标签与范畴的 各个特征维度都有关系，而范畴特征仅指范畴的某个特征维度。 许多来自归纳推理的研究表吲1 3 1 ，即使是儿童也会认为范畴标签与范畴特征是 不同的。儿童往往根据范畴成员问的关系进行推理，而不是根据比较明显的知觉 相似性来推理。当以范畴名称及动词谓语句的形式分别表征同一信息时，儿童会 认为以范畴标签的形式表征的信息更能够表明稳定的特征。如在g e l m a n 与 m a r k m a n 的一个研究【1 4 1 表明即使是4 岁的儿童也倾向于根据范畴成员所属的范畴 类别而不是根据知觉相似性进行推理。另外，g e l n m 及h e y m n 的研究【”壤明不 同的语言形式( 如名词与动词) 可以影响儿童对一个特征稳定性的评价。在他们 的实验中所有年龄的儿童都认为以范畴标签的形式表征的特征( 如：她是一个食 胡萝卜者s h ei sa c a r r o t - e a t e r ) 比描述性语句形式表征的特征( 如：只要有机会， 她就会吃胡萝卜) 更加稳定。 由于分类取决于一个新项目与已知范畴成员的相似性。所以，如果范畴标签 仅仅是项目的一个特征，那么推理与分类相同，都是以项目间相似性为基础。那 么，不管被测项目与已知范畴成员的相似性程度如何，两类任务条件下对新项目 进行未知特征推理的实验结果应该是一致的。y a m a u c h i 和m a r k m a n 的研究直接验 证范畴标签与范畴特征的区别【1 2 】。实验中分类学习组与推理学习组的被试对同样 7 的测验项目的未知特征进行推理，被钡4 项目与原型的相似程度有高、中、低三个 水平。实验结果表明：分类学习者与推理学习者中对于高相似性及中等相似性项 目的范畴一致性反应( 被试对某项目的一个特征的预测与该项目所属的范畴的范 畴原型的对应特征一致) 比例大致相等：但是，在推理学习者中对于低相似性项 目的范畴一致性反应的比例比分类学习者高得多。由此可见，范畴标签并不仅仅 是项目的另一个特征，它在推理任务中起着不同于其它特征的非常重要的作用。 以上关于归纳、特征相似性与范畴成员关系的研究表吲6 1 ( 1 7 1 ：在进行归纳推理 时，范畴标签与项目的其它特征不同，范畴标签在推理任务中有着特别的重要性。 ( 2 ) 学习难易程度的研究 以上关于范畴名称与项目特征不同的结论也说明推理与分类涉及不同的加工 过程，所以，可以通过研究不同的范畴结构对推理与分类任务的不同影响来揭示 推理与分类的区别。 不同的范畴结构对推理与分类任务有不同影响线性独立结构对分类任务不是 很容易，因为要分析每个项耳的多个特征维度才能正确地进行分类。而此结构对 于推理任务就相对容易得多，因为范畴标签与每一个特征的一个值密切相关，所 以，很容易发现范畴标签与各特征之间的关系。与此相反，非线性独立结构对于 分类任务相对容易，但是对于推理任务就相当困难，因为很难发现范畴标签与各 特征之间的关系。这也说明了学习类型与范畴结构类型之间的相互作用。即，线 性独立结构更有利于推理学习，面非线性独立结构更有利于分类学习。y a m a u c h i 及m a r k m a n 研究利用线性独立范畴结构对分类与推理学习进行比较，结果表明： 要达到9 0 的学习标准，分类学习比推理学习需要更多的学习单元l l m 。另外， y a m a u c h i l o v e 及m a r k m a n 研究表明对于非线性独立结构范畴的推理学习比分类 学习需要更多的学习次数才能够达到特定的学习标准【1 9 】。总之，范畴结构对于推 理学习与分类学习有不同影响。 ( 3 ) 特征变式效应的研究 同一特征可以有不同的表现形式特征变式对于推理学_ 习的影响没有对分类学 习的影响那么大。在y a m a u c h i 及m a r k m a n 的研究中，所给范畴项目每个特征都 有四种不同的表现形式。实验结果表明2 4 名推理学习者中有1 7 人达到学习标准， 而2 4 名分类学习者中只有3 人达到了同样的学习标准 2 0 1 。而在他们先前的一项研 8 究中，所给范畴项目的每个特征只有一种表现形式。实验结果为：2 4 名推理学习 者中有2 2 人、2 4 名分类学习者中有2 3 人达到了9 0 冉勺学习标准【1 8 】。这些研究结 果表明特征交式对分类学习与推理学习的影响不同。推理学习关注的仅仅是一个 范畴。所以，特征变式的影响不是很大。而分类学习要对所有项目进行比较，所 以，特征的表现形式对于分类学习的影响较大。 ( 4 ) 分类学习与推理学习相结合的研究 最早的有关推理与分类结合问题的研究来自y a m a u c h i 及m a r k m a n 所做的有 关学习任务中顺序效应的研究。该实验有两种学习顺序：分类推理、推理分类。 研究者假设如果推理学习者在学习过程中获碍有关原型的知识，那么在随后的分 类学习中他们就会运用此原型知识进行准确分类。相反，如果分类学习者在分类 学习中获得的只是范踌的诊断性信息，那么该信息对于随后豹推理学习不会有太 大的帮助，即推理学习可以促进分类学习而分类学习对于推理学习没有促进作 用。实验结果验证了该假设l 墙l 。 ( 5 ) 两类学习在掌握潜在的、抽象范畴信息上的难易差异 以往的分类研究都局限于被试如何根据些简单的可观察的特征来区分不同 的范畴，但是，许多范畴的成员是因为包含某种潜在的一致性而归为一类的。抽 象一致性范畴就是指范畴内的各项目具有某种抽象的一致性，但是它们在可观察 的外在特征上可能差异很大。e r i c k s o n 、c h i n p a r k e ra n dr o s s t 2 1 1 等利用这种抽象一 致性范畴，对分类学习与推理学习进行了对比研究。他们认为，由于推理学习促 使学习者去关注范畴内部信息，即一个范畴的所有成员倾向于是什么样的，进而 发现范畴内各成员问的潜在关系，所以，抽象一致性范畴的学习对于推理学习者 是有利的，而分类学习者由于关注的是范畴问信息，所以，很难发现项目间的内 在一致性。所以，他 的假设是推理学习者与分类学习者相比，能够更好地掌握 抽象一致性范畴。他们的3 个实验都很好地验证了该假设。该结论也说明推理学 习和分类学习的关注点不同。 另外，还有一些研究，如原型效应的研究阎、诊断性特征研究【1 1 等。都表明推 理学习与分类学习不同。总之，所有这些研究表明分类学习关注能够区分不同范 畴的诊断性特征，即范畴间信息，这些信息对于在分类任务中形成范畴表征有很 大影响。而推理学习关注的是范畴内信息，即有关范畴原型或范畴内部结构的信 9 息，而区分不同范畴的诊断性特征极少被纳入推理学习的范畴表征中，在推理学 习中范畴标签起着非常重要的作用。这些研究结果也说明推理学习与分类学习两 种不同的学习方式形成不同的范畴表征。r d s s 【2 3 2 4 1 所做的有关问题解决的范畴使 用问题的实验研究表明问题解决的范畴相关任务影响范畴表征。所以，实验室范 畴研究在研究分类任务的基础上拓展任务研究范围，进一步研究推理、问题解决 等范畴相关任务是非常必要的。 1 3 范畴信息的诊断性与典型性 范畴知识可以给我们提供两方面的信息。首先，该类知识帮助我们区分所遇 到的不同事物。其次，我们可以通过范畴知识推测某范畴的成员所具有的特征。 范畴知识的这两个方面都很重要，从这两方面来考虑，范畴信息在其诊断性及典 型性上有所不同。信息的诊断性是指能够用来区分不同范畴的程度。诊断性信息 用来决定范畴成员资格的( 即决定一个特定的事物是否属于某个范畴) 。典型性信 息是一个范畴内的大多数成员所共同具有的特征信息。诊断性很高的信息可能是 典型信息，而典型性信息不一定具有诊断性【2 5 1 。 目前有关分类学习的研究特别关注诊断性特征。当人们学习区分不同的范畴成 员时，往往很关注那些能够区分不同范畴的信息。丽那些不能够用来区分不同范 畴的信息，则不会受到学习者的关注，也不会被纳入相应的范畴表征当中。然而， 推理学习就不会导致对诊断性信息的如此关注。在推理学习中，特定学习项目所 属的范畴名称及其己知特征共同呈现给学习者，那么学习者就会注意一个特定的 范畴及该范畴内成员所具有的特征，那么要推测该项目未知特征，知道范畴内其 它成员在该未知特征维度最可能具有( 或大多数成员共有) 特征值，就会提高推 理的准确率。所以说，推理学习会促使学习者对范畴内部信息( 特别是有关范畴 原型的信息) 的特别关注，而有关范畴内部结构的信息也会被纳入相应的范畴表 征当中。可见。推理学习与分类学习的关注点不同，所以形成的范畴表征也不同。 1 4 范畴学习与范畴表征 分类与推理两种不同的学习方式，会形成不同的范畴表征。许多研究都表明范 畴的不同学习方式影响范畴表征，人们在使用范畴的同时学习范畴知识，形成特 1 0 定的范畴表征。分类与推理的一个主要的不同点在于学习者是否试图区分不同的 范畴，还是学习者在某一时刻只关注其中的一个范畴并试图掌握该范畴内部的有 关信息。学习的关注点不同就会导致不同的范畴表征形式。以往2 0 多年有关分类 的表明，分类的目的极大地影响范畴表征。分类学习者更多关注那些能够预测范 畴成员属于哪一个范畴的特征维度，进而形成一定的范畴表征用来更有效地分类。 而推理学习任务的目的不是区分不同的范畴，而是推测某一范畴成员的未知特征， 所以导致推理学习者关注每个范畴的内部信息，所以形成不同的范畴表征。 现实中人们不仅对各种事物进行分类而且利用范畴知识进行预测推理、解决不 同问题等，那么对这些任务的研究有利于我们了解在这些非分类的范畴使用任务 中形成的范畴表征形式。某个特征维度在特定的范畴表 正中是否重要取决于它 的诊断性及其在范畴学习及使用任务中的所起的作用。在一些范畴相关任务中， 学习者更倾向于利用他们在范畴学习中所获得的范畴信息来进行问题解决，可见 范畴学习类型影响相应的范畴表征。分类学习关注能够区分不同范畴的诊断性特 征，即范畴间信息，这些信息对于在分类任务中形成的范畴表征有很大影响，在 推理任务中要推测范畴成员的未明确给定的特征，该类任务关注的是范畴原型的 特征信息，即范畴内部信息，同样，此类信息对于在推理任务中形成范畴表征起 着很重要的作用。即推理学习与分类学习形成的范畴表征不同。 2 以往研究的不足及本研究的切入点 在l 然条件下人们通过很多方式学习范畴知识，除了分类以外还有很多方式，但 是以往3 0 多年有关范畴学习的研究几乎都局限于对分类任务的研究上。这样就会 导致对其它范畴学习任务的忽视，进而导致不能够正确揭示人们如何学习、使用 及表征范畴知识的在范畴学习过程中形成什么样的范畴表征取决于完成什么样 的任务。在分类研究基础上所提出的范畴理论不一定适禺于其它范踌使用任务， 即以往范畴研究的范围太狭窄，即仅仅局限于分类任务的研究。所以必须拓展实验 室范畴研究的范围，由此而得出的范畴研究的结论才会更加适用于各种范畴使用任 务，进而在范畴使用的过程中实现范畴知识的所有功能 本研究拓展了范畴学习传统实验室的范围，在以往分类研究的基础上，对分类学 习与推理学习进行了对比研究，研究结果表明分类学习与推理学习对范畴信息的关 注点不同。进而形成的范畴表征也不同。 3 实验研究 3 1 实验假设 分类学习者关注能够区分不同范畴的范畴间信息，而推理学习者则关注能够整 合一个范畴内所有成员的概括化信息。基于此提出假设： 诊断性信息与典型信息在分类学习与推理学习中所起的作用不同。分类学习主 要受诊断性信息的影响；而推理学习与分类学习相比，较多受到典型性信息的影 响，而较少受到诊断性信息的影响。 3 2 实验一 3 2 1 实验目的 本实验目的是为了验证范畴的诊断性信息及典型性信息对分类学习与推理学 习的不同影响。 实验中被试学习两类范畴：范畴a 与范畴b 。范畴结构见表l ； 表1范畴结构 注t 表中数值代表各特征值 每个范畴有五个学习项目( 原型不包括在内) ，本实验中的十个项目是关于人 脸头像的图片( 见图1 ) 。每张图片都有五个特征，其中有4 个特征与其所属范畴 的原型的相应特征是一致的，只有一个特征是例外特征，即与原型的特征不一致。 五个特征按顺序分别为；头发、眼睛、鼻子、嘴巴、头花，每个特征两个值， 分别用1 与0 代表，每张图片下方的数字代表其五个特征值。每个特征值的1 与0 所代表的特征形式如图2 所示。 a 的原型为a o ( 1 1 1 1 1 ) ，b 的原型为b o ( 0 0 0 1 1 ) 。可以看到前三个特征( 头发、 眼睛、鼻子) 不同，我们称这三个特征为诊断性特征维度，即可以用来区分范畴a 与b 的三个维度。而a o 、b o 后两个特征( 嘴、头花) 没有区别，不能够用来区 分两个范畴，把这两个特征称为非诊断性特征维度。 原型： a o 学习项目： 图l 范畴原型及范畴成员 头花 头发 眼睛 鼻子 嘴 0 的 一、 弋、 vv 图2 各特征值所代表的特征形式 3 2 2 实验方法 ( 1 ) 被试 西南师范大学5 0 名本科一年级学生其中，分类学习者2 3 人( 女1 3 人、男1 0 人) ，推理学习者2 7 人( 女1 4 人、男1 3 人) 。分类学习者中有3 名没有达到学习标 准，推理学习者中有7 人没有达到学习标准。 ( 2 ) 实验材料 学习项目是1 0 张头像图片，不包括原型( 见附录1 ) 。每个头像五个特征：头 发、眼睛、耳朵、嘴、头花，每个特征2 个值 测试项目是1 2 张图片( 见附录2 ) ，每张图片上有两个头像，要求学习者从二者 中选择哪一个头像更有可能是典型的a ( 本实验测试闯题都是针对范畴a 的，所 以a 范畴为目标范畴) 这些头像分别从两个维度有区别：典型性程度与诊断性程 度。典型性程度由高到低共三个水平：原型、高、低；诊断性程度由高至低也是 三个水平：3 、2 、l 。如果一个头像它的5 个特征( 头发、眼睛、鼻子、嘴、头花) 中有4 个是与目标范畴的原型( 即a 0 ) 的相应特征一致，那么该图片的典型性程 度为高；如果只有3 个特征一致，那么该图片的典型性程度则为低。如果一个头 像它的头发、眼睛、鼻子三个特征( 这三个特征为诊断性特征) 中，有3 个与a 0 的相应特征一致，那么该头像的诊断性程度( 以范畴a 为标准，以下意义相同) 为3 ； 如果只有2 个或1 个特征一致，那么其诊断性程度分别为2 或1 。如果一个头像的 典型性程度为高，而诊断性程度为2 ，则该头像即是一个“高2 ”项目。图3 所示即 为一些头像的名称： 1 4 。宁 令 令 a 0 ( 原型) 高3高2低3低2 图3 头像名称示例 测试项目的1 2 对头像分为3 类：高3 高2 项目对( 指两张图片中有一个是高 3 项目，一个是高2 项目。后下两类意义相同) 、高2 ，低3 项目对，高3 低i 项目 对。其中高3 高2 类型有6 张，另外两类各3 张。 6 对“高3 一高2 ”项目对的特征值如下：1 1 1 1 0 1 1 0 1 1 、1 1 1 1 0 1 0 1 1 1 、i i l l 0 0 1 1 1 1 、 1 1 1 0 1 1 1 0 1 l 、1 1 1 0 1 - 1 0 1 】l 、1 1 1 0 1 - 0 1 1 l i 3 对高“2 _ 1 氐3 ”项目对的特征值如下：1 0 1 1 1 - 1 1 1 0 0 、1 1 0 1 1 1 1 1 0 0 、0 1 1 i i 1 1 1 0 0 3 对“高3 低1 项目对的特征值如下：l i l l 0 0 0 1 1 l 、1 1 1 0 1 ，0 1 0 1 i 、i i l l 0 1 0 0 1 i 部分测试图片见下图( 详见附录2 ) ： 0 e 台台 高3 高2 项目对高2 低3 项目对高3 低1 项目对 图4 部分测试图片示例 ( 3 ) 实验设计 本实验包含几种设计。 检验分类学习组与推理学习组在高3 一高2 项目上选择高3 项目的比率差异属 于单因素设计，自变量为学习类型( 推理学习与分类学习 。 检验分类学习组与推理学习组在高低项目对上( 即高2 低3 项目对和高3 低 1 项目对) 选择高项目的比率及信心调整分数差异采用的是2 ( 学习类型) 2 ( 测 试项目类型) 混合实验设计。学习类型是被试问因素。测试项目类型是被试内因 素。其中学习类型分为分类学习与推理学习两种，测试项目类型分为：商2 一氐3 项 目对、商3 低l 项目对两类， 检验分类学习组与推理学习组在画图任务中对在不同特征上的正确表现率差 异也是采用2 ( 学习类型) x 2 ( 特征类型) 混合实验设计。其中学习类型分为分 类学习与推理学习两种，特征类型分为：诊断性特征和非诊断性特征两种。 ( 4 ) 实验程序 本实验分为两个阶段：学习阶段、测试阶段。 在学习阶段，被试分为两组：分类学习组与推理学习组。 对于分类学习组被试，首先向被试同时呈现画有1 0 个学习项目的图片( 见附 录1 ) ，同时向被试说明要学习两类关于人脸头像的图片，每类5 张共1 0 张图片， 通过学习达到一定的学习标准，就可以进入下一个阶段即测试阶段( 实验者做完 解释后，将图片收回) 然后告诉被试开始学习，向被试依次单独呈现l o 个学习 项目，要求被试判断属于a 还是b 。刺激的呈现顺序任意，学习过程中有反馈( 如 图5 所示) 。1 0 张图片都被问过一次算做一个学习单元。被试一直学习，直到在连 续三个学习单元中l o 个项目刺激被试都能够正确回答9 个为止。记录被试达到学 习标准的学习次数。 a 反馈 该头像属于a ? 还是b ?该头像属于a 图5 分类学习示例 对于推理学习组被试，同样，先向被试星现画有l o 个学习项目的图片( 见附 录1 ) ，同时向被试说明要学习两类关于人脸头像的图片，每类5 张共l o 张图片， 通过学习达到一定的学习标准，就可以进入下一个阶段即测试阶段( 实验者做完 解释后，将图片收回) 。然后告诉被试开始学习，依次单独向被试呈现1 0 个学习 项目但是呈现的每个头像裁激并不完全。每个头像有一个特征值未知，图片上 方标明刺激所属的范畴名称，未知特征的两个选择项出现在图片的下方，要求被 试选择是哪一种，学习过程有反馈( 见图6 ) 。每个学习单元1 0 个问题( 针对每个 项目的一个缺失特征) ，每个维度的问题在各项目间的分配是平衡的，每个特征维 度在一个学习单元内都会被问到两次。如：第一个学习单元提闯a l 、b 1 的头发， a 2 、b 2 的眼睛、a 3 、b 3 的，第二个学习单元提问a l 、b l 的眼睛，a 2 、b 2 的 鼻子、a 3 、b 3 的嘴，以此类推，这样，经过五个学习单元每个学习项目的每个特征 维度都会被问到。被试一直学习，直到在连续三个学习单元中l o 个项目刺激被试 都能够正确回答9 个为止。记录被试达到学习标准的学习次数。 当分类学习组与推理学习组的被试达到学习标准就可以进入测验阶段。测试阶 段被试要完成两项任务首先是选择任务：向被试依次呈现1 2 张图片( 见附录2 ) ， 每张图片上有两个头像刺激，要求被试从两个头像中选择：哪一个更有可能是典 型的a 。被试做了选择以后，再要求被试对自己的回答做信心评定。根据7 点量表 打分，l ( 猜测) 7 ( 非常确定) 。测试项目的1 2 对头像分为3 类：高3 高2 项 目对、高2 - 氐3 项目对，高3 低l 项目对。图7 所示是一对高2 氐3 测试项目。 bb 反馈 口? 该头像属于b 。那么它的鼻子应该是哪一种?它的鼻子是 图6 推理学习示例 台 哪一个更有可能是典型的a ? 你对你的选择，信心有多高? 1 7 打分。 图7 测试过程示例 选择任务完成以后，被试要完成最后一项画图任务，要求被试各画一张典型 的a 及一张典型的b 的图片。 3 2 3 结果与分析 ( 1 ) 学习次数差异 对分类学习组与推理学习组达到学习标准的被试的学 - - j 次数进行比较，发现两 种学习条件下学习次数没有显著差异。分类学习组平均学习次数为7 7 0 ( s d = 1 4 5 ) ， 推理学习组平均学习次数为7 9 5 ( s i 1 4 3 ) , t ( 3 8 ) = 0 5 5 p 0 1 。 1 3 ( 2 ) 两组学习者在高3 高2 项目对上选择高3 项目的比率差异 在高3 高2 项目对上统计的指标是每个被试选择高3 项目的比率。高3 项目 与高2 项目相比，二者典型性水平相同，但是前者诊断性水平高于后者。由于分 类学习者主要关注诊断性信息，而推理学习者较多受到典型性特征的影响，所以， 分类学习者可能更多会选择诊断性强的项目，即高3 项目，而推理学习者可能不 会有此倾向。实验结果表明，分类学习者选择高3 项目的百分比为8 1