非监控类别学习的分类策略与表征*

(广州大学心理学系,广州 510006)

1 引言

运用不同的分类策略,学习将不同客体进行归类、存储是人类生存所需的基本技能。在类别学习过程中,类别知识如何表征、分类策略如何运用一直是研究的重点。类别表征是指在类别学习过程中,对不同的类别信息或类别特点进行归纳表征,如相似性表征、规则表征、原型表征(Richler &Palmeri,2014)。而类别的表征会影响分类的策略运用,进而影响类别学习。在类别学习中运用的策略有根据类别成员特征而采用的相似性策略和抽象出类别成员之间关系的规则策略等。分类包括类使用的过程和类标准的过程,即类别形成(宋娟,吕勇,2008)。

类别学习可分为监控类别学习(supervised category learning)与非监控类别学习(unsupervised category learning),以往关于分类策略与表征的研究更多着眼于监控类别学习(Pothos &Chater,2005;Worthy,Markman,&Maddox,2013;陈琳,莫雷,郑允佳,王雨函,2013)。监控类别学习是依次给予被试刺激,要求被试进行分类,反应后提供反馈,直至形成分类规则,学习到不同类别。但现实中,更多的时候我们进行分类并没有反馈提供,或是在学习中无意识形成类别概念来解决问题,即非监控类别学习。如我们将认识的人按照“有趣”,“无聊”分类。根据分类任务不同,可以将非监控类别学习分为直接的非监控类别学习(the direct unsupervised category learning)和间接的非监控类别学习(the indirect unsupervised category learning)。那么在非监控类别学习条件下,被试类别学习中运用分类策略有何特点,如何进行表征,不同的分类任务对类别策略和表征有着怎样的影响呢？

2 直接的非监控类别学习

直接的非监控类别学习(the direct unsupervised category learning)是指被试明确知道自己在进行类别学习,学习的目标即为进行分类。根据是否预设类别结构,可分为非限制任务和限制任务。非限制任务常采用自由分类任务(Billman &Davies,2005),限制任务则主要使用非监控分类学习任务。

2.1 非限制任务

非限制任务(unconstrained categorization tasks)是指被试所学习的类别材料并没有预先设定的类别结构,被试根据直觉倾向对一组刺激进行分类。非限制即指没有预先限定分类的规则、类别数,或类别内的刺激数量等。自由分类任务(free sorting tasks)是非限制任务经常采用的任务,学习过程不提供反馈,被试可以创造出任何类别(如图1)。

图1 自由分类任务图示

非限制任务更关注的是被试把一组刺激归属于某个类别时,凭直觉选择的分类策略(Colreavy&Lewandowsky,2008)。这种直觉性在知觉分类中十分重要。当观察一组刺激时,凭这种直觉性被试有时立即产生类别的印象(即把一些刺激归为一类)。所谓直觉性(intuitive)是指针对没有任何潜在类别结构的刺激,如何轻易地把刺激分到不同类别的能力。

图2 直觉性不同的9种类别簇示意图

有研究者运用非限制任务,对被试分类表征的难易程度进行研究。在这个实验中使用9种不同直觉性(如图2,直觉性高低根据被试将刺激簇分为不同类别结构的频次,直觉性最高的频次在50次以上,低的只有两三次)的刺激组,研究结果发现,类别刺激的间隔紧密比宽松的具有更大的直觉性,更易被分为一组,说明同一类别刺激的间隔影响类别表征,类别间隔紧密或类别变异范围小的刺激簇更易于表征为一个类别(Pothos et al.,2011)。Perlman,Hahn,Edwards和 Pothos(2012)进一步研究类别变异程度(即类别内或类别间的变化范围大小)对类别选择的影响。实验采用的实验刺激是肢干和躯干变化的“蜘蛛”(如图3),有变异程度高低的两种刺激簇(S1,S2)。被试首先对刺激进行分类,随后进行测试,测试阶段的刺激维度值位于两个刺激簇维度值的中间。该实验发现,测试阶段当整体呈现全部刺激时,被试一般更倾向于把未知的刺激归类到类别变异程度大的类别簇中,但是当采取相继呈现刺激时,被试更倾向于将未知刺激归类到变异程度低的类别中。作者认为相继呈现刺激无法整体上表征两组类别变异程度的差异大小,但是为何当变异差异不显著时,被试倾向于将刺激归类到变异程度小的类别中呢？这是否还受到其刺激本身的特点、相继呈现的时间等其他因素的影响,还需进一步探讨。此外,Edwards,Perlman和Reed(2012)使用直觉性上难易不同的两种非限制任务研究孤独症谱系障碍(ASD)被试的分类能力,结果发现 ASD被试在容易的分类任务中,与同龄的正常被试相比,更倾向于使用单维度策略;而在复杂的分类任务中 ASD被试和正常被试一样都会随着分类任务难度增加,更加倾向使用单维度分类策略。表明人类具有“简单化”的分类策略倾向。

非监控条件下分类策略和表征与监控类别学习条件下有何联系与区别？Pothos,Edwards和Perlman(2011)将监控类别学习与非监控类别学习进行了对比研究,在两个实验中,通过9种直觉性不同的类别簇检验了学习阶段被试分类成绩(如图2),测试阶段直觉性高低,分类成绩与分类记忆的关系。实验结果表明,非监控类别学习直觉性的高低可以有效地预测被试在相应监控类别学习中的成绩,同时分类记忆与直觉性之间相互影响。该结果说明监控类别学习与非监控类别学习可能存在着共同的加工基础,但是对监控类别学习与非监控类别学习的整合的、统一的理论模型还没建立起来。

上述实验表明人们自发地将间隔紧密或变异程度小的刺激簇表征为同一类别,但对于单一刺激,更倾向于归类到变异范围大的类别中,当变异程度不显著时,则更倾向于归类到变异范围小的类别中。但是非限制任务并不存在潜在的类别结构,其更关注的是被试自发建构类别时策略选择的倾向性(Pothos &Close,2008)。而现实中还有一类刺激本身具有一定的类别结构,如果要探讨非监控学习预设类别结构时的分类条件和限制条件,则需要采用限制任务。

图3 分类刺激蜘蛛图：主躯干的长度与关节后下肢长度是变化的两个维度

2.2 限制任务

限制任务(constrained categorization tasks)是指所学习的类别材料是有类别维度的刺激,类别刺激按照一定规则可以分成不同类别。被试通过学习,最终发现、验证分类规则,进行正确分类。分类反应有正确和错误之分,但不提供任何反馈。基本流程是：首先要求被试把刺激分到不同的类别中,依次在屏幕上呈现不同维度上变化的刺激,反应组块与观察组块交替出现,如一共 9个组块,其中2468四个为观察组块(observation-only),13579五个为反应组块。在观察组块,要求被试尽量学习80个依次呈现的刺激,观察阶段被试不需要按键反应;在反应组块,要求被试通过按键将刺激分为不同的类别。类别标签是主观设定的,但是应该和自己设定的类别成员的标签相一致(即如果被试认为某一类刺激为类别 A,那么不能中途将具备这一特征的刺激又命名为B)。

Ashby,Queller和Berretty(1999)采用在方向和长度上连续不断变化的线段作为实验材料,运用限制任务对类别学习加以探究。结果发现与非限制任务的结果一致,人类使用的最优策略是单维度策略(如,单维度规则为如果线条短则是 A,如果线条长则是B)。被试学习的过程即将逐渐将长度作为分类维度(方向是无关的维度)。但是该实验材料在类别内的变异是非常小的(紧密的),被试可以很容易知道哪个维度是相关维度,即长度短的是类别A,长度长的是类别B。而Kloos和Sloutsky(2008)的研究表明类别内的变异会对非监控学习有很大的影响,类别结构存在着类别内变异(withincategory variances)和类别间距离(between-category distance)的区别。那么,类别内变异与类别间隔哪个对于单维度策略有更大的作用呢？

为此,Ell和Ashby(2012)采用基于规则的类别结构(依赖外显类别学习系统),通过实验探讨类别内变化和类别间变化差异对被试类别学习策略的影响。实验设置三种条件,“distance条件”是高类别内变异,低类别间变异;“class条件”是低类别内变异,高类别间变异;“distance-class条件”则是将前面两种条件相结合构成(如图4)。结果发现类别内变异对非监控类别学习有更大的影响(单维度策略使用倾向 distance>class),当类别内变异足够大时,虽然被试仍然具有使用单维度策略的倾向,但被试无法形成有效的类别表征,甚至无法形成单维度分类策略。那么如果类别间隔有重叠(即看作类别之间的距离为负,即为概率类别),被试将会采取怎样的分类策略呢？对非监控类别学习有什么样的结果？此外,该研究采用的为单维度类别结构,如果采用多维度类别结构,类别内与类别间变异对其有怎样影响？在不同变异条件下,类别信息将如何表征呢？这些问题还需进一步探讨。

图4 类别内变异与类别间变异示意图

与此同时,Ell,Ashby和Hutchinson(2012)采用信息整合的类别结构(内隐学习系统学习的类别结构)对被试的策略选择进行研究,其实验1和实验2分别比较监控类别学习和非监控类别学习条件下,被试在策略选择倾向上有何差异。非监控类别学习即采用限制任务,类别结构是明亮和饱和度两个维度变化的刺激,根据最优策略可以分为四组,分别根据明度和饱和度的单一维度分类,需要综合亮度和饱和度两个维度,正负斜率的两维度分类(如图5)。A,B组可以认为是分类规则为明度或饱和度的基于规则类别,而C,D需要综合两个维度才能进行正确的分类,其分类规则很难用言语表达,是信息整合类别结构。结果证实了个体在非监控类别学习条件下是有能力从明亮的和饱和的整合维度来学习类别构成的,即被试可以在非监控类别学习条件下学习内隐类别结构。实验 3调节不同维度之间的类别间隔,结果表明由于类别间隔不同,导致了亮度和饱和度的权重不同。虽然研究表明由于类别间隔地变化,使得被试对于两个类别维度的权重发生变化,但是权重是如何转换的尚不清楚。其次,已有研究发现人们进行分类学习时存在心理表征的特定位置如90°位置(Zeithamova &Maddox,2007),那么是否在非监控类别学习中,存在特定的心理表征位置,如果存在,是如何影响权重的转换？

图5 亮度与饱和度两维度的类别结构

3 间接的非监控类别学习

间接的非监控类别学习是指学习阶段并不要求被试进行分类任务,但是通过学习、形成类别可以提高他们的成绩,探究的是被试在学习一种任务中无意识形成的类别表征和分类策略,相比于直接的非监控类别学习,间接的非监控类别学习对类别结构的表征是一种内隐的过程(张恒超,阴国恩,2013)。基本流程一般采用学习-测试两阶段。学习非类别任务：非分类任务(记忆任务、相同-不同判断)呈现→判断或反应→反馈;测试阶段：类别任务测试。

间接的非监控类别学习与直接的非监控类别学习在类别表征与策略运用上有何区别？Love(2003) 对间接的非监控类别与直接的非监控类别学习的类别表征进行研究。非分类任务是情绪评价任务,学习阶段要求被试依次对呈现的刺激进行愉快-不愉快进行情绪评价,测试阶段则对被试的类别表征加以测查。实验结果发现,间接的非监控类别条件有利于线性类别结构(如家族相似性类别结构)的学习,而且损害非线性类别结构;而直接的非监控类别学习则与之相反。此外,间接非监控类别学习与直接非监控类别学习的认知特点明显不同。直接的非监控类别学习更倾向于规则表征地构建,而间接的学习则更着重于基于相似性地类别表征,随后这一结果得到不同实验的支持(Minda &Ross,2004;Brooks,Squire-Graydon,&Wood,2007)。如 Minda和 Ross(2004)采用在大小上变化的人造生物作为实验材料,根据喂食的多少已经将生物分为不同的类别。间接的非监控类别学习组要求被试判断呈现的生物需要喂食的多少,并不告诉类别,仅对喂食多少进行反馈;另一组直接非监控类别学习组会进行分类判断。实验结果同样发现间接学习组的分类形成基于相似性表征,而直接的类别学习条件则主要为规则表征。

但Helie和Ashby(2012)的实验结果虽然表明在间接的非监控类别学习条件下被试更倾向于相似性表征,但是当规则可以用言语表达时,类别结构依然可以通过间接的非监控类别学习加以习得。他们创设了一种新的任务——“相同-不同”任务。实验材料为在方向和角度上变化的两种知觉刺激(光栅图),一种为基于规则的类别结构,分类规则是可言语表达的,另一种为信息整合的类别结构,依赖于内隐学习,分类规则不能用言语表达。学习阶段要求被试判断呈现的两个光栅是否属于同一个群体,反应后给予反馈。结果发现信息整合的类别结构不能通过间接的非监控类别学习加以学习,而基于规则的类别结构能够学习。与此同时,有一个重要的发现是,在间接的非监控类别学习中习得的类别表征只有当类别规则可以用言语表达时才可以迁移到分类学习任务中。Casale,Roeder和Ashby(2012)采用相同的基于外显系统和基于内隐学习系统两类知觉类别结构对类别表征迁移进行了探讨,其实验 3同样发现在非监控类别条件下,基于规则的类别结构可以迁移学习,而信息整合类别结构不能迁移学习。上述研究表明,类别表征的迁移是有一定条件的,外显的可言语条件下才能发生迁移,而表征的形成不仅仅基于相似性,规则驱动的间接的非监控类别学习条件下同样可以形成规则表征。然而值得注意的是,信息整合类别结构不易于迁移可能是由于和基于规则类别结构表征难度上的差异导致的,即实验结果会受到难度观的质疑。基于规则的和信息整合的类别结构本身存在难度差异,尽管Helie和Ashby(2012)增加了类别结构的维度以平衡难度,但最近有研究表明通过增加维度(由两维度到四维度)同样改变了两者的难度和区分度(Stanton &Nosofsky,2013)。

上述间接的非监控类别学习采用的实验材料是没有任何知识和文化干扰的知觉刺激,但当我们面对有意义的具体事物时,分类表征与策略运用有何特点？是否会受到先验知识的影响？Clapper(2007)认为先验知识(Prior Knowledge)主要通过两个途径帮助形成新的类别(提高对特征的记忆),即形成类别线索和特征易化。在一个随机任务中,被试不可能一开始就明确地意识到不同类别,先验知识将提供线索,把刺激划分到不同的类别(高雅的人,低俗的人)。而特征易化包括特征捆绑与特征分离,即相似特征表征,不同主题特征之间的分离。Clapper(2007)采用间接的非监控类别学习任务对上述假设加以验证。其中学习任务为对相关主题的强迫认知,结果发现特征易化中的特征分离效应对类别学习起到重要作用,而未能分离出捆绑效应,在此基础上,Clapper(2012)采用记忆任务,以期分离出特征捆绑、特征分离效应。按照记忆任务的不同可以分为相同主题,相反主题,无主题。如相反主题有高生活品质,低生活品质。实验学习阶段会呈现一组围绕高生活品质或低生活品质的单词。研究结果表明被试在尝试记忆单词过程中,会根据先验知识内隐地对词汇进行高生活品质、低生活品质地分类,以便更加有效地记忆单词,即在记忆过程中已经无意识地对刺激加以归类。该实验虽然在间接的非监控类别学习条件下表明知识效应的存在和特征分离,但特征捆绑的加工过程尚未加以证实,还有待进一步探讨。

关于非监控类别学习中类别表征和策略运用的理论解释目前主要有几种。Ell等(2012)采用监控类别学习理论COVIS模型(COmpetition between Verbal and Implicit Systems(COVIS) model,Ashby,Alfonso-Reese,Turken,&Waldron,1998)对上述实验结果加以解释。COVIS模型假设刺激维度地选择取决于相对重要性,学习过程中特别是反馈的提供使得不同维度的重要性改变,在非监控类别学习中,虽然没有反馈提供,但是被试根据单一维度进行分类,表现出“单维度倾向”。但是非监控类别学习的非限制任务并无类别结构,COVIS模型无法解释。非监控类别学习理论如理性模型(the rational models)可以对直接的非监控类别学习作出很好的解释。它假定人们是在潜在的类别分布知识下拓展类别,当一种刺激是和一种类别分布相一致的,那么该刺激更可能分类到该类别中,变异大的类别更容易加以分类(Busemeyer,Pothos,Franco,&Trueblood,2011)。这可以很好地解释非监控类别学习中,被试是如何表征类别结构和新异刺激更容易被归类到类别变异大的类别中的实验结果,但不同维度的权重是如何选择转换的,该理论对此的解释仍显不足。而简单模型(The simplicity model)主要针对非限制任务中的直觉性给予解释。其认为被试首先会计算所有类别内的相似点和类别间的相似点。然后假定所有类别内的相似点大于类别间的相似点,这些限制条件越多,相应的类别推理也有更大的直觉性。此外,Love,Medin和 Gureckis(2004)提出的 SUSTAN模型(supervised and unsupervised stratified adaptive incremental network)认为相似性表征是分类的基本原则。在记忆中,相似性项目倾向于聚集在一起,在对刺激进行分类时,SUSTAN会将相似性刺激聚集在一起,如对鸟类或哺乳类动物的分类。聚类任务是基于相似性而不是反馈进行的,因此它是一个无指导学习过程。

4 研究展望

目前,非监控类别学习条件下,类别信息的表征和分类策略的研究已经取得了一定成果,如非监控类别条件下,被试更倾向于将刺激归类到变异范围大的类别中;间接的非监控类别学习更倾向形成相似性表征,直接的非监控类别学习则为基于规则表征;但非监控类别学习还存在一些问题,将来进一步的研究,可从以下几个方面加以探讨：

第一,非监控类别学习的理论解释还很薄弱。对于非监控类别学习中的单维度分类策略的解释主要基于监控类别学习的 COVIS模型。COVIS模型认为单维度策略的使用是由于维度相对重要性发生改变引起的,但是由于COVIS模型预测的是在反馈条件下导致。而非监控类别学习理论如理性模型(the rational models),其可以很好地解释非监控类别学习中,被试是如何表征类别结构的,但对于不同维度的权重是如何选择转换的仍显不足。

第二,类标准的形成过程中,类别表征和分类策略的使用会受到多种因素的影响。已有研究表明类别间隔、类别内变异程度、类别结构均会影响类别表征,但还存在一些可以拓展和尚有争议的地方。如Ell和Ashby(2012)实验中如果间隔有重叠会有怎样的结果？如果采用多维度的合类别结构,不同变异条件下,类别信息将如何表征呢？这些问题还可进一步探讨。

第三,已有研究表明先验知识会影响间接的非监控类别学习,有研究者提出理论假设,认为先验知识通过类别线索和特征易化促进类别的形成,但尚未有实验证据完全支持该理论模型,还需进一步实验设计,有效分离特征易化的认知加工过程。

第四,虽然已有研究表明直接的非监控类别学习倾向于规则表征,间接的非监控类别学习条件下被试更倾向于相似性表征,但是当规则可以用言语表达时,类别结构可以通过间接的非监控类别学习加以表征和迁移,基于内隐类别表征的信息整合结构无法加以迁移。但类别结构本身存在难度差异,受到难度观的质疑。家族相似性类别结构同样被认为是基于内隐类别学习系统的,能否通过采用家族相似性类别结构来探索非监控类别学习条件下的类别表征和策略选择,可进一步探究。

陈琳,莫雷,郑允佳,王雨函.(2013).类别学习的阻碍效应与双机制理论.心理科学,36(2),356–363.

宋娟,吕勇.(2008).类别表征与策略的脑科学研究及其对思维教学的启示.心理与行为研究,6(1),75–80.

张恒超,阴国恩.(2013).类别学习研究范式述评.心理研究,6(6),27–34.

Ashby,F.G.,Alfonso-Reese,L.A.,Turken,A.U.,&Waldron,E.M.(1998).A neuropsychological theory of multiple systems in category learning.Psychology Review,105,442–481.

Ashby,F.G.,Queller,S.,&Berretty,P.M.(1999).On the dominance of unidimensional rules in unsupervised categorization.Perception &Psychophysics,61,1178–1199.

Billman,D.,&Davies,J.(2005).Consistent contrast and correlation in free sorting.American Journal of Psychology,118,353–383.

Brooks,L.R.,Squire-Graydon,R.,&Wood,T.J.(2007).Diversion of attention in everyday concept learning:Identification in the service of use.Memory &Cognition,35,1–14.

Busemeyer,J.R.,Pothos,E.M.,Franco,R.,&Trueblood,J.S.(2011).A quantum theoretical explanation for probability judgment errors.Psychological Review,118(2),193–218.

Clapper,J.P.(2012).The effects of prior knowledge on incidental category learning.Journal of Experimental Psychology:Learning,Memory,&Cognition,38(6),1558–1577.

Colreavy,E.,&Lewandowsky,S.(2008).Strategy development and learning differences in supervised and unsupervised categorization.Memory &Cognition,36,762–775.

Clapper,J.P.(2007).Prior knowledge and correlational structure in unsupervised learning.Canadian Journal of Experimental Psychology,61,109–127.

Casale,M.B.,Roeder,J.L.,&Ashby,F.G.(2012).Analogical transfer in perceptual categorization.Memory&Cognition,40,434–449.

Ell,S.W.,&Ashby,F.G.(2012).The impact of category separation on unsupervised categorization.Attention,Perception,&Psychophysics,74(2),466–475.

Ell,S.W.,Ashby,F.G.,&Hutchinson,S.(2012).Unsupervised category learning with integral-dimension stimuli.The Quarterly Journal of Experimental Psychology,65,1537–1562.

Edwards,D.J.,Perlman,A.,&Reed,P.(2012).Unsupervised categorization in a sample of children with autism spectrum disorders.Research in Developmental Disabilities,33,1264–1269.

Helie,S.,&Ashby,F.G.(2012).Learning and transfer of category knowledge in an indirect categorization task.Psychological Research,76,292–303.

Kloos,H.,&Sloutsky,V.M.(2008).What's behind different kinds of kinds:Effects of statistical density on learning and representation of categories?Journal of Experimental Psychology:General,137,52–72.

Love,B.C.(2003).The multifaceted nature of unsupervised category learning.Psychonomic Bulletin &Review,10,190–197.

Love,B.C.,Medin,D.L.,&Gureckis,T.M.(2004).SUSTAN:A network model of category learning.Psychology Review,111,309–332.

Minda,J.P.,&Ross,B.H.(2004).Learning categories by making predictions:An investigation of indirect category learning.Memory &Cognition,32,1355–1368.

Perlman,A.,Hahn,U.,Edwards,D.J.,&Pothos,E.M.(2012).Further attempts to clarify the importance of category variability for categorization.Journal of Cognitive Psychology,24,203–220.

Pothos,E.M.,&Chater,N.(2005).Unsupervised categorization and category learning.Quarterly Journal of Experimental Psychology A,58,733–752.

Pothos,E.M.,&Close,J.(2008).One or two dimensions in spontaneous classification:A simplicity approach.Cognition,107,581–602.

Pothos,E.M.,Edwards.D.J.,&Perlman,A.(2011).Supervised versus unsupervised categorization:Two sides of the same coin?The Quarterly Journal of Experimental Psychology,64(9),1692–1713.

Pothos,E.M.,Perlman,A.,Bailey,T.M.,Kurtz,K.,Edwards,D.J.,Hines,P.,&McDonnell,J.V.(2011).Measuring category intuitiveness in unconstrained categorization tasks.Cognition,121(1),83–100.

Richler,J.J.,&Palmeri,T.J.(2014).Visual category learning.Wiley Interdisciplinary Reviews:Cognition Science,5,75–94.

Stanton,R.D.,&Nosofsky,R.M.(2013).Category number impacts rule-based and information-integration category learning:A reassessment of evidence for dissociable categorylearning systems.Journal of Experimental Psychology:Learning,Memory,&Cognition,39(4),1174–1191.

Worthy,D.A.,Markman,A.B.,&Maddox,W.D.(2013).Feedback and stimulus-offset timing effects in perceptual category learning.Brain &Cognition,81,283–293.

Zeithamova,D.,&Maddox,W.T.(2007).The role of visuospatial and verbal working memory in perceptual category learning.Memory &Cognition,35(6),1380–1398.