กลไกการแก้ไขข้อผิดพลาดในการเรียนรู้ภาษา: การสร้างแบบจำลองบุคคล ตอนที่ 3

ความสัมพันธ์ระหว่างมาตรการตามการเปิดใช้งานของแบบจำลองกับทางเลือกของผู้เข้าร่วมและเวลาตอบสนอง

ในการประเมินคุณภาพความพอดีของโมเดล R-W เพิ่มเติม เราได้ดำเนินการวิเคราะห์การสร้างแบบจำลองเอฟเฟกต์แบบผสมเชิงเส้นทั่วไป โดยดูที่ความสัมพันธ์ระหว่างตัวเลือกของผู้เข้าร่วมและการวัดตามการเปิดใช้งานที่ได้มาจากโมเดล R-W ที่ติดตั้งไว้ นั่นคือ การสนับสนุนการเปิดใช้งานสำหรับแบบฟอร์ม np (ดูหัวข้อการสร้างแบบจำลองทางคอมพิวเตอร์สำหรับรายละเอียดเพิ่มเติม) นอกจากนี้เรายังวิเคราะห์ความสัมพันธ์ระหว่างเวลาตอบสนองของผู้เข้าร่วมและการสนับสนุนการเปิดใช้งานโดยปรับแบบจำลองเอฟเฟกต์ผสมเชิงเส้นพหุนามให้เหมาะสมกับการสนับสนุนการเปิดใช้งานทั้งเงื่อนไขเชิงเส้นและกำลังสอง เนื่องจากเราคาดว่าการสนับสนุนการเปิดใช้งานจะมีผลกระทบกำลังสองต่อเวลาตอบสนอง (ตารางที่ 3) ข้อมูลสรุปโดยละเอียดเพิ่มเติมของแบบจำลองที่มีโครงสร้างเอฟเฟกต์แบบสุ่มมีให้ในภาคผนวก S8 ในข้อมูลสนับสนุนทางออนไลน์

เอฟเฟกต์แบบสุ่มหมายถึงผลกระทบของการเปลี่ยนแปลงแบบสุ่มระหว่างบุคคล มีการใช้กันอย่างแพร่หลายในสังคมวิทยา จิตวิทยา และสาขาอื่นๆ หน่วยความจำเป็นตัวบ่งชี้ที่สำคัญสำหรับผู้คนในการวัดการทำงานของสมอง และส่งผลโดยตรงต่อการเรียนรู้และชีวิตของผู้คน แต่ความสัมพันธ์ระหว่างเอฟเฟกต์สุ่มและหน่วยความจำคืออะไรกันแน่?

การวิจัยแสดงให้เห็นว่ามีความสัมพันธ์กันระหว่างเอฟเฟกต์แบบสุ่มและหน่วยความจำ เมื่อปฏิบัติงานเกี่ยวกับหน่วยความจำ การรบกวนจากปัจจัยสุ่มจะลดประสิทธิภาพและความแม่นยำในการดำเนินการให้เสร็จสิ้นของแต่ละบุคคล ซึ่งส่งผลต่อประสิทธิภาพของหน่วยความจำ ในทำนองเดียวกัน การฝึกความสามารถในการป้องกันการรบกวนของแต่ละบุคคลสามารถปรับปรุงความสามารถในการตอบสนองต่อเอฟเฟกต์แบบสุ่ม ซึ่งจะช่วยปรับปรุงความจำ

นอกจากนี้ คนกลุ่มต่างๆ ตอบสนองต่อปัจจัยสุ่มที่แตกต่างกันออกไป บางคนมีความสามารถในการปรับตัวที่ดีและแสดงความสามารถในการจดจำได้ดีขึ้นเมื่อเผชิญกับสภาพแวดล้อมที่มีการสุ่มตัวอย่างสูง ในขณะที่บางคน ปัจจัยสุ่มจะทำให้เกิดการรบกวนมากเกินไปและทำให้ความจำลดลง ระดับ. สิ่งนี้เกี่ยวข้องกับความสามารถความจำขั้นพื้นฐาน คุณภาพจิตใจ ประสบการณ์ชีวิต และปัจจัยอื่นๆ ของแต่ละบุคคล

ดังนั้นเราจึงจำเป็นต้องตระหนักถึงผลกระทบของผลกระทบแบบสุ่มต่อหน่วยความจำ และใช้วิธีการทางวิทยาศาสตร์เพื่อปรับปรุงความสามารถในการป้องกันการรบกวนส่วนบุคคลและความสามารถในการปรับตัวเพื่อปรับปรุงระดับหน่วยความจำ ฉันเชื่อว่าตราบใดที่เราทุ่มเทอย่างเต็มที่ พึ่งพาวิทยาศาสตร์และเทคโนโลยีเพื่อสำรวจอย่างต่อเนื่อง และปรับปรุงคุณภาพตนเองอย่างต่อเนื่อง เราจะสามารถก้าวไปข้างหน้าต่อไปบนถนนเพื่อไล่ตามชีวิตที่ยอดเยี่ยมและเชี่ยวชาญชีวิตที่วิเศษยิ่งขึ้น! จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาแผนโบราณของจีนที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

ตามที่คาดไว้ การสนับสนุนการเปิดใช้งานรูปแบบพหูพจน์ที่ไม่ใช่เพศชายมีความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญกับความน่าจะเป็นของตัวเลือกรูปแบบที่ไม่ใช่เพศชาย หรือ {{0}}.78, p < .001, 95 % ซีไอ [3.82, 12.03] รูปที่ 4 (บานหน้าต่างด้านซ้าย) ยังแสดงให้เห็นว่าความสัมพันธ์นี้ไม่สมมาตรประมาณ 0 ซึ่งสะท้อนถึงอคติที่ชัดเจนต่อรูปแบบกริยาของผู้ชาย ซึ่งถึงแม้จะมีหลักฐาน (ตามการเปิดใช้งาน) ที่สนับสนุนรูปแบบที่ไม่ใช่เพศชาย แต่ก็ยังสามารถนำไปสู่ความพึงพอใจในรูปแบบเพศชายได้ นอกจากนี้ และสอดคล้องกับสมมติฐานของเรา เงื่อนไขพหุนามลำดับที่สองของการสนับสนุนการเปิดใช้งานเป็นตัวทำนายที่สำคัญของเวลาตอบสนอง เนื่องจากมีความสัมพันธ์กำลังสองระหว่างการสนับสนุนการเปิดใช้งานและเวลาตอบสนอง โดยมีการตอบสนองที่ช้าที่สุดที่บันทึกไว้สำหรับเหตุการณ์ที่ได้รับการสนับสนุนน้อยที่สุด b {{ 12}} −0.20, p=.012, 95% CI [−0.35, −0.04]; ดูเพิ่มเติมรูปที่ 4 บานหน้าต่างด้านขวา

ผลลัพธ์เหล่านี้ชี้ให้เห็นว่าแบบจำลองที่ติดตั้งไว้ทำงานได้ดีในการทำนายการเลือกรูปแบบของผู้เข้าร่วม และข้อมูลที่ถูกเข้ารหัสในน้ำหนักการเชื่อมโยง ซึ่งเป็นสกุลเงินพื้นฐานของแบบจำลอง R-W เป็นตัวทำนายที่ดีทั้งความน่าจะเป็นในการเลือกรูปแบบกริยาเฉพาะและความเร็ว ที่มีการตอบรับเกิดขึ้น ระดับข้อตกลงของผู้เข้าร่วมเกี่ยวกับการเลือกรูปแบบกริยาบางรูปแบบจึงแตกต่างกันไปขึ้นอยู่กับการสนับสนุนการเปิดใช้งานของรูปแบบนั้น ๆ โดยคาดว่าจะมีข้อตกลงในระดับสูงและได้รับการยืนยันสำหรับค่าสนับสนุนการเปิดใช้งานเชิงบวกหรือเชิงลบที่สูง และคาดว่าจะไม่เห็นด้วยในระดับสูง และยืนยันการสนับสนุนการเปิดใช้งานประมาณศูนย์

ระดับข้อตกลงระหว่างผู้เข้าร่วมผ่านเลนส์ของแบบจำลอง

เราวิเคราะห์พฤติกรรมของผู้เข้าร่วมเพิ่มเติมโดยการสำรวจคำถามเพิ่มเติมสองข้อ ประการแรก ผู้เรียนภาษามีข้อตกลงในระดับใด เมื่อพิจารณาถึงเหตุการณ์ประเภทใดประเภทหนึ่ง (เช่น เหตุการณ์ที่ประกอบด้วยสัญญาณจากเพศไวยากรณ์เดียวกัน กับเหตุการณ์ที่ผสมผสานสัญญาณของเพศไวยากรณ์ที่แตกต่างกัน) ประการที่สองและสำคัญอย่างยิ่ง สามารถอธิบายความแตกต่างในระดับของข้อตกลงได้อย่างเหมาะสมโดยใช้แบบจำลอง R-W หรือไม่

เพื่อตอบคำถามเหล่านี้ เราได้วิเคราะห์ผลกระทบของการมีอยู่ของแต่ละหมวดหมู่เหตุการณ์ต่อสัดส่วนของผู้เข้าร่วมที่เลือกหนึ่งในสองรูปแบบคำกริยา (สำหรับรายการหมวดหมู่เหตุการณ์ทั้งหมดที่ใช้ในงานนี้ ดูภาคผนวก S3 ในข้อมูลสนับสนุนออนไลน์) เพื่อให้ได้ค่าประมาณแบบจำลองของสัดส่วน เราใช้แบบจำลองเอฟเฟกต์ผสมเชิงเส้นทั่วไปที่เราสร้างขึ้นในการวิเคราะห์ก่อนหน้านี้ (ตารางที่ 3 ซ้าย) เพื่อสร้างแบบจำลองความสัมพันธ์ระหว่างการสนับสนุนการเปิดใช้งานและการเลือกรูปแบบพหูพจน์ที่ไม่ใช่เพศชาย โดยเฉพาะอย่างยิ่ง สำหรับแต่ละหมวดหมู่ของเหตุการณ์ เราได้เฉลี่ยสัดส่วนที่คาดการณ์ของแบบจำลองของรูปแบบที่ไม่ใช่เพศชาย โดยพิจารณาจากค่าสนับสนุนการเปิดใช้งานของผู้เข้าร่วม (เนื่องจากผู้เข้าร่วมแต่ละคนพบแต่ละหมวดหมู่ของเหตุการณ์หนึ่งครั้ง) ผลลัพธ์จะถูกสรุปไว้ในรูปที่ 5 เหตุการณ์ใน ตัวเลขถูกจัดเรียงตามลำดับไม่มากไปน้อยตามสัดส่วนตัวเลือกที่สังเกตได้ในการทดลอง ดังนั้นด้านซ้ายสุดและด้านขวาสุดแสดงถึงพื้นที่ที่มีข้อตกลงในระดับสูงระหว่างผู้เข้าร่วม ในขณะที่เหตุการณ์ที่อยู่ตรงกลางทำให้เกิดความขัดแย้งในระดับสูงระหว่างผู้เข้าร่วม

ผู้เข้าร่วมมีความชื่นชอบที่ชัดเจนสำหรับรูปแบบพหูพจน์ของผู้ชาย เมื่องานมีคิวส่วนบุคคลของผู้ชาย (uMP) หรือเมื่องานรวมเฉพาะสัญญาณของผู้ชายที่เคลื่อนไหวได้ (เช่น "uMA1 + uMA2") ในทำนองเดียวกัน ผู้เข้าร่วมชอบรูปแบบพหูพจน์ที่ไม่ใช่เพศชายเมื่อเหตุการณ์มีแต่ตัวชี้นำที่เป็นผู้หญิง ไม่ว่าจะเป็นเรื่องส่วนตัวหรือภาพเคลื่อนไหว (เช่น "uFA +uFP") ส่วนใหญ่มีการสังเกตความขัดแย้งในระดับสูงสำหรับเหตุการณ์ที่ผสมระหว่างคิวที่ถูกบล็อกและคิวของผู้หญิง หรือภาพเคลื่อนไหวของผู้ชายและคิวส่วนตัวของผู้หญิง (โดยมีสัดส่วนระหว่าง .44 ถึง .51)

เมื่อเปรียบเทียบสัดส่วนที่สังเกตได้และที่คาดการณ์ไว้ แบบจำลองนี้สามารถจับความแตกต่างในระดับข้อตกลงระหว่างผู้เข้าร่วมในกิจกรรมประเภทต่างๆ ได้ดีอย่างน่าประหลาดใจ ความแตกต่างที่ใหญ่ที่สุดระหว่างสัดส่วนที่สังเกตได้และที่คาดการณ์ไว้ดูเหมือนจะเกิดขึ้นสำหรับเหตุการณ์ที่เกี่ยวข้องกับสัญญาณที่ถูกบล็อกและการยับยั้ง ซึ่งบ่งบอกว่าแบบจำลองจะท้าทายมากขึ้นในการจับภาพผลกระทบต่อตัวเลือกของผู้เข้าร่วม

ความสัมพันธ์ระหว่างคุณภาพที่พอดีกับโมเดลและการวัดความแตกต่างส่วนบุคคล ผลลัพธ์ของแบบจำลองที่พอดีแสดงให้เห็นว่าแบบจำลอง R-W สามารถพิจารณาพฤติกรรมของผู้เข้าร่วมในสัดส่วนขนาดใหญ่ของเราได้สำเร็จ รวมถึงเวลาตอบสนองของพวกเขาด้วย อย่างไรก็ตาม คุณภาพของความพอดีนั้นแตกต่างกันไปในแต่ละผู้เข้าร่วม โดยข้อมูลจากผู้เข้าร่วมไม่กี่รายนั้นไม่เหมาะสมกับโมเดลนี้มาก ในความพยายามที่จะประเมินว่ามาตรการอื่นๆ ที่รวบรวมระหว่างการทดลอง (ลักษณะทางประชากรศาสตร์ ช่วง WM และการเรียนรู้โดยนัย) สามารถอธิบายความแตกต่างของแต่ละบุคคลที่สังเกตได้ในคุณภาพที่พอดีกับแบบจำลองหรือไม่ เราได้ดำเนินการการถดถอยเชิงเส้นพหุคูณเพื่อทำนายอัตราการจับคู่ของผู้เข้าร่วมและแบบจำลอง (logit -เปลี่ยนรูป) โดยยึดตามมาตรการวัดความแตกต่างของแต่ละบุคคลที่รวบรวมไว้ โดยเฉพาะตัวทำนายรวมถึงช่วง WM (แปลงรูป z) เพศและอายุ ความลาดชันของเวลาที่แยกออกมาสำหรับผู้เข้าร่วมแต่ละคนจากงานการเรียนรู้โดยปริยายไม่ได้มีส่วนช่วยอย่างมีนัยสำคัญและมีการรายงานไว้ในภาคผนวก S5 ในข้อมูลสนับสนุนออนไลน์

จากแบบจำลองการถดถอยเชิงเส้นเต็มรูปแบบที่รวมตัวแปรการวัดทั้งสี่ตัว ตลอดจนปฏิสัมพันธ์ระหว่างเพศและช่วง WM เราได้แบบจำลองสุดท้ายที่มีเฉพาะตัวแปรที่มีนัยสำคัญโดยใช้การเลือกตัวแปรย้อนหลังตามการทดสอบอัตราส่วนความน่าจะเป็น ข้อมูลจากผู้เข้าร่วมสองคนถูกละเว้นจากการวิเคราะห์นี้ เนื่องจากผู้เข้าร่วมรายหนึ่งไม่ได้รายงานเพศของตน และอีกรายหนึ่งถูกระบุว่าเป็นสิ่งที่ผิดปกติอย่างมาก ดังที่อธิบายไว้ในส่วนของงาน WM โดยรวมแล้ว ข้อมูลจากผู้เข้าร่วม 61 คนถูกป้อนเข้าสู่โมเดลการถดถอยเชิงเส้น โมเดลที่ดีที่สุดหลังจากการเลือกตัวแปรรวมทั้งช่วง WM และเพศ แต่ไม่ใช่การโต้ตอบ (ตารางที่ 4)

ความแม่นยำของโมเดลพอดีเพิ่มขึ้นอย่างมากเมื่อเพิ่มช่วง WM,b {{0}}.17, p=.008, 95% CI [{{24 }}.05, 0.30] ดังแสดงในรูปที่ 6 (บานหน้าต่างด้านซ้าย) และสูงกว่าอย่างมีนัยสำคัญสำหรับผู้เข้าร่วมเพศหญิง (M=.69, SD=.17) ซึ่งไม่เปรียบเทียบ กับผู้เข้าร่วมชาย (M=.63, SD=.16), b=−0.28, p =.033, 95% CI [−0.54, −0.02 ] ดังแสดงในรูปที่ 6 (บานหน้าต่างด้านขวา) เพื่อตรวจสอบว่าการกำจัดสิ่งตกค้างที่มีอิทธิพลไม่ส่งผลกระทบต่อการค้นพบของเรา เราใช้การวิจารณ์แบบจำลองตามที่อธิบายไว้ใน Baayen และ Milin (2010); การไม่รวมสิ่งตกค้างสุดขั้วเดี่ยวที่มีคะแนน az มากกว่า 2.5 ในแบบจำลองของเราส่งผลให้ผลกระทบรุนแรงยิ่งขึ้น (p=.004 สำหรับช่วง WM และ p=.007 สำหรับเพศ) นอกจากนี้ WM span ไม่มีความสัมพันธ์อย่างมีนัยสำคัญกับเพศ (p=.058) ซึ่งชี้ให้เห็นว่าความสัมพันธ์ของพวกเขาไม่น่าจะมีอิทธิพลต่อผลกระทบของเพศและ WM span ต่อความแม่นยำของแบบจำลอง (ดูภาคผนวก S9 ในข้อมูลสนับสนุน ออนไลน์เพื่อดูรายละเอียดเพิ่มเติม) การค้นพบของเราแสดงให้เห็นว่าการมีความสามารถ WM ที่เพิ่มขึ้นหรือการเป็นผู้หญิงเพิ่มโอกาสที่ผู้เข้าร่วมจะเลือกรูปแบบกริยาโดยแบบจำลอง R-W ในงานการเรียนรู้ภาษาของเรา

การอภิปราย

สรุปผลการวิจัย

การค้นพบของเราแสดงให้เห็นว่ากลไก R-W รวบรวมได้ดีว่าผู้เข้าร่วมเรียนรู้ข้อตกลงเรื่อง - กริยาในภาษาที่ซับซ้อนทางสัณฐานวิทยาอย่างไร และโดยการขยายว่าพวกเขาอาจเรียนรู้ภาษาผ่านการสัมผัสกับมันได้อย่างไร ด้วยความแม่นยำโดยเฉลี่ยของความพอดีที่ 68% โดยอิงตามกลยุทธ์การตัดสินใจตามการเปิดใช้งานอย่างง่าย แบบจำลองจะอธิบายตัวเลือกรูปแบบคำกริยาที่ทำโดยผู้เข้าร่วมในสัดส่วนค่อนข้างมาก7 ที่น่าสนใจกว่านั้นคือ การวัดตามการกระตุ้นซึ่งแยกมาจากแบบจำลองที่เหมาะสมที่สุดมีความสัมพันธ์กัน อย่างยิ่งกับทั้งความเป็นไปได้ในการเลือกรูปแบบกริยาเฉพาะและเวลาที่ใช้ในการตัดสินใจเลือกนั้น

แบบจำลองยังให้ข้อมูลเชิงลึกว่าทำไมผู้เข้าร่วมจึงแสดงระดับข้อตกลงสูงหรือต่ำเมื่อเลือกรูปแบบคำกริยา ขึ้นอยู่กับลักษณะของหัวข้อของประโยค ตามแบบจำลอง นี่เป็นเพราะจุดแข็งของความสัมพันธ์ที่ผู้เข้าร่วมได้รับ ซึ่งใช้ในการคำนวณการสนับสนุนการเปิดใช้งานสำหรับแต่ละรูปแบบคำกริยาที่เป็นไปได้ ความแข็งแกร่งของความสัมพันธ์เหล่านี้ส่วนใหญ่ได้รับผลกระทบจาก (ก) อัตราการเรียนรู้ของผู้เรียนสำหรับสัญญาณ (อัตราการเรียนรู้กำหนดขนาดของการแก้ไขน้ำหนัก ขึ้นอยู่กับข้อผิดพลาดโดยประมาณในการทดลองแต่ละครั้ง) และ (ข) การกระจายของเหตุการณ์การเรียนรู้ที่พวกเขาพบในระหว่าง ขั้นตอนการเรียนรู้ (รวมถึงความถี่ของเหตุการณ์การเรียนรู้แต่ละครั้ง ลำดับของเหตุการณ์การเรียนรู้ และอื่นๆ) ดังนั้น คำทำนายประการหนึ่งจากการศึกษาของเราก็คือ การเปลี่ยนแปลงลำดับหรือความถี่สัมพัทธ์ของเหตุการณ์การเรียนรู้ระหว่างการฝึกอบรมอาจนำไปสู่รูปแบบการเลือกที่แตกต่างจากที่เราสังเกตเห็นที่นี่

นอกจากนี้เรายังพบความสัมพันธ์ที่สำคัญระหว่างทั้งเพศและความจุ WM และอัตราการจับคู่ของผู้เข้าร่วมและแบบจำลอง ซึ่งให้ความกระจ่างเกี่ยวกับสิ่งที่อาจขับเคลื่อนความแตกต่างที่สังเกตได้ในคุณภาพของแบบจำลองที่พอดี ความจริงที่ว่าในการทดลองของเราผู้หญิงในสัดส่วนที่ใหญ่กว่าผู้ชายที่กระทำโดยกลไก R-W นั้นสอดคล้องกับข้อค้นพบจากการศึกษาก่อนหน้านี้หลายครั้งที่เน้นความสัมพันธ์ระหว่างเพศและการปรับสภาพแบบคลาสสิกสำหรับมนุษย์ทั้งสอง (Lonsdorf et al., 2015; Merz et อัล., 2018) และสัตว์ต่างๆ(เช่น Velasco et al., 2019) สิ่งนี้ชี้ให้เห็นถึงความแตกต่างที่สำคัญในการเรียนรู้ระหว่างชายและหญิง โดยที่ผู้หญิงได้รับการจำลองที่ดีกว่าตามกฎการเรียนรู้การแก้ไขข้อผิดพลาด R-W โดยทั่วไปเป็นที่รู้กันว่าผู้หญิงมีข้อได้เปรียบทางภาษาเล็กน้อยเหนือผู้ชาย (ดู Kimura, 1999 สำหรับการประเมินอย่างละเอียด) โดยเฉพาะในด้านการค้นหาคำศัพท์ (Balling & Baayen, 2008, 2012) มีการเสนอแนะว่านี่อาจเป็นเพราะผู้หญิงมีความทรงจำในการประกาศที่ดีกว่า ซึ่งพวกเธอสามารถใช้เพื่อสรุปรูปแบบใกล้เคียงที่เก็บไว้ (Hartshorne & Ullman, 2006)

การค้นพบว่าความน่าจะเป็นของผู้เรียนภาษาที่ประพฤติตามกลไก R-W เพิ่มขึ้นด้วยความสามารถของ WM ให้หลักฐานว่า WM สามารถมีบทบาทในการปรับสภาพแบบคลาสสิกโดยส่งผลกระทบต่อการนำกลไกการปรับสภาพแบบคลาสสิกมาใช้ เช่น กฎ R-W Sasaki (2009) และ Baetu และคณะ (2018) ก่อนหน้านี้ได้จัดเตรียมหลักฐานของการหยุดชะงักของประสิทธิภาพการปรับสภาพแบบคลาสสิกเมื่อโหลด WM โดยใช้กระบวนทัศน์แบบงานคู่ การค้นพบในปัจจุบันได้เพิ่มหลักฐานที่เพิ่มขึ้นว่า เมื่อเทียบกับความเชื่อหลัก WM อาจเกี่ยวข้องกับกระบวนการรับรู้ระดับต่ำ เช่น การเรียนรู้ด้วยเครื่องมือ ที่เรียกกันทั่วไปว่าการเรียนรู้แบบเสริมกำลังภายในชุมชนประสาทวิทยาศาสตร์และการเรียนรู้ของเครื่อง (Collins & Frank,2012; Ez-zizi, 2016) และในรูปแบบการเรียนรู้โดยปริยายบางรูปแบบ (Medimorec et al.,2021)

เอฟเฟกต์คล้ายการบล็อกและการยับยั้งไม่ได้เกิดขึ้นจาก R – Wmodel สำหรับผู้เข้าร่วมทั้งหมด ดังที่แสดงไว้ สาเหตุหลักมาจากระยะเวลาการฝึกที่สั้น การเพิ่มจำนวนการทดลองฝึกอบรมไม่เพียงแต่ส่งผลให้เกิดการบล็อกเอฟเฟกต์อีกครั้งสำหรับพารามิเตอร์ที่เหมาะสมที่สุดของผู้เข้าร่วมทุกคน แต่ยังลบความแปรปรวนในน้ำหนักการเชื่อมโยงด้วย จึงคาดการณ์ว่าผู้เข้าร่วมทุกคนควรจะประพฤติตนในลักษณะเดียวกันในระยะยาว ( ดูภาคผนวก S7 ในข้อมูลสนับสนุนออนไลน์) นี่ไม่ใช่เรื่องน่าแปลกใจเลยเมื่อเทียบกับงานของ Danks (2003) ซึ่งแสดงให้เห็นว่า ในหลายกรณี ระบบ R-W จะมาบรรจบกันที่สมดุลเดียวกันโดยไม่คำนึงถึงพารามิเตอร์ที่ใช้ กล่าวอีกนัยหนึ่ง จุดหมายปลายทางของผู้เรียนมักจะเหมือนกัน (นี่เป็นที่พึงปรารถนาเช่นกันเนื่องจากเรามักต้องการให้ผู้เรียนทุกคนเรียนรู้ที่จะสร้างความสัมพันธ์แบบเดียวกัน) แต่เส้นทางไปยังจุดหมายปลายทางเหล่านั้นอาจแตกต่างกันอย่างมากขึ้นอยู่กับลักษณะของปัญหาการเรียนรู้ (เช่น จำนวน ข้อมูลที่มีอยู่ ความถี่สัมพัทธ์ของเหตุการณ์ จำนวนสัญญาณและผลลัพธ์) สิ่งนี้มีผลกระทบมากมายสำหรับการศึกษาการเรียนรู้ภาษาที่ใช้โมเดล R-W ดังที่อภิปรายในหัวข้อถัดไป

นัยสำหรับการศึกษาการเรียนรู้ภาษาที่ใช้โมเดล Rescorla–Wagner

กลุ่มวิจัยภาษาหลายแห่งได้นำโมเดล R-W มาใช้เป็นแนวทางที่มีคุณค่าสำหรับการสร้างแบบจำลองปรากฏการณ์การเรียนรู้ภาษา เนื่องจากความเรียบง่าย ความเป็นไปได้ทางการรับรู้ และความสำเร็จในการอธิบายปรากฏการณ์การเรียนรู้ภาษาที่หลากหลาย การศึกษาครั้งนี้ให้การสนับสนุนเพิ่มเติมสำหรับการจำลองการเรียนรู้ภาษาโดยใช้แบบจำลองนี้ แต่ยังดึงความสนใจไปที่ประเด็นสำคัญของความแตกต่างระหว่างแต่ละบุคคล ซึ่งจนถึงขณะนี้ถูกมองข้ามในการศึกษาที่ผสมผสานการสร้างแบบจำลองทางคอมพิวเตอร์โดยใช้แบบจำลอง R-W และข้อมูลการทดลอง

เมื่อพิจารณาถึงจำนวนความแตกต่างส่วนบุคคลที่เราสังเกตเห็นในข้อมูลของเรา จะเป็นการระมัดระวังที่จะย้ายออกจากแนวทางที่โดดเด่นในปัจจุบันซึ่งโมเดล R-W จะถูกรันหนึ่งครั้งด้วยค่าพารามิเตอร์เริ่มต้นและใช้เพื่ออธิบายข้อมูลจากผู้เข้าร่วมทั้งหมด แม้ว่าผลกระทบของพารามิเตอร์อัตราการเรียนรู้ต่อความแม่นยำของแบบจำลองนั้นไม่สำคัญสำหรับงานที่เลือก แต่ในทางปฏิบัติ ประสิทธิภาพ R-W จะได้รับผลกระทบจากการเลือกอัตราการเรียนรู้เสมอ โดยไม่คำนึงถึงความท้าทายในการสร้างแบบจำลองโดยเฉพาะ (Milin, Divjak และ บายเอน, 2017, หน้า 1739–1741)

แนวทางปฏิบัติทั่วไปอีกประการหนึ่งที่อาจจำเป็นต้องพิจารณาใหม่คือการฝึกโมเดลบนชุดข้อมูลขนาดใหญ่ชุดเดียวหรือชุดย่อยขนาดเล็ก ด้วยเหตุนี้ คุณลักษณะที่ทำให้โมเดลแตกต่างจากแบบจำลองการจำแนกประเภททางสถิติล้วนๆ กล่าวคือ ความเป็นไปได้ในการเลือกพารามิเตอร์ที่บันทึกว่าบุคคลสามารถเรียนรู้ได้เร็วแค่ไหน และความสามารถในการคำนึงถึงผลกระทบของลำดับอินพุต จึงยังคงไม่ได้ใช้ ดังนั้นจึงไม่น่าแปลกใจที่งานวิจัยหลายชิ้นรายงานความแตกต่างเพียงเล็กน้อยหรือไม่มีเลยระหว่างแบบจำลอง R-W กับแบบจำลองทางสถิติหรือการเรียนรู้อื่นๆ เช่น การถดถอยลอจิสติกส์ การเรียนรู้บนหน่วยความจำ และแผนผังการตัดสินใจ (Baayen, 2011;Baayen et al. , 2013) ด้วยแนวทางดังกล่าว ข้อได้เปรียบหลักของแบบจำลอง R-W เหนือเทคนิคทางสถิติล้วนๆ คือความสามารถในการดำเนินการเรียนรู้แบบส่วนเพิ่มเมื่อมีข้อมูล อย่างไรก็ตาม ข้อได้เปรียบแบบเดียวกันนี้สามารถหาได้จากโมเดลโครงข่ายประสาทเทียมใดๆ ที่ไม่มีเลเยอร์ที่ซ่อนอยู่ เนื่องจากโมเดลดังกล่าวสามารถสร้างน้ำหนักระหว่างตัวชี้นำและผลลัพธ์ได้ แม้ว่าจะมีกฎการเรียนรู้ที่แตกต่างและเป็นไปได้น้อยกว่า (ในที่นี้เราพูดถึงกฎการเรียนรู้แบบ backpropagation เป็นหลัก) ซึ่งปัจจุบันเป็นแนวทางหลักในการฝึกโมเดลโครงข่ายประสาทเทียม) ด้วยโมเดลดังกล่าว วิธีการปรับโมเดลแบบเดียวกับที่เราใช้ที่นี่ยังคงสามารถนำมาใช้ได้ แต่ด้วยชุดพารามิเตอร์ที่แตกต่างกันในการปรับแต่ง เช่น ประเภทของฟังก์ชันการเปิดใช้งาน จำนวนเซลล์ประสาท และอัตราการเรียนรู้

งานล่าสุดในกรอบงานตามการใช้งานได้เน้นถึงความแตกต่างส่วนบุคคลมากมายที่แสดงถึงความรู้ทางภาษาในกลุ่มประชากรภาษาแรก ความแตกต่างส่วนบุคคลในด้านไวยากรณ์มีขนาดที่เทียบเคียงได้กับความรู้ด้านคำศัพท์ และสัมพันธ์กับทั้งคุณภาพของข้อมูลที่นำเข้าและความสามารถทางปัญญาของผู้เรียน (D ˛ อโบรว์สกา, 2018) การค้นพบของเราแสดงให้เห็นว่าการปรับโมเดลแต่ละแบบควรเป็นตัวเลือกเริ่มต้นเมื่อเปรียบเทียบโมเดล R-W หรือโมเดลการคำนวณอื่นๆ กับข้อมูลของผู้เข้าร่วม โดยเฉพาะอย่างยิ่ง พารามิเตอร์แบบจำลองและการป้อนข้อมูลควรได้รับการปรับเปลี่ยนแยกกันสำหรับผู้เข้าร่วมแต่ละรายเพื่อให้สามารถพิจารณาการตอบสนองของแต่ละคนได้ดีขึ้น และได้รับภาพที่แน่ชัดมากขึ้นว่าความรู้เกี่ยวกับกฎต่างๆ อยู่ที่ไหน ไม่ว่าจะอยู่ในจิตใจรวมของนักภาษาศาสตร์หรือรายบุคคล จิตใจของผู้ใช้(Divjak, 2018) และวิธีกระจายข้อมูลดังกล่าวไปทั่วประชากร ข้อมูลของเรายังสนับสนุนจุดยืนตามการใช้งานที่ว่าความรู้ทางภาษาของเราถูกกำหนดโดยลักษณะส่วนบุคคลและความรู้ความเข้าใจของเรา ดังที่ยืนยันโดยบทบาทที่สำคัญของ WM และเพศในคุณภาพของแบบจำลองที่เหมาะสม ปัจจัยดังกล่าวควรได้รับการพิจารณาเป็นค่าเริ่มต้นเมื่อสร้างแบบจำลองภาษา

ข้อจำกัดและทิศทางในอนาคต

การศึกษาของเราเป็นงานวิจัยชิ้นแรกที่ปรับโมเดล R-W ให้เข้ากับพฤติกรรมของผู้เรียนแต่ละคนในงานการเรียนรู้ภาษาจริง เราใช้โมเดล R-W ในรูปแบบที่มีอยู่ในขณะนี้ แต่การค้นพบของเรา แม้จะมีแนวโน้มที่ดี แต่ก็แสดงให้เห็นว่าอาจเป็นเรื่องที่น่าสนใจที่จะขยายโมเดลเพื่อจัดการกับข้อจำกัดความจุ WM การตรวจสอบเพิ่มเติมในทิศทางดังกล่าวอาจได้รับแรงบันดาลใจจากงานในการเรียนรู้แบบเสริมกำลัง ซึ่งเป็นสาขาที่เกี่ยวข้องอย่างใกล้ชิดกับการปรับสภาพแบบคลาสสิก โดยที่การเรียนรู้ยังเชื่อกันมานานแล้วว่าจะเกิดขึ้นในพื้นที่ต่างๆ มักเกี่ยวข้องกับการทำงานของการรับรู้ระดับต่ำ เช่น แถบหลังและหน้าท้อง (Balleine & O'Doherty, 2010) แต่ขณะนี้ได้รับการยอมรับว่าเกี่ยวข้องกับการควบคุมการรับรู้ระดับสูงผ่าน WM สิ่งนี้ได้นำไปสู่การพัฒนากรอบการเรียนรู้ใหม่ โดยที่ WM ได้รับการจำลองอย่างชัดเจนว่าเป็นองค์ประกอบหลักที่สนับสนุนการเรียนรู้โดยการเก็บรักษาข้อมูลจากการทดลองครั้งก่อน (เช่น ดู Collins & Frank, 2012; Ezzizi et al., 2015) นี่อาจเป็นแนวทางสำหรับ R-W และโมเดลการปรับสภาพแบบคลาสสิกอื่นๆ โดยเฉพาะอย่างยิ่งเนื่องจากในการศึกษาภาษาที่ใช้การจำลองขนาดใหญ่ กิจกรรมการเรียนรู้มักจะประกอบด้วยตัวชี้นำจำนวนมาก (เช่น ไตรกราฟหรือคำทั้งหมดในประโยคเดียว) ซึ่งไม่สามารถ ได้รับการประมวลผลทันทีโดยผู้เรียนที่เป็นมนุษย์—ตามที่จำเป็นในการอัปเดตโมเดล R–W—เนื่องจากข้อจำกัดด้านความจุ WM ที่ทราบ (ดู Glautier, 2013 และ Baayen et al., 2016 สำหรับความพยายามในช่วงแรกๆ ในทิศทางนี้)

อีกทิศทางหนึ่งสำหรับการขยายงานของเราในอนาคตคือการรวบรวมคำตอบของผู้เข้าร่วมเมื่อเวลาผ่านไปในขณะที่พวกเขาได้รับการฝึกอบรมเกี่ยวกับการเชื่อมโยงคิว-ผลลัพธ์ แทนที่จะมีขั้นตอนการทดสอบหลังการเรียนรู้แยกต่างหาก สิ่งนี้จะมีศักยภาพในการปรับปรุงแบบจำลองให้เหมาะสมยิ่งขึ้น และเพื่อให้ภาพที่กว้างขึ้นของพฤติกรรมของผู้เข้าร่วมในขณะที่พวกเขากำลังเรียนรู้งาน นอกจากนี้ สิ่งนี้อาจช่วยให้ดึงการวัดการเรียนรู้ตามความชันของเวลาสำหรับงานการเรียนรู้ภาษา ดังเช่นที่เราทำกับงานการเรียนรู้โดยนัย และด้วยเหตุนี้จึงเพิ่มความเป็นไปได้ในการค้นหาความเชื่อมโยงระหว่างการเรียนรู้โดยนัยและคุณภาพของความเหมาะสมของ R- รุ่น W (ดูการสนทนาของเราในภาคผนวก S5 ในข้อมูลสนับสนุนทางออนไลน์) ความเชื่อมโยงระหว่างการวัดทั้งสองสามารถตรวจสอบได้ด้วยการปรับโมเดล R-W ให้เหมาะสมกับเวลาตอบสนองที่รวบรวมในงานการเรียนรู้โดยนัย ดังที่ทำโดย Notaro และคณะ (2018) แทนที่จะใช้ความลาดชันตามเวลาเท่านั้นหรือทั้งสองอย่างผสมกัน

ในที่สุด โครงสร้างเฉพาะของงานการเรียนรู้ภาษาของเราได้รับการสนับสนุนกลยุทธ์เชิงทฤษฎี (ลำเอียงแบบผู้ชาย) แต่คำถามที่น่าสนใจที่ยังไม่มีคำตอบก็คือ เราสามารถใช้แบบจำลอง R-W เพื่อทำนายการเกิดขึ้นของกลยุทธ์ที่แตกต่างกันเมื่อเราเปลี่ยนแปลงโครงสร้างของการป้อนข้อมูลภาษาหรือไม่ และควบคุมความแตกต่างระหว่างผู้เรียนภาษาแต่ละบุคคล แนวทางการใช้แบบจำลอง R-W เพื่ออธิบายหรือทำนายระดับของข้อตกลงระหว่างผู้ใช้ภาษาสามารถขยายออกไปได้มากกว่าข้อตกลงเรื่องกริยาของโปแลนด์ในรูปพหูพจน์อดีตกาล ครอบคลุมแง่มุมอื่น ๆ ของภาษาที่ขาดความเห็นพ้องต้องกันในการใช้ภาษา (เช่น ดู Geeraert และคณะ, 2020; Milin, Divjak, & Baayen, 2017)

บทสรุป

โมเดล R–W เป็นรูปแบบการเรียนรู้ที่เรียบง่ายมาก แต่ก็มีแหล่งที่มาหลายรูปแบบที่สามารถใช้เพื่ออธิบายพฤติกรรมของผู้เข้าร่วมในการทดลองการเรียนรู้ภาษา ซึ่งรวมถึงอัตราการเรียนรู้ของแบบจำลอง ลำดับการนำเสนอตัวอย่างการเรียนรู้ และความถี่สัมพัทธ์ของการเกิดขึ้นพร้อมกันของคิวและผลลัพธ์ ในการศึกษาครั้งนี้ เราได้รวมแหล่งที่มาของการเปลี่ยนแปลงเหล่านี้อย่างเป็นระบบเมื่อปรับแบบจำลองให้เข้ากับข้อมูลของผู้เข้าร่วม ซึ่งทำให้แบบจำลองสามารถจับตัวเลือกและความล่าช้าในการตอบสนองของผู้เข้าร่วมส่วนใหญ่ในงานการเรียนรู้ภาษาในข้อตกลงเรื่องคำกริยาภาษาโปแลนด์ได้สำเร็จ นอกจากนี้ คุณลักษณะทางปัญญาและข้อมูลประชากร เช่น WM และเพศ เป็นตัวกำหนดขอบเขตการเรียนรู้ภาษาที่ถูกขับเคลื่อนโดยหลักการ R-W-likelearning

เปิดป้ายการวิจัย

บทความนี้ได้รับป้าย Open Data และ Open Materials สำหรับการเผยแพร่ข้อมูลที่แชร์แบบดิจิทัลได้ต่อสาธารณะ และส่วนประกอบของวิธีการวิจัยที่จำเป็นในการทำซ้ำขั้นตอนและผลลัพธ์ที่รายงาน ข้อมูลและเอกสารทั้งหมดที่ผู้เขียนใช้และมีสิทธิ์ในการแบ่งปันมีอยู่ที่ https://github.com/ooominds/Error-correction-mechanismsin-Language-learning และ https://doi.org/10.25500/edata.bham 00000911. วัสดุที่เป็นกรรมสิทธิ์ทั้งหมดได้รับการระบุอย่างแม่นยำในต้นฉบับ

หมายเหตุ

1 แนวคิดของการแข่งขันคิวยังเป็นหัวใจสำคัญของรูปแบบการแข่งขันของ Batesand MacWhinney (1987) เพื่อการเรียนรู้ภาษา อย่างไรก็ตาม โมเดลของพวกเขาใช้สัญลักษณ์เชิงสัญลักษณ์/ภาษาเป็นหลัก เช่น ลำดับคำ หรือลักษณะทางสัณฐานวิทยาของคำ และขึ้นอยู่กับแนวทางการเชื่อมต่อซึ่งต้องการสถาปัตยกรรมที่ซับซ้อนมากกว่าแบบจำลอง R-W

2 เนื้อหาของคลังข้อมูลใดๆ ที่ดีที่สุดคือการประมาณคร่าวๆ ของข้อมูลที่ผู้ใช้ภาษาได้รับ ในทางกลับกัน ภาษาประดิษฐ์เป็นเพียงภาพประกอบและเป็นข้อมูลสำหรับการทำความเข้าใจภาษาธรรมชาติ แต่แทบจะไม่สะท้อนความซับซ้อนที่พบในภาษาธรรมชาติใดๆ เลยตามความเป็นจริง

3 การใช้งานกฎ R-W ในช่วงแรกๆ ในรูปแบบการเรียนรู้แบบแบ่งแยกโดยไร้เดียงสานั้นอาศัยเวอร์ชันที่ไม่ต้องทำซ้ำของอัลกอริทึม ตามที่ Danks (2003) จัดหาให้ ซึ่งกำจัดความเป็นไปได้ที่จะเกิดผลกระทบลำดับใดๆ ที่เกิดขึ้น

สิ่งสำคัญที่ควรทราบคือที่นี่เราไม่สนใจที่จะทดสอบเอฟเฟกต์การบล็อกตามที่มักทำในการทดลองเชิงพฤติกรรมของการปรับสภาพแบบคลาสสิก ในการทดลองดังกล่าว จะรวมเฉพาะเหตุการณ์ที่เกี่ยวข้องกับการบล็อกเท่านั้น (การบล็อกมีการทดสอบแยกจากผลกระทบอื่นๆ) และการบล็อกได้รับการทดสอบบนคิวที่สองแทนที่จะเป็นคิวที่สามดังในกรณีของเรา (เช่น Kamin, 1969) นอกจากนี้ ผู้เรียนมักจะได้รับการฝึกอบรมเป็นเวลานานเพียงพอเพื่อให้แน่ใจว่าสัญญาณ "ปิดกั้น" จะกลายเป็นตัวทำนายที่ดีถึงผลลัพธ์ที่น่าสนใจ การตั้งค่าการทดลองที่สะอาดเช่นนี้ไม่ได้แสดงถึง "ความระส่ำระสาย" ที่แพร่หลายในภาษาธรรมชาติอย่างเป็นธรรม เนื่องจากการศึกษาของเราเป็นเรื่องเกี่ยวกับการเรียนรู้ภาษา เราจึงเลือกที่จะเลียนแบบสถานการณ์การเรียนรู้ที่สมจริงมากที่สุด

5 ผู้เข้าร่วมเพิ่มเติมประสบปัญหาอุปกรณ์ทำงานผิดปกติในช่วงกลางของขั้นตอนการทดสอบ และต้องทำการทดสอบใหม่ เราเก็บข้อมูลของผู้เข้าร่วมรายนี้ไว้เนื่องจากพวกเขาไม่ได้ผ่านการฝึกอบรมเพิ่มเติมใดๆ ในช่วงการทดสอบครั้งที่สอง ดังนั้นจึงเริ่มต้นการทดสอบใหม่ด้วยความรู้เดียวกันกับในการวิ่งครั้งแรก (โปรดจำไว้ว่าผลตอบรับจะมีให้ในช่วงการฝึกอบรมเท่านั้น) ผลของการสร้างความคุ้นเคยไม่ควรมีบทบาทในที่นี้ เนื่องจากผู้เข้าร่วมทุกคนได้ผ่านการทดลองฝึกหัด 2-3 ครั้งในทุกระยะก่อนที่จะเริ่มการทดลองจริง นอกจากนี้เรายังทำการวิเคราะห์ทั้งหมดใหม่โดยไม่มีข้อมูลของผู้เข้าร่วมรายนี้ และยืนยันว่าการลบออกไม่ได้เปลี่ยนแปลงผลลัพธ์ใดๆ ที่นำเสนอในรายงาน

6 ประเมินคุณภาพของแบบจำลองที่พอดีกับข้อมูลที่มองไม่เห็นได้รับการประเมินโดยใช้การตรวจสอบความถูกต้องแบบลา-หนึ่ง-ข้าม โดยเฉพาะสำหรับผู้เข้าร่วมแต่ละคน เราได้จัดกิจกรรมหนึ่งเหตุการณ์ที่พวกเขาพบในขั้นตอนการทดสอบและติดตั้งแบบจำลอง R-W กับเหตุการณ์ที่เหลือ จากนั้นแบบจำลองจะได้รับการประเมินเฉพาะในเหตุการณ์ที่สงวนไว้โดยการประเมินว่าคำตอบจากผู้เข้าร่วมตรงกับของ รุ่น R-W ที่เหมาะสมที่สุด ทำซ้ำสิ่งนี้สำหรับเหตุการณ์การทดสอบทั้งหมด จากนั้นคำนวณค่าเฉลี่ยความพอดี (ออกครั้งเดียว) นั่นคือ สัดส่วนของการจับคู่ระหว่างคำตอบจากผู้เข้าร่วมที่กำหนดในแต่ละเหตุการณ์ที่สงวนไว้ และการคาดการณ์ที่เกี่ยวข้องจาก R– ที่เหมาะสมที่สุดของผู้เข้าร่วม รุ่น W.

7 ในความเป็นจริง ระดับความแม่นยำนี้ถือได้ว่ายอดเยี่ยม เนื่องจากเราถือว่ากระบวนการเลือกการกระทำที่ไม่น่าจะเป็นไปง่ายมาก โดยจะเลือกรูปแบบคำกริยาหากมีการเปิดใช้งานสูงสุด สิ่งนี้ไม่ได้คำนึงถึงความแปรปรวนที่อาจเกิดขึ้นจากการสำรวจ การละเลยความสนใจ หรือเสียงในสมองโดยธรรมชาติ

อ้างอิง

1.อาดานี, เอส. และเซปาเนซ, เอ็ม. (2019) ความแตกต่างทางเพศในการพัฒนาการสื่อสารในระยะเริ่มแรก: ตัวบ่งชี้พฤติกรรมและระบบประสาทชีววิทยาของการพัฒนาระบบการสื่อสารที่มีความเสี่ยงมากขึ้นในเด็กผู้ชาย วารสารการแพทย์โครเอเชีย, 60(2),141–149.https://doi.org/10.3325/cmj.2019.60.141

2.แอมบริดจ์ บี. และลีเวน EVM (2011) การได้มาซึ่งภาษาเด็ก: แนวทางทางทฤษฎีที่ตรงกันข้าม สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์.

3.บาเยน, RH (2011) ภาษาศาสตร์คอร์ปัสและการเรียนรู้แบบเลือกปฏิบัติที่ไร้เดียงสา RevistaBrasileira de Linguística Aplicada, 11(2), 295–328.https://doi.org/10.1590/S1984-63982011000200003

4.Baayen, RH, Endresen, A., Janda, LA, Makarova, A. และ Nesset, T. (2013) การเลือกภาษารัสเซีย: ข้อดีข้อเสียของวิธีการทางสถิติสำหรับรูปแบบคู่แข่ง ภาษาศาสตร์รัสเซีย, 37(3), 253–291.https://doi.org/10.1007/s11185-013-9118-6

5.บาเยน, RH, & มิลิน, พี. (2010). การวิเคราะห์เวลาปฏิกิริยา วารสารวิจัยจิตวิทยานานาชาติ, 3(2), 12–28https://doi.org/10.21500/20112084.807 

6. Baayen, RH, Milin, P., Filipovic และ D., Hendrix, P., & Marelli, M. (2011) แบบจำลองอสัณฐานสำหรับการประมวลผลทางสัณฐานวิทยาในการทำความเข้าใจด้วยการมองเห็นโดยอาศัยการเรียนรู้แบบเลือกปฏิบัติอย่างไร้เดียงสา การทบทวนทางจิตวิทยา, 118(3), 438–481.https://doi.org/10.1037/a0023851
7.บาเยน, RH, ชาอูล, ซี., วิลลิตส์, เจ. และแรมสคาร์, เอ็ม. (2016) ความเข้าใจโดยไม่มีการแบ่งส่วน: การพิสูจน์แนวคิดด้วยการเรียนรู้แบบเลือกปฏิบัติที่ไร้เดียงสา ภาษา ความรู้ความเข้าใจ และประสาทวิทยาศาสตร์, 31(1), 106–128.https://doi.org/10.1080/23273798.2015.1065336

8. Baetu, I., Burns, N., & Child, B. (2018) ความแตกต่างส่วนบุคคลในความจุหน่วยความจำในการทำงานทำนายประสิทธิภาพในงานการเรียนรู้แบบเชื่อมโยง [การนำเสนอผลงาน] นักจิตวิทยาออสเตรเลีย ซิดนีย์ ออสเตรเลียhttps://doi.org/10.1111/ap.12372

9. Balleine, BW, & O'Doherty, JP (2010) ความคล้ายคลึงของมนุษย์และสัตว์ฟันแทะในการควบคุมการกระทำ: ปัจจัยกำหนดคอร์ติโคสเตรตของการกระทำตามเป้าหมายและเป็นนิสัย Neuropsychopharmacology, 35(1), 48–69https://doi.org/10.1038/npp.2009.131

10. บอลลิง แอลดับเบิลยู และบาเยน RH (2008) ผลกระทบทางสัณฐานวิทยาในการรู้จำคำทางการได้ยิน: หลักฐานจากภาษาเดนมาร์ก ภาษาและกระบวนการรับรู้ 23(7–8),1159–1190https://doi.org/10.1080/01690960802201010

For more information:1950477648nn@gmail.com