文档介绍：4 8 0 心理科学 PsychologicaScienc 2006,29(2):480 一484
·学术动态与问题讨论·
神经网络模型对内隐学习的探索‘
郭秀艳”朱磊
(华东师范大学心理学系,上海,200062)
摘要近几年来,研究者们借助人工神经网络模型的方法对内隐学习研究中突出的争论性问题进行了新的探索。针对内隐
学习的无V 识问题,模拟研究发现确实存在一种无意识的内隐学习,然而这种无意识加工的发生与否要取决于规则的难易程
度;针对内隐学习的抽象性问题,人工神经网络模型所主张的分布式概率表征能较好地加以解释。可见,神经网络模型的原理
和模拟研究可能为真正地解决内隐学习的无意识性和抽象性等目前争论较多的领域提供一个全新的视角和研究方向。
关健词:无意识抽象性分布式概率表征
识的间接测验形式,而将言语报告作为知识的直接测验形
1 引言
式。当间接测验的成绩高于随机水平,而直接测验的成绩处
1 980 年,美国语言哲学家 Searl(1980 )在《心智、脑与程于随机水平时,则可以说明学习是无意识的。然而,虽然早
序》一文中提出了用心理过程的计算机模拟数据来检验心理期的一些研究证明言语报告和内隐学习任务的成绩间存在
理论的想法〔’〕。这种弱人工智能的思潮带动了人工神经网分离(Reber,1967;Posner和Keele,196[s''1,但后来有研究
络模型的发展:1985 年,lelland 等提出了自动联系者者发现两者间的分离有时很微小甚至会不存在(N issen 和
(atuoassociator)模型,用来解释模式识别的原型化、分类记忆 Bullem er,198Shanks和StJohn,1994)[。由此,研究者
中范例信息的作用、记忆表征的抗干扰性等问题(2;1986 年, 推测得出相互矛盾的结果,可能是由于言语报告本身不是一
Rum elhart等提出T 逆向传导法(bacpropagation),解决T 多种可靠的直接测验,它会受到被试的信心水平、遗忘和要求
层网络在算法上的核心障碍,使得各种多层网络能用于解释特征的影响「。进而,研究者们纷纷设计了诸如生成任务
问题解决、言语识别、单词发声等〔31;1990 年,Elm an 提出了(W illingham 等,1989[111)、残片(fragment)再认(Perruchet等,
简单循环网络(sim w ork,简称 SRN ),将神经 1992121Stadler,1995131)等其他测验形式以代替言语报告。
网络模型的应用领域拓展到了序列刺激上[[ 4...⋯在这样的不过,使用这些测验后,研究结果还是存在相互矛盾的现象。
背景下,用人工神经网络模型来模拟心理过程的思想迅速地 W illingham 等(1989)发现无觉察组(内隐学习组)的被试虽然
被借鉴到内隐学习的研究中来,研究者们借助于这种全新的在生成任务上的表现等同于只接受随机序列的控制组被试,
方法对于近四十年来内隐学习研究中突出的争论性问题进但是他们在系列反应时任务的表-% 粼著高于随机水平〔川。
行了新的探索。而 Perruchet 和 A m orin(199)的研究却并没有发现生成任务
2 内隐学习的无意识