- 相關推薦
人工語法學習遷移效應研究進展
[摘要]遷移和潛在抽象知識表征是內隱學習的兩個重要基石。在人工語法學習研究范式下，對遷移效應產生機制的解釋主要有兩類：一是組塊信息遷移的統計歸納理論。主張對測驗序列進行分類的基礎是序列成分組塊分布特征的統計歸納；二是抽象類比遷移理論，主張是對測驗序列進行分類的基礎是在范例序列相似性基礎上的重復成分的抽象類比．兩種觀．最各持一說。其問存在著明顯的分歧和爭議．
[關鍵訶]人工語法學習；遷移效應；序列依存性；組塊信息遷移；抽象類比遷移
內隱學習作為一個研究領域始于20世紀60年代后期，Reber開創的人工語法學習(artificialgrammar learning)研究揭開了內隱學習研究的序幕，而對此研究領域的進一步關注則是最近十幾年的事情．由Broadbent及其同事進行的造句系統研究推動(Berry&Broadbent，1984)，繼而被系列反應時(Nissen&Bullemer，1987)和偶然反應時研究(Lewicki&Czyzewska&Hafman，1987)將其引向了認知，6-理學研究的前沿u J．遷移是個體在一種情境中的學習對其在其他情境中的學習和行為的影響．作為內隱學習經典研究范式的人工語法學習對遷移的關注源于被試在學習階段習得的知識表征的本質屬性與遷移密切相關，遷移和潛在的抽象知識表征是內隱學習的兩個重要基石．對人工語法學習遷移效應的研究有助于我們更深入地認識和把握內隱學習的機制，從而為探明無意識學習的實質提供了一個重要的視角和有效的研究途徑．
1 人工語法學習遷移效應研究的新進展
過去的三十多年中，研究者提出了許多理論來解釋被試在人工語法學習中的學習．一些研究者認為，從僅以抽象規則知識為基礎的解釋到抽象規則知識與整個學習范例共存，從僅以局部知識為基礎的解釋到局部與抽象規則共存．語法規則的抽象與序列成分的分布統計特征的習得是相同的．人工語法學習及對遷移的解釋與被試在學習過程中習得的知識表征密切相關．有三種理論解釋被試在人工語法學中習得的知識：第一是基于范例的解釋，認為對學習序列初步加工的表征構成了被試的知識；第二是局部編碼加工理論，認為被試習得的是組成序列的成分對或成分組塊知識；第三是基于抽象知識的解釋，認為被試習得了獨立于學習序列表層結構的潛在語法結構知識．這三種理論對遷移效應的解釋也各不相同．在最早的內隱學習研究中，Reber認為被試習得了抽象結構知識，這些知識可以被相對容易地應用到潛在結構相同的序列中，并且能夠成為區別語法和非語法(潛在語法結構不同)序列的基礎．對抽象知識的明確表述是由Whittle．sea和Dorken提出的，他們將這些知識稱為深層結構，是重復出現在每個序列中的模式，對它們的編碼加工獨立于學習序列的表層結構．主張局部加工解釋的研究者認為，被試習得的知識基本由成分組塊(兩個或兩個以上的序列成分)構成．基于范例的解釋則認為，學習序列在學習階段中未被加工，被試記憶了整個學習序列，在標準分類任務和遷移操作中，被試是在測驗序列與已貯存的學習序列的相似性基礎上做出判斷的．在一般的內隱學習和具體的人工語法學習中，內隱知識的遷移包括兩類：一是表層結構和深層結構都相同的刺激間的遷移；二是表層結構不同，但深層結構相同的刺激間的遷移．目前，研究者已經提出大量的理論來解釋第一類遷移效應，認為被試學習和表征了序列的潛在語法規則，且能在這種規則的基礎上，對測驗序列進行分類．一些研究表明，被試習得的并不是語法規則的真實表征信息，而是一些與語法規則相關的信息表征，Perruchet和Pacteau將這些相關的信息表征稱為“相關語法”(correlatedgrammar)，認為它們是由對學習序列成分出現頻率的記憶組成的，被試根據測驗序列是否由他們所熟悉的成分構成，來分類測驗序列．Vokey和Brooks則認為，被試對整個學習序列進行了編碼，在已貯存的學習與測驗序列之間相似性的基礎上，對測驗序列進行了分類．但是，在不考慮表征是對抽象語法結構進行編碼，還是對序列成分進行編碼，亦或是對整個序列范例進行編碼的情況下，在這三種表征形式中，都假定被試對學習序列的一些基本分布特征敏感，如序列的成分經常獨自或共同出現在序列的哪些位置上 ．因此，當測驗與學習序列表層結構相同時，對測驗序列的分類而言，三種編碼形式之間有很大的重疊，它們之間的差異很難區分．但當測驗序列的表層結構與學習序列不同時，三種編碼形式之間則有差異．在此情況下，被試就需要在兩個序列集合的潛在語法結構知識間建立一種對應關系．此外，Brunstrom(2002)等人研究發現，內隱學習需要注意，可能依賴注意機制和工作記憶機制 ．注意的指向與集中系統哪一個是內隱學習所必需的?內隱學習受被試運用策略影響的程度如何?而且，注意容量有限，同時進行的認知過程間會有沖突(如不同的工作記憶過程)，那么哪些工作記憶過程是內隱學習所必需的呢?它們又是如何影響內隱學習的呢?有關這些問題的實證研究已經逐漸成為內隱學習研究的熱點，但迄今為止，尚無明確的結論．目前，有關人工語法學習遷移效應的研究都采用無意義的材料，這樣就限制了其生態效度．如何減少人為性，讓實驗研究更符合人類學習的真實情況呢?這些都對我們在實驗設計、變量選擇與控制．材料的運用等方面提出了更高的要求，同時也使這一領域的研究充滿了挑戰，敦促我們繼續在這片廣袤未知的領域中探索前行．
2 人工語法學習遷移效應研究的爭議
不論人工語法還是自然語法，都可以用于建構知識，而這些知識則是受其組成成分的序列順序限定的，這些限定可以被分解為：相同成分問的序列依存性(在序列某一位置上，某個成分的出現取決于其前某一位置上不同成分的出現)和不同成分間的序列依存性(在序列某一位置上，某個成分的出現取決于其前某一位置上同一成分的出現)，它們可以獨立地解釋表層結構不同的情景下的分類操作．這里分別將它們稱為“非重復”和“重復”成分間的序列依存性．目前，相關的理論已經將重復成分間依存性的遷移和整個學習序列的記憶，及其抽象類比的形成過程聯系在一起；而非重復成分間依存性的遷移則和局部序列組塊的記憶，以及相關規則的歸納相聯系．研究表明，潛在語法規則與表層結構的相似性之間在機能上可以分離．研究者從不同角度出發，對內隱學習中人工語法學習遷移效應進行研究，獲得了證據，但也存在一些明顯的分歧和爭議，主要表現在：
2．1 實驗證據及理論解釋上的分歧與爭議有些研究結果表明：人工語法學習遷移效應是在潛在的抽象規則的基礎上產生的．研究者對此進行了進一步探討并發現：這種遷移效應是在測驗與學習序列的相似性基礎上，進行抽象類比產生的．另一些研究結果則表明：人工語法學習遷移效應是在序列成分組塊信息的基礎上產生的，當學習與測驗序列的表層結構不同時，遷移效應很難發生[10]．但是他們的研究只關注了遷移效應的出現，而并沒有進一步探究遷移效應緣何而起，所以這些研究涉及了序列依存性，但卻沒有深入分析．一些更為系統深入的實驗研究表明：人工語法學習中，當序列的表層結構不同時，遷移效應是以重復結構的抽象類比，即重復成分間的序列依存性為基礎的，而非重復成分間的依存性則不能遷移．另一些研究表明：人工語法學習遷移效應是以成分組塊的分布特征的統計歸納，即以非重復成分間依存性為基礎的，而不是以重復結構的抽象類比為基礎的．實驗證據上的分歧引發了理論解釋上的爭議，這些分歧和爭議基本可以分為兩方面．1)組塊信息(chunks information)一一統計歸納(statistical induction)遷移Redington和Chater(1996)提出了一種啟發式模型的解釋，這種模型可以將重復和非重復成分間的依存性遷移到不同表層結構的序列中．例如，學習序列是JKJK和I(JI(J，那么模型就會將JK和I(J作為一個整體組塊進行編碼，然后根據測驗序列是否由其熟悉的組塊構成，對測驗序列進行語法分類．結果序列JKJKJ就有可能被判斷為語法序列，因為它是由模型所熟悉的組塊JK或I<J構成；而序列JKKJ則可能被判斷為非語法序列，因為序列中包含了模型不熟悉的組塊KK．那么這種啟發式模型是怎樣將組塊信息遷移到表層結構不同的情境中的呢?他們的實驗表明，這種模型對每個學習序列開始的兩個成分非常敏感，在學習階段中掌握了所有序列都是以MS、Mv和VX開始的．在測驗階段中呈現表層結構不同的序列，例如JDHBHF，BFHHHH和JBHH，此時模型就會做出判斷：J出現在序列位置1的頻率較高，而其后則跟有兩個成分D和B．因此，測驗序列中的J一定與學習序列中的M相對應，因為M 出現在測驗序列位置1上的頻率相對較高；與之相似，B一定與v對應，因為B與v一樣，既可以出現在位置1，又可以出現在位置2；F是惟一跟在B后面的成分，而學習序列中x是惟一跟在v后面的成分，故而F與X相對應；那么D只有和S對應．一旦知道了這種構成成分間的對應關系，那么對表層結構不同的測驗序列的分類，就可以按照對表層結構相同的測驗的分類方式進行．啟發式模型可以解釋許多先前研究中所發現的遷移效應，但是隨著啟發式模型編碼序列成分組塊的長度不同，其模擬的準確率與被試分類成績之間差異很大，同時模型對包含在遷移中的心理過程也沒有提出一種合理的解釋[ ．研究者提出了一種更為有效合理的解釋—— 簡單循環網絡模型(Simple Recurrent Network，SRN；)．模型包括輸出層、輸入層和潛藏層，它能夠習得并遷移重復和非重復成分間的依存性，給SRN呈現一個序列的部分組成成分，讓它通過改變網絡內成分的聯結強度，來預測序列中的下一個成分．倘若SRN可以準確地預測某一序列的構成成分，那么此序列就被判斷為符合語法，反之則被認為是不符合語法的．經過學習階段后，SRN就能夠正確地模擬出被試分類序列的情況．但是，在SRN中激活模式與序列成分的表層結構緊密相連，這樣就很難解釋，假如SRN習得了序列ABCD間的依存性，那它又是如何將這種依存性遷移到表層結構不同的序列LMND中的?【1 1Dienes和Altmann等人(1999)提出了一種解釋，認為由于序列成分的表層結構是作為一種激活的分布模式，經由輸入單元被呈現給SRN的；而語法是作為聯結的分布模式，通過網絡中除輸出單元以外的其他單元被表征的，因此只有輸出和輸入層與序列的表層結構相連．這樣，當序列的表層結構不同時，SRN要預測隨后輸入的序列成分，只需要調整從輸入到輸出各單元間的聯結強度就可以了．假如SRN保持其內部的聯結強度(即對表層結構相同的序列成分的統計分布的編碼)不變，且SRN的任務只是關注預測序列成分的話，那么它就能夠判斷出在表層結構不相同的序列中，哪些成分會跟在另一些成分之后．實際上SRN也就形成了不同表層結構的序列成分間的映射(mapping)關系．他們對SRN進行了修正和完善，在模型中增加了一個編碼層，它是輸入單元和潛藏層之間的中介．他們認為SRN對學習序列的成分進行了編碼，而不是貯存了學習序列本身，從本質而言這種學習是一種統計歸納．與Redington和Chater(1996)提出的啟發式模型相同，SRN可以在學習和測驗序列成分出現的頻率間形成映射，并在此基礎上將學習序列成分間的依存性遷移到表層結構不同的測驗序列中序列范例—— 抽象類比(abstract anMogy)遷移另一些研究者認為，被試可能記憶了全部學習序列，在隨后的分類測驗中，他們會以學習與測驗序列的相似性為基礎對測驗序列進行分類．當學習與測驗序列的表層結構相同時，被試可以直接計算出它們之間的相似性(忽略了重復與非重復成分)．例如，被試在判斷序列MXRMXT時，可能回憶起序列MXRVXT，那么測驗序列就可能被判斷為語法序列，因為它與學習序列僅有一處不同，而序列MVXRMX則可能被判斷為非語法序列，因為它與學習序列的不同多于一處；當學習與測驗序列的表層結構不同時，二者間的相似性是以重復結構的抽象類比為基礎，逐個序列進行計算的．假如被試記憶了一個學習序列MXVVVM，那么測驗序列BDCCCB則可能被判斷為語法序列，因為它包含了與學習序列相似的重復模式，這種模式可以被抽象為1-2221，而序列BCCDBC則被判斷為非語法序列，因為它的抽象結構為122—12．對沒有重復成分的序列而言，有關序列成分的信息(如出現的頻率)就會丟失，被試也就不能歸納出序列成分及其依存性在表層結構不同序列間的對應關系．TunneY和Altmann(1999，2001)指出，目前還沒有證據表明被試能對非重復成分間的序列依存性進行遷移．但有證據表明，被試可以遷移包含了重復結構的信息，也可以遷移包含了在序列特定位置上單個成分出現頻率的信息．但是對遷移包含了成分組塊共同出現頻率信息的證據尚不充分．因此，現在的問題在于，是否能找到成分組塊共同出現頻率信息可以遷移的證據，如果可以找到，那么以重復結構為基礎的遷移和以非重復成分間的序列依存性為基礎的遷移，二者之間是否可以分離?
2．2 兩種遷移模型的分離在人工語法學習的研究范式下，倘若給被試呈現了表層結構相同的學習和測驗序列，那么以范例為基礎的表征模式和以成分組塊為基礎的表征模式，在被試的分類任務中可以等同，它們都反映了學習序列的分布統計特征，且測驗序列中的重復成分和非重復成分都能被計算．但是當學習與測驗序列的表層結構不同時，重復成分與非重復成分就將兩種不同的表征模式區分開來，不同的表征模式必然會產生不同的理論解釋及遷移模型．這兩種表征模式之間的第一個主要差異是，學習與測驗序列成分間的對應過程是在逐個序列基礎上進行的，還是在全部序列基礎上進行的．主張統計歸納解釋的研究者認為，被試在學習了全部序列后，以學習和測驗序列成分共同遵循的分布統計規則為基礎，計算出兩種表層結構下序列成分間的對應關系，編碼分布統計規則的表征是在學習了全部序列后被歸納出來的，它不依賴于重復成分和非重復成分間的具體差異．主張抽象類比的研究者則認為，測驗和學習序列間的相似性可以在逐個序列的基礎上計算出來，而且抽象類比也能夠辨別出重復與非重復成分，盡管在序列表層結構相同的情況下，非重復成分間依存性的信息對序列的分類起了一定的作用，但在表層結構不同的情況下，這些信息并不重要，此時相似性是在重復成分間依存性的基礎上逐個序列地被計算出來．究竟遷移效應是抽象類比的結果還是成分組塊信息的遷移呢?Altmann等人(1995)研究發現，當表層結構不同時，抽象類比并不是遷移發生的惟一基礎．但他們在隨后的研究中又發現(1999)，先前的結論并不成熟，因為在先前的實驗中，不同表層結構下的語法和非語法序列中還含有其他的依存性．他們對實驗設計進行了改進，發現被試僅對出現在序列首位成分的頻率敏感，并沒有證據表明，表層結構不同時，被試能夠以非重復成分間的依存性為基礎對測驗序列進行分類．與此相似，Gomez等人(2000)研究發現，只有以重復結構為基礎區分語法和非語法序列時，才能出現語法信息的遷移效應n ．這兩種表征模式之間的第二個主要差異是：當測驗與學習序列的表層結構不同時，學習序列的分布特征對二者成分間映射關系形成的重要性．抽象類比的遷移理論認為，序列成分的分布特征對遷移效應影響不大．譬如，被試編碼或記憶了兩個重復成分間的依存性A—A一，那么就會很容易地將這種序列依存性的模式對應到表層結構不同的序列x—x一上，在此情況下被試就能夠通過將測驗序列與貯存的一個或多個包含了重復成分間序列依存性的范例進行比較，對測驗序列進行分類．即使學習階段中，引入了噪音序列，如A—B一，這樣A不總是決定另一個A的出現，此時被試仍然能夠在序列A—A一和X—x一之間形成匹配．這說明另一種結構的存在并沒有對被試提取恰當的范例線索產生不利影響，只要能找到與測驗序列的重復結構相匹配的學習序列就可以了．與此相反，非重復成分間序列依存性的匹配則是一個相對復雜的過程，因為學習序列的分布特征是非常重要的．例如，倘若每個學習序列都以成分組塊AB的形式出現，那么被試就可能在出現頻率的基礎上，通過學習序列歸納出語法規則(如將AB匹配到測驗序列的XY上)．但是，倘若學習序列內的依存性不只一個(引入噪音分布)，即位置1的A并不總是與B相連，那么AB與XY之間對應的計算就很困難了．因此，從理論上講；學習序列中噪音的介入會抑制以統計歸納為基礎產生的遷移效應，而對以重復結構的抽象類比為基礎產生的遷移效應影響不大，但會使隨后對特定學習范例的提取變得更困難．研究證明，這兩種遷移過程可以進行分離(Tunney，2001)，它們是以各自對不同類型的編碼具有不同的敏感性為基礎的：一種對共同出現的成分的分布統計歸納特征很敏感，而另一種則對編碼重復結構的抽象很敏感．就此而言，應該存在兩種不同的表征圖式．
2．3 人工語法學習遷移知識及其表征的內隱性目前，關于人工語法學習遷移知識內隱性的爭論仍然懸而未定【15，l6】．有關測量知識內隱性的方法主要有三種：口頭報告，根據被試能否報告出自己用于作出判斷的知識來區別內隱與外顯知識，倘若被試無法報告出那些明顯影響其判斷的知識，那么這些知識就是內隱的．有研究者認為，被試不能報告出影響其判斷的知識并不是因為知識是內隱的，而是因為缺少恰當的表達方式，因此他們主張用客觀檢驗法，即將間接測量(分類任務)與直接測量(再認任務)間的分離，來作為檢驗知識內隱性的一種客觀方法．另一些研究者從實驗設計和方法學上對客觀檢驗法存在的問題提出了批評，認為這種方法的結果并不能說明人工語法知識是內隱的或是外顯的，因為其檢驗結果并不純凈，用于檢驗外顯知識的客觀法有可能受到內隱知識的污染，他們主張用主觀測量方法來檢驗知識的內隱性，并提出了主觀自信水平(Subjective confidence Levels)的概念，認為倘若在測驗任務中，被試的成績超過了機遇值，但他們仍認為自己是猜測的，也就是說他們的自信度與正確率無關，那么他們所具有的知識就是內隱的．這也說明在被試的語言知識與其主觀意識程度間出現了分離，即被試缺乏對自己完成任務的元知識，這是閾下知覺的一個本質特征．有研究者指出，知識表征的內隱與外顯性間的區別，似乎并不在于知識能否被意識到，而是在于信息加工的特點上．他們發現：在人工語法學習中，被試習得的知識是由對具體范例的記憶構成的，而非對抽象規則的貯存，內隱知識大部分基于記憶系統中范例的積累，而范例表現了序列成分的分布特征汐卜顯知識則更多是基于抽象規則，且凌駕于具體范例之上．目前，還不能確定人工語法中遷移是否是內隱的，但有一點需要考慮的是，學習是發生在傳統的內隱學習條件下，因此可以認為，人工語法學習遷移效應在主觀上是內隱的，它們遷移的知識即被試在人工語法學習范式下習得的知識，低于主觀閾限卻高于客觀閾限．此外，當前的研究只集中于內隱學習獲得的知識是否是內隱的，卻很少考慮其潛在的表征形式．傳統的內隱學習研究中將內隱知識界定為不能報告的知識．Roberts(1997)對傳統內隱知識的界定進行了區分，認為在這種界定下包含了兩種可能：一是這種由于某些原因而不能報告的知識在表征上卻是外顯的；二是這些不能報告出的知識在表征上也是內隱的．目前，對這兩種可能性的區分尚不清楚．內隱知識是否就是被內隱表征的呢?在理論上也存在外顯表征的可能性，倘若內隱知識是外顯表征的，那么表征的內隱性就不能作為內隱知識的特征，而且它也不能為內隱知識和內隱學習提供一個適宜的解釋框架。我們可以推測，內隱知識可能是位于以范例為基礎到以抽象規則為基礎的連續體上，但內隱知識與外顯知識也有可能是截然不同的．總之，在以后的深入研究中，我們將面臨一個嚴峻的挑戰——怎樣才能更準確地探知內隱知識和外顯知識的特征及其相互作用，并將其具體化．
3 結語
人工語法學習遷移效應的研究發展至今，已經蓄積了豐富的實驗證據，理論總結方面也有了長足的進步．研究者開始嘗試對眾多實驗成果作出系統的理論概括，以期能更好地揭示出人工語法學習遷移效應的機制，這也為研究的進一步發展提供了一個比較清晰的框架．但是這些理論分析還有待于實驗研究的進—步證實，研究的范圍還有待于進一步拓寬，以增強其理論模型的解釋力．
中國碩士論文網提供大量免費碩士畢業論文,如有業務需求請咨詢網站客服人員！
【人工語法學習遷移效應研究進展】相關文章：
談在交際運用中對英語語法的學習03-26
談英語學習應重視母語的負遷移03-19
語法在高中英語學習中的角色分析03-27
英語語音學習中漢語的遷移作用03-01
談學習遷移理論在《建筑構造》教學中的應用03-18
學習遷移理論對英語詞匯教學的啟示及對策03-24
“語法化”問題03-27
論漢語負遷移對英話學習的影響及應對策略03-19