文档介绍：脚
︸
沙 hvL
科学
心理 2003 年第 26 卷第 I 期 15 9
类别不确定时的预测推理研究述评
常建芳舰莫雷
(华南师范大学心理系,广州,510631)
有特征j的概率(给定目标物所具有的特征系列)等于该目标
1 引言
物属于某类别的概率乘上该类别的每一客体具有特征1的概
归类是一项非常重要的认知活动。它是指将某一项目率的总和(在所有的类别的水平上),即人们根据多个类别的
纳人某一团体的操作。归纳推理是归类的一种重要用途,指信息来对事物的特征作出预测。在各种类别中,如果存在着
根据某一个项目的已知特征来预测推理这个项目某未知的可能性最大的“靶类别”,人们虽然会考虑“靶类别”中的信
特征的操作。息,但同时也会考虑其他“非靶类别”中的信息,其最后的决
我们所面对的世界是千姿百态、纷繁复杂的,而通过归策是综合考虑多个类别的信息而得出的最优化结果。
类,我们可以把我们在有限的事物中所学习的知识运用到无在此,需要注意方程中概率的累加前提是,假定它们是
限的新事物中去,尤其是没有见到过的新事物。比如,尽管独立的,而且需要预测的1特征在每一类别内与观察到的 F
没有一个人见过世界上所有的狗,但是,大多数人都能够识特征是彼此独立的。
别没有见过的狗的新样例。这个过程就是运用类别进行归正式描述要复杂的多。首先它不是简单地陈述“){ 是狗,因
纳推理的过程,也就是对事物的未知属性或特征进行预测推而 X 将汪汪叫”。方程右边的第一项强调目标物是狗时的概
理的过程。率。更重要的是,这一规则也考虑到该目标物不是狗而是
前人关于归类预测的讨论大多是比较含糊的。他们对猫、狼或是其他动物的概率。第二,这一规则强调根据每一
于“归类能够用来进行预测推理”往往以如下的风格来简单类别中某一特征的基础比率进行的预测。例如,如果所有的
地陈述:“一旦你知道了某物体是一只狗,那么你能够推断它狗都汪汪叫,那么规则给出的概率值要比在只有一部分狗汪
将可能吠叫,以及它身上有毛等等。”然而,这个陈述遗漏了汪叫的条件下给出的概率值高。
两个重要的问题。第一,如果你不知道那个事物是狗,而只 B ayesian 规则对于我们进行预测推理具有重要的意义。
是猜想它是狗,那又是怎么样呢? 第二,“可能”意味着什么? 例如,假设你看见远处的某一动物,你想可能是狗,那么它汪
人们在作出这样的预测时有多大的把握,以及是什么在影响汪叫的概率是多少? 如果它是狗,那么它汪汪叫的概率非常
高,因为大多数狗汪汪叫。但如果你认为那不是狗,那么概
着这种确定性?
率将下降,因为“汪汪叫”与其他类别没有什么关联。这就是
一些归类模型认为,预测某物具有某个特征的概率取决
说,Bayesian 规则认为,你不仅会考虑“狗”这个概念,而且会
于此物所属类别的类别成员具有该特征的相应比例。然而,
考虑与目标物的特征相同的其他概念。来自不同概念的信
这种说法并不能解释,当人们不确定某物所属的类别情况
息结合得出了最后的预测。特别是如果目标物介于几个类
下,将此物归入某类别的概率将如何变化。在这种情况下,
别之间(即你关于该动物的知识很少,不