กลไกการแก้ไขข้อผิดพลาดในการเรียนรู้ภาษา: การสร้างแบบจำลองบุคคล ตอนที่ 1

เชิงนามธรรม:

นับตั้งแต่มีการใช้ครั้งแรกในฐานะแบบจำลองการคำนวณสำหรับการเรียนรู้ภาษา หลักฐานได้สะสมว่าการเรียนรู้การแก้ไขข้อผิดพลาดของ Rescorla–Wagner (Rescorla &Wagner, 1972) ได้รวบรวมแง่มุมต่างๆ ของการประมวลผลภาษา ในขณะที่การศึกษาก่อนหน้านี้ได้ให้การสนับสนุนทั่วไปสำหรับกฎ Rescorla–Wagner โดยใช้มันเพื่ออธิบายพฤติกรรมของผู้เข้าร่วมในงานต่างๆ เรามุ่งเน้นไปที่การทดสอบการทำนายที่สร้างโดยแบบจำลองในงานการเรียนรู้ภาษาธรรมชาติที่มีการควบคุมและสร้างแบบจำลองข้อมูลที่ระดับ ผู้เรียนแต่ละคน

มีความสัมพันธ์ใกล้ชิดระหว่างการเรียนรู้ภาษาและความทรงจำ เมื่อเรียนรู้ภาษาใหม่ เราไม่เพียงแต่ต้องเชี่ยวชาญไวยากรณ์และคำศัพท์เท่านั้น แต่ยังต้องจดจำคำศัพท์และสำนวนมากมายอีกด้วย ดังนั้นความจำจึงมีบทบาทสำคัญในกระบวนการเรียนรู้ภาษา

การเรียนรู้ภาษาสามารถเสริมสร้างความจำได้ การศึกษาจำนวนมากแสดงให้เห็นว่าการเรียนรู้ภาษาใหม่สามารถกระตุ้นการทำงานของระบบประสาทในสมอง ส่งเสริมการเผาผลาญในเปลือกสมอง และด้วยเหตุนี้จึงทำให้ความจำแข็งแกร่งขึ้น การเรียนรู้ภาษาใหม่ยังสามารถกระตุ้นโครงข่ายประสาทเทียมของสมอง ทำให้มีสุขภาพที่ดีขึ้นและปรับปรุงความสามารถทางปัญญา ความฉลาด และการคิดเชิงตรรกะ

การเรียนรู้ภาษาต้องอาศัยการทำซ้ำและการฝึกฝน การเชื่อมโยงการพูด การฟัง และการอ่านบ่อยครั้งจะช่วยเพิ่มความประทับใจและทำให้สิ่งต่างๆ น่าจดจำมากขึ้น ในเวลาเดียวกัน ด้วยการสื่อสารกับผู้อื่น เราสามารถจดจำคำศัพท์และวลีใหม่ๆ ได้ดีขึ้น เรียนรู้เกี่ยวกับสภาพแวดล้อมและวัฒนธรรมของภาษาที่แตกต่างกัน และทำให้ความเข้าใจในภาษาของเราลึกซึ้งยิ่งขึ้น

การเรียนรู้ภาษายังช่วยให้เราเปลี่ยนวิธีคิด เพิ่มความยืดหยุ่นในการคิดและความคิดสร้างสรรค์ และปรับปรุงความจำอีกด้วย ขณะเดียวกันเรายังสามารถดำเนินการเรียนภาษาและฝึกความจำด้วยการฟังเพลง ดูหนัง อ่านวรรณกรรมจีนและต่างประเทศ ฯลฯ การเรียนรู้ในรูปแบบต่างๆ และการเล่นไปพร้อมกับการเรียนรู้เพื่อทำให้กระบวนการเรียนรู้น่าสนใจยิ่งขึ้น เพิ่มการเรียนรู้ ความสนใจและปรับปรุงความจำ

ดังนั้น เมื่อเรียนภาษา เราสามารถใช้วิธีการที่หลากหลายในการฝึกฝน มุ่งเน้นไปที่กิจกรรมและแบบฝึกหัดด้านความจำ สร้างสรรค์วิธีการและวิธีการเรียนรู้อย่างต่อเนื่อง และเสริมสร้างการฝึกอบรมด้านความจำเพื่อปรับปรุงผลการเรียนรู้และปรับปรุงความจำ จะเห็นได้ว่าเราต้องปรับปรุงความจำของเรา Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาแผนโบราณของจีนที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้ 10 วิธีปรับปรุงความจำ

ด้วยการปรับพารามิเตอร์ของแบบจำลองเพื่อให้เหมาะสมกับตัวเลือกพฤติกรรมแบบทดลองต่อการทดลองของผู้เข้าร่วม แทนที่จะปรับแบบจำลองแบบหนึ่งสำหรับทั้งหมดโดยใช้พารามิเตอร์เริ่มต้นชุดเดียว เราแสดงให้เห็นว่าโมเดลนั้นจับตัวเลือกของผู้เข้าร่วมอย่างแม่นยำ เวลาแฝง และระดับของข้อตกลงการตอบสนอง นอกจากนี้เรายังแสดงให้เห็นว่าเพศและความจุหน่วยความจำในการทำงานส่งผลต่อขอบเขตที่โมเดล Rescorla–Wagner รวบรวมการเรียนรู้ภาษา

คำหลัก

การเรียนภาษา; การเรียนรู้การแก้ไขข้อผิดพลาด แบบจำลอง Rescorla–Wagner; สัณฐานวิทยา; ข้อตกลง.

การแนะนำ

มนุษย์เรามีกลไกการเรียนรู้หลักหลายอย่างร่วมกับสายพันธุ์อื่นที่ช่วยให้เราปรับตัวเข้ากับสภาพแวดล้อมของเราได้ (Rescorla, 1988) กลไกเหล่านี้รวมถึง เหนือสิ่งอื่นใด การปรับสภาพแบบคลาสสิก (เช่น การปรับสภาพของ Pavlovian; Pavlov, 1927), การปรับสภาพด้วยเครื่องมือ (รวมถึงการปรับสภาพของผู้ปฏิบัติงานด้วย; Skinner, 1938) และรูปแบบของการเรียนรู้ทางสังคม เช่น การเรียนรู้แทน (Bandura, 1962)

ความสามารถในการเรียนรู้ของมนุษย์ที่โดดเด่นที่สุดคือการเรียนรู้ภาษา ซึ่งรวมถึงการถ่ายทอดข้ามรุ่นอย่างมีประสิทธิภาพ และเป็นรากฐานสำหรับการรวมและการทำงานร่วมกันทางสังคม อย่างไรก็ตาม แม้ว่ากลไกการเรียนรู้หลักจะเข้าใจได้ค่อนข้างดี แต่การเรียนรู้ภาษายังคงเป็นปริศนาอยู่มาก (Ambridge & Lieven, 2011) ความพยายามในช่วงแรกๆ ของ Skinner (1957) ที่จะอธิบายการเรียนรู้ภาษาโดยใช้หลักการเดียวกันกับหลักการที่ควบคุมงานการรับรู้ระดับล่างถูกขัดขวางโดย Chomsky (1959)

ตลอดช่วงที่เหลือของศตวรรษที่ 20 ภาษาถูกมองว่าเป็นระบบโดยธรรมชาติโดยธรรมชาติ ซึ่งอยู่ภายใต้กฎเกณฑ์และจัดการโดยโครงสร้างทางปัญญาที่มีลักษณะเฉพาะของมนุษย์และเฉพาะทาง โครงสร้างนี้เริ่มแรกถูกมองว่าเป็นเครื่องมือการเรียนรู้ภาษา และต่อมาได้ขยายจนกลายเป็นไวยากรณ์สากล

มุมมองที่โดดเด่นนี้ถูกท้าทายจากทั้งสองฝ่ายพร้อมกัน การเกิดขึ้นของภาษาศาสตร์ที่เน้นการใช้งานในช่วงคริสต์ทศวรรษ 1980 (Langacker, 1987) ส่งเสริมมุมมองของภาษาในฐานะที่เป็นระบบที่มีความเป็นพลวัตและความน่าจะเป็น ซึ่งเป็นผลมาจากความสามารถทางการรับรู้ทั่วไปที่ส่งผลต่อการป้อนข้อมูลของภาษา (D ˛abrowska & Divjak, 2015) มุมมองนี้เข้ากันได้ดีกับกรอบการเชื่อมต่อซึ่งแสดงให้เห็นว่าพฤติกรรมที่เหมือนกฎเกณฑ์สามารถเกิดขึ้นได้จากการเปิดรับการใช้งานเพียงอย่างเดียว และความรู้ทางภาษานั้นไวต่อคุณสมบัติของข้อมูลที่นำเข้า (Plaut & Gonnerman,2000; Seidenberg & McClelland, 1989) '

Connectionism ปูทางไปสู่การเปลี่ยนแปลงในการสร้างทฤษฎีเช่นกัน ไปสู่มุมมองของภาษาที่มีการเรียนรู้เหมือนกับทักษะอื่นๆ และต้นทศวรรษ 2000 ได้เห็นการเริ่มต้นของการบูรณาการหลักการพื้นฐานของการเรียนรู้เข้าสู่ร่างกายของงานเกี่ยวกับภาษา (เช่น seeBybee & McClelland, 2005; สำหรับผลงานที่เป็นปัจจุบันมากขึ้น โปรดดูที่ Ellis et al., 2016 ซึ่งกล่าวถึงทั้งการเรียนรู้ภาษาที่หนึ่งและที่สอง และ Chuanget al., 2021 ซึ่งกล่าวถึงการได้มาซึ่งคำศัพท์ในภาษาที่สองและสาม) ขณะนี้ภาษาถูกมองว่าคล้อยตามความสามารถการรับรู้และกลไกการเรียนรู้วัตถุประสงค์ทั่วไปแบบเดียวกับที่มนุษย์และสัตว์ใช้ในการนำทางและปรับตัวให้เข้ากับสภาพแวดล้อมของพวกเขา (cf. Ellis, 2006a; Ellis & Sagarra, 2010, 2011; Sturdy & Nicoladis, 2017) .

ในบรรดาโมเดลการเรียนรู้เหล่านี้ โมเดลการปรับสภาพคลาสสิกของ Rescorla และ Wagner (1972) โดดเด่นในเรื่องความเรียบง่ายและความสามารถในการอธิบายปรากฏการณ์การเรียนรู้เชิงประจักษ์ต่างๆ (Siegel & Allan, 1996) แบบจำลองนี้เป็นไปได้ทางชีวภาพ (Chen et al., 2008) และมีข้อได้เปรียบเชิงวิวัฒนาการเหนือกลไกการเรียนรู้ที่ทรงพลังกว่าอื่น ๆ ในแง่ที่ว่ามีโอกาสสูงกว่าที่จะถูกคัดเลือกโดยธรรมชาติและคงอยู่ในกระบวนการวิวัฒนาการ เมื่อเปรียบเทียบกับกลไกการเรียนรู้ที่เป็นไปได้อื่น ๆ (สำหรับข้อมูลเพิ่มเติม รายละเอียด โปรดดูที่Trimmer และคณะ 2012)

วรรณกรรมพื้นหลัง

โมเดลเรสคอร์ลา-วากเนอร์

ในฐานะที่เป็นแบบจำลองของการปรับสภาพแบบคลาสสิก แบบจำลอง Rescorla–Wagner (R–W) เกี่ยวข้องกับสถานการณ์ที่ตัวตน (มนุษย์ สัตว์ หรือเครื่องจักร) ต้องเรียนรู้ความสัมพันธ์เชิงคาดการณ์ระหว่างวัตถุและ/หรือเหตุการณ์ (เช่น คิวแซนด์ ผลลัพธ์) ในสภาพแวดล้อม และที่ซึ่งตัวชี้นำแข่งขันกันเพื่อค่าทำนายสำหรับผลลัพธ์ในขณะที่ทำการปรับเทียบน้ำหนักการเรียนรู้ (หรือการเชื่อมโยง) ซ้ำ ๆ โดยเฉพาะอย่างยิ่ง น้ำหนักการเชื่อมโยงสะท้อนถึงแนวโน้มของผลลัพธ์ที่จะเกิดขึ้นเมื่อมีสัญญาณบางอย่าง ค่าน้ำหนักการเชื่อมโยงเชิงบวกที่สูงกว่าสำหรับผลลัพธ์หนึ่งๆ สอดคล้องกับโอกาสที่จะเกิดขึ้นสูงกว่าของผลลัพธ์นั้นเมื่อมีสัญญาณ ในทางกลับกัน ค่าที่เป็นลบอย่างมากจะสอดคล้องกับความเป็นไปได้ที่จะไม่เกิดขึ้นของผลลัพธ์นั้น (สัญญาณบ่งชี้ว่ายับยั้งในกรณีนี้) ค่าใกล้กับศูนย์มีโอกาสต่ำที่จะสังเกตเห็น (หากน้ำหนักเป็นบวก) หรือขัดขวาง (หากน้ำหนักเป็นลบ) ผลลัพธ์

แบบจำลอง R-W สันนิษฐานว่าสิ่งมีชีวิตคำนวณกฎการเรียนรู้แก้ไขข้อผิดพลาดง่ายๆ ที่ใช้ในการอัปเดตน้ำหนักการเชื่อมโยงในแต่ละเหตุการณ์การเรียนรู้ใหม่ (เช่น การทดลองแต่ละครั้งในการทดลองเชิงพฤติกรรม) แนวคิดทั่วไปเบื้องหลังกฎการแก้ไขก็คือ ความสัมพันธ์ระหว่างคิวและผลลัพธ์จะ (a) มีความเข้มแข็งขึ้นหากมีทั้งคิวและผลลัพธ์ในเหตุการณ์การเรียนรู้ (b) จะอ่อนลงหากมีคิวอยู่แต่ผลลัพธ์ไม่เป็นเช่นนั้น และ (c ) คงไว้เหมือนเดิมหากไม่มีคิว

การอัปเดตน้ำหนักการเชื่อมโยงนั้นขับเคลื่อนโดยความแตกต่างระหว่างผลลัพธ์ที่คาดหวังและผลลัพธ์ที่ได้รับ เช่น ขนาดของการอัปเดต—จำนวนน้ำหนักการเชื่อมโยงที่ได้รับการปรับปรุง—ถูกกำหนดโดยพารามิเตอร์สองตัวที่เรียกว่าอัตราการเรียนรู้ และทิศทางของการอัปเดต—ไม่ว่าจะเพิ่มขึ้นหรือไม่ น้ำหนักหรือลดลง ขึ้นอยู่กับสัญญาณของความแตกต่างระหว่างผลลัพธ์ที่คาดหวังและผลลัพธ์ที่สังเกตได้ ด้วยวิธีนี้ โดยกว้างที่สุด สำหรับโมเดล R-W การเรียนรู้เป็นเรื่องเกี่ยวกับผลลัพธ์ และชุดนี้แยกจากโมเดลที่เกี่ยวข้องซึ่งการเรียนรู้เป็นเรื่องเกี่ยวกับตัวชี้นำอินพุต (เช่น Pearce& Hall, 1980)

คุณลักษณะอีกประการหนึ่งของแบบจำลอง R–W ก็คือ แม้ว่าผลลัพธ์จะได้รับการอัปเดตอย่างเป็นอิสระจากกัน แต่ตัวชี้นำอินพุตจะแข่งขันกันเพื่อการทำนายผลลัพธ์

กล่าวอีกนัยหนึ่ง การปรับน้ำหนักไม่เพียงแต่ขึ้นอยู่กับคิวเดียวที่ได้รับการอัปเดตเท่านั้น แต่ยังขึ้นอยู่กับตัวชี้นำทั้งหมดที่มีอยู่ในเหตุการณ์การเรียนรู้ผ่านผลรวมของน้ำหนักการเชื่อมโยงด้วย หลักการแข่งขันคิวนี้ทำให้โมเดล R-W สามารถอธิบายปรากฏการณ์ที่น่าสงสัยหลายประการของเงื่อนไขแบบคลาสสิก ซึ่งบางส่วนก็มีคุณค่าสำหรับการทำความเข้าใจกลไกของการเรียนรู้ภาษาด้วย (ดูหัวข้อถัดไปสำหรับการอภิปราย) หนึ่งในตัวอย่างที่รู้จักกันดีที่สุดของ ปรากฏการณ์การเรียนรู้ดังกล่าวคือผลการปิดกั้น (Kamin, 1969) ผลกระทบนี้เกิดขึ้นเมื่อคิวถูกฝึกในสารประกอบที่มีคิวที่สองเพื่อทำนายผลลัพธ์ แต่เมื่อคิวที่สองเป็นตัวทำนายผลลัพธ์ที่ดีอยู่แล้ว ในกรณีเช่นนี้ คิวแรกไม่สามารถสร้างความสัมพันธ์ที่แน่นแฟ้นกับผลลัพธ์ได้ (กล่าวคือ คิวแรกถูกบล็อกโดยคิวที่สอง) โดยทั่วไปแล้ว หลักการแข่งขันคิวมักจะส่งผลให้เกิดการสังเกตว่าสัญญาณที่ดีที่สุดสำหรับผลลัพธ์จะป้องกันไม่ให้สัญญาณอื่น ๆ พัฒนาความสัมพันธ์ที่แน่นแฟ้นกับผลลัพธ์เดียวกันนั้น

แบบจำลองเรสคอร์ลา-วากเนอร์และการเรียนรู้ภาษา

นับตั้งแต่ที่มีการกล่าวถึงครั้งแรกในบริบททางภาษาโดย Ellis (2006a) หลักฐานได้สะสมไว้แสดงให้เห็นว่าแบบจำลอง R-W สามารถรวบรวมแง่มุมต่างๆ ของการเรียนรู้ภาษาได้ (เช่น Baayen et al., 2011; Ellis, 2006b; Milin, Divjak, &Baayen, 2017 ; มิลิน, เฟลด์แมน และคณะ 2017) จนถึงตอนนี้ หลักฐานเชิงประจักษ์ที่มีอยู่เกิดจากการศึกษาที่ฝึกแบบจำลอง R-W ที่ใช้ค่าพารามิเตอร์เริ่มต้น (ในที่นี้เราจะกล่าวถึงพารามิเตอร์อัตราการเรียนรู้สองตัวที่ใช้ในการอัปเดตน้ำหนักการเชื่อมโยงหลังจากเหตุการณ์ใหม่แต่ละเหตุการณ์) โดยทั่วไปจะเป็นตัวอย่างขนาดเล็กจากการทดลองใน ภาษาประดิษฐ์หรือคลังข้อความขนาดใหญ่2 การวัดการเรียนรู้หลังการฝึกจะถูกดึงออกมาจากแบบจำลองจำลองและเปรียบเทียบกับการวัดการตอบสนองที่สังเกตได้จากงานทดลอง

ประเด็นแรกคือการคาดการณ์สำหรับ (และจาก) โมเดลดังกล่าวมักจะสร้างขึ้นอย่างเป็นอิสระจากการทดลอง (โดยมีข้อยกเว้น เช่น การศึกษาของ Ramscar & Yarlett, 2007 และ Divjak และคณะ, 2021 ซึ่งแบบจำลองสร้างสมมติฐานที่จะทดสอบเชิงทดลอง) .

โดยทั่วไปพารามิเตอร์จะถูกตั้งค่าเป็นค่าเริ่มต้น ทำให้พลาดโอกาสที่จะคำนึงถึงความแปรปรวนที่อาจเกิดขึ้นจากการจำลองโมเดลด้วยค่าพารามิเตอร์ที่แตกต่างกัน (แต่ดู Olejarczuk et al., 2018 ซึ่งใช้ค่าพารามิเตอร์คงที่แต่ติดตั้งโมเดลที่แยกจากกันในแต่ละโมเดล ข้อมูลของผู้เข้าร่วมโดยใช้ลำดับตัวอย่างเดียวกันกับที่ผู้เข้าร่วมพบ) การผสมผสานความแปรปรวนที่เกิดขึ้นจากพารามิเตอร์โมเดลเมื่อปรับโมเดลการเรียนรู้ให้เข้ากับข้อมูลภาษามีศักยภาพในการปรับปรุงความสามารถในการอธิบายความแตกต่างส่วนบุคคลที่สังเกตได้ในการทดลอง โดยเฉพาะอย่างยิ่งเนื่องจากการใช้ภาษาและการเป็นตัวแทนเป็นพื้นที่ที่แสดงความแปรผันของแต่ละบุคคลอย่างมาก (D ˛abrowska, 2018) .

การฝึกอบรมแบบจำลองบนคลังข้อมูลขนาดใหญ่มีค่าใช้จ่ายที่สูงกว่า เราทิ้งประเด็นของ (ขาด) ความคล้ายคลึงกันระหว่างเนื้อหาของคลังข้อมูลและข้อมูลเข้าที่ผู้ใช้ภาษาได้รับ (ซึ่งเป็นภัยพิบัติที่ก่อให้เกิดการบรรจบกันของการศึกษาหลักฐานโดยทั่วไป สำหรับบทสรุป การอภิปราย ดูที่ Klavan & Divjak, 2016 และสำหรับการรวบรวมตัวอย่างผลงาน โปรดดูที่ Divjak & Gries, 2012 และ Gries & Divjak, 2012) ที่นี่เรามุ่งเน้นไปที่ประเด็นอื่น: การฝึกอบรมเกี่ยวกับคลังข้อมูลแหล่งที่มาหลักสองแห่งของความแปรปรวนของแบบจำลอง กล่าวคือ แหล่งที่เกี่ยวข้องกับการเลือกพารามิเตอร์ของแบบจำลองและลำดับของตัวอย่างการฝึกอบรม ซึ่งส่วนใหญ่จะใช้งานในช่วงแรกของการเรียนรู้ (Shanks, 1995 โปรดดูที่ Milin et al., 2020 สำหรับการอภิปรายทั่วไปเพิ่มเติมเกี่ยวกับลำดับการทดลองที่ส่งผลต่อการเรียนรู้การแก้ไขข้อผิดพลาด)3 อคติในยุคแรกๆ ดังที่ Ellis (2006a) เรียกพวกมันว่า ถือเป็นการทดสอบจริงสำหรับแบบจำลอง R–W ก่อนหน้านั้น สามารถนำไปใช้เป็นต้นแบบการเรียนรู้ภาษาในวงกว้างได้ การสร้างแบบจำลองความแปรปรวนของพารามิเตอร์และการฝึกแบบจำลอง R-W บนตัวอย่างเดียวกันกับที่ผู้เข้าร่วมพบ แสดงถึงโอกาสใหม่ในการทำความเข้าใจการเรียนรู้ภาษาที่ยังไม่ได้สำรวจอย่างสมบูรณ์ในการศึกษาก่อนหน้านี้

การศึกษาในปัจจุบัน

การศึกษาครั้งนี้มีจุดมุ่งหมายเพื่อสร้างแบบจำลองว่าผู้เรียนภาษาแต่ละคนมีส่วนร่วมกับงานที่ทำอยู่อย่างไรแบบทดลองต่อการทดลอง ซึ่งถือเป็นความท้าทายที่เปลี่ยนแปลงไปสำหรับการประยุกต์ใช้การเรียนรู้ภาษาในการเรียนรู้แบบเลือกปฏิบัติหรือการแก้ไขข้อผิดพลาดโดยทั่วไปและแบบจำลอง R-W ใน โดยเฉพาะอย่างยิ่ง ในขณะที่การศึกษาก่อนหน้านี้ได้ให้การสนับสนุนทั่วไปสำหรับกฎ R-W โดยใช้แบบจำลองนี้เพื่ออธิบายพฤติกรรมของผู้เข้าร่วมในช่วงงานต่างๆ (Divjak, 2019; Milin & Blevins, 2020; Milin, Feldman, et al., 2017; Pirrelli และคณะ 2020) เรามุ่งเน้นไปที่การทดสอบการทำนายที่สร้างขึ้นโดยแบบจำลองในงานการเรียนรู้ภาษาธรรมชาติที่มีการควบคุม และจำลองข้อมูลในระดับของผู้เรียนภาษาแต่ละคน ในการทำเช่นนั้น เราปฏิบัติต่อผู้เข้าร่วมแต่ละรายในฐานะหน่วยงานการเรียนรู้ที่แยกจากกันซึ่งควบคุมโดยความสามารถที่แตกต่างกัน ซึ่งเป็นสิ่งสำคัญอย่างยิ่ง ผ่านพารามิเตอร์การเรียนรู้ของแบบจำลองที่เลือก

เนื่องจากการศึกษาหลายชิ้นรายงานว่าประสิทธิภาพการปรับสภาพแบบดั้งเดิมอาจได้รับผลกระทบจากลักษณะการรับรู้และส่วนบุคคล เช่น ความจำในการทำงาน (Baetu et al., 2018; Sasaki, 2009), เพศ (Lonsdorfet al., 2015; Merz et al., 2018) และอายุ (เช่น Mutter et al., 2012) นอกจากนี้เรายังตรวจสอบว่าคุณลักษณะดังกล่าวอาจส่งผลต่อการนำกลไก R-Wlike มาใช้ในการเรียนรู้ภาษาหรือไม่

เพื่อให้บรรลุเป้าหมายเหล่านี้และเพื่อตอบคำถามเหล่านี้ เราได้ออกแบบงานการเรียนรู้ภาษาธรรมชาติที่เรียบง่าย: ทำให้ง่ายขึ้นเพื่อใช้ประโยชน์จากข้อได้เปรียบของการควบคุมเชิงประจักษ์ที่เข้มงวด แต่เพียงบางส่วนเท่านั้น เพื่อรักษาความมุ่งมั่นต่อความถูกต้องของระบบนิเวศโดยการนำเสนอประสบการณ์อินพุตภาษาที่เป็นธรรมชาติมากขึ้น งานนี้แสดงถึงวิธีที่ผู้คนจะเรียนรู้การแมปข้อตกลงเรื่องกริยาภาษาโปแลนด์ผ่านการเปิดรับตัวอย่างตามธรรมชาติในระดับที่เหมาะสม

เราฝึกอบรมเจ้าของภาษาอังกฤษโดยใช้ชุดตัวอย่างที่จัดทำขึ้นอย่างพิถีพิถันซึ่งมีทั้งมิติการได้ยินและการมองเห็น และได้รวมเอาความซับซ้อนบางประการที่มีอยู่ในข้อตกลงระหว่างประธานและกริยาในภาษาโปแลนด์ ต่อไป นำเสนอผู้เข้าร่วมแต่ละคนเป็นรายบุคคล เราเลือกแบบจำลองที่เหมาะสมที่สุด (เช่น พารามิเตอร์ที่นำไปสู่การจับคู่ที่ใกล้เคียงที่สุดระหว่างคำตอบของผู้เข้าร่วมและแบบจำลอง) โดยใช้ตัวอย่างการฝึกอบรมเดียวกันกับที่ผู้เข้าร่วมพบ จากนั้นเราประเมินแบบจำลอง R-W สำหรับความสามารถในการกู้คืนตัวเลือกภาษาของผู้เข้าร่วมตลอดจนเวลาแฝงของพวกเขา และเปรียบเทียบกับกลยุทธ์การตอบสนองอื่น ๆ ที่น่าเชื่อถือแต่อิงตามกฎ สุดท้าย เราได้ทดสอบว่าคุณลักษณะทางปัญญาและส่วนบุคคล เช่น ความสามารถในการจำในการทำงาน อายุ และเพศ ส่งผลต่อขอบเขตที่โมเดล R-W จับการเรียนรู้ภาษาหรือไม่

วิธี

ผู้เข้าร่วม

ผู้เข้าร่วมหกสิบหกคน (อายุ=20 ปี; ช่วง=18–65; ผู้หญิง 41 คน) เข้าร่วมในการทดลองเพื่อแลกกับบัตรกำนัล Amazon มูลค่า 7 ปอนด์ ผู้เข้าร่วมเป็นนักศึกษามหาวิทยาลัยและเจ้าหน้าที่ พวกเขาทั้งหมดเป็นผู้พูดภาษาอังกฤษโดยกำเนิดโดยไม่มีความรู้ภาษาโปแลนด์หรือภาษาสลาฟอื่นๆ มีการได้ยินและการมองเห็นปกติหรือได้รับการแก้ไขให้เป็นปกติ และไม่ได้ประกาศว่ามีความบกพร่องทางการเรียนรู้ใดๆ ผู้เข้าร่วมมีภูมิหลังทางการศึกษาที่แตกต่างกัน และหลายคนสามารถพูดภาษาอื่นใน นอกเหนือจากภาษาอังกฤษ (การแจกแจงภูมิหลังทางการศึกษาและภาษาแสดงไว้ในภาคผนวก S1 ในข้อมูลสนับสนุนออนไลน์)

วัสดุและขั้นตอน

เนื้อหาทั้งหมดของเรา รวมถึงข้อมูลและโค้ด มีให้บริการอย่างเปิดเผยบน Github (https://github.com/ooominds/Error-correction-mechanisms-in- languagelearning) และ UBIRA ซึ่งเป็นพื้นที่เก็บข้อมูลแบบเปิดที่เข้าถึงได้ของ University of Birmingham (https:/ /doi.org/10.25500/edata.bham.00000911) ผู้เข้าร่วมทำสามภารกิจและแบบสอบถามสั้นๆ ตามลำดับต่อไปนี้: (a) งานการเรียนรู้ภาษา (งานหลัก) (b) แบบสอบถามความรู้และข้อมูลประชากรที่ชัดเจน (c) งานการเรียนรู้โดยนัย และ (d) ความทรงจำในการทำงาน ( WM) งาน (คำอธิบายโดยละเอียดของแต่ละงานมีอยู่ในหัวข้อถัดไป)

งานการเรียนรู้ภาษาและการเรียนรู้โดยนัยได้ถูกนำไปใช้และนำเสนอแก่ผู้เข้าร่วมโดยใช้ OpenSesame (Mathôt et al., 2012; Mathôt & มีนาคม 2022) แบบสอบถามประชากรศาสตร์นำเสนอโดยใช้ Google ฟอร์ม และงาน WM ดำเนินการโดยใช้ Tatool (von Bastian et al., 2013) การทดลองดำเนินการทีละรายการหรือเป็นคู่ทุกครั้งที่เป็นไปได้ในห้องที่เงียบสงบบน Intel Core i คอมพิวเตอร์ 7-8700 เครื่องที่ใช้ Windows 10 และติดตั้ง Iiyama G-Master 24.5- ใน จอภาพทำงานที่ 59 Hz พร้อมความละเอียดหน้าจอ 1,920 × 1,080 พิกเซล ผู้เข้าร่วมได้ยินเสียงกระตุ้นการได้ยินผ่านหูฟังตัดเสียงรบกวน Bose QuietComfort 35 II และบันทึกการตอบสนองโดยใช้แป้นพิมพ์ การทดลองใช้เวลาประมาณ 50 นาทีจึงเสร็จสิ้น

For more information:1950477648nn@gmail.com