Механизми за исправљање грешака у учењу језика: моделирање појединаца, 2. део

Задатак за учење језика

Наш поједностављени задатак учења природног језика био је инспирисан изазовом учења слагања субјекта и глагола у множини прошлог времена у пољском. У пастену се глаголи означавају за граматички род субјекта према следећим правилима:

1. Ако је један од референата лични мушки род (нпр. „мушкарац“), онда је пол субјекта у целини –ли, што се понекад назива и мушки лични завршетак.

Учење природног језика је способност која нам помаже да боље разумемо и примењујемо језик. Памћење је подједнако важна способност која нам помаже да боље савладамо знања и вештине. Однос између њих двоје је близак и они се међусобно допуњују.

Прво, учење природног језика може побољшати наше памћење. Када научимо нови вокабулар и граматичка правила, потребно је да их више пута вежбамо и памтимо, што може да искористи нашу способност памћења. Када можемо да изградимо смислен и логичан модел језика, лакше ћемо запамтити и разумети релевантно знање.

Поред тога, памћење нам такође може помоћи да боље научимо природни језик. Када запамтимо и савладамо неке основне језичке структуре и речник, можемо лакше разумети и применити језик, што ће нам такође помоћи да акумулирамо више искуства и вештина у процесу унапређења способности учења природног језика.

Укратко, учење природног језика и памћење су веома важне способности и морамо их континуирано вежбати и усавршавати. Само ако у потпуности искористимо предности и једног и другог, можемо лакше научити и савладати језик, чинећи тако наш живот бољим и шаренијим. Види се да треба побољшати своје памћење. Цистанцхе десертицола може значајно побољшати наше памћење, јер Цистанцхе десертицола такође може да регулише равнотежу неуротрансмитера, као што је повећање нивоа ацетилхолина и фактора раста. Ове супстанце су веома важне за памћење и учење. Важно је да поред тога, месо од меса може побољшати проток крви и подстаћи испоруку кисеоника, што може осигурати да мозак добије довољно хранљивих материја и енергије, чиме се побољшава виталност и издржљивост мозга.

Кликните на суплементе да бисте побољшали памћење

2. Ако су референти живог женског рода (нпр. "патка"), женског личног (нпр. "девојка") или средњег рода (нпр. "дете"), онда је пол субјекта –łи, који се понекад назива као немушки лични завршетак.

3. Прескриптивне граматике и изворни говорници пољског се не слажу око тога који облик треба да се додели предмету који укључује вишеструке мушке анимиране референце које нису особе (нпр. „пас и мачка су отишли ​​у шетњу“) или мешају личне референце мушког и женског рода (нпр. „девојка и пас су отишли ​​у шетњу“). Уџбеници граматике прописују употребу –łи, док се чини да изворни говорници фаворизују употребу –ли, према Киеłкиевицз-Јановиак и Павелцзик (2014).

Да бисмо дизајнирали наш поједностављени задатак учења природног језика, имплементирали смо прва два правила, али смо претпоставили да предмет који се састоји од мушких анимираних референта треба користити са личним обликом мушког рода, као што су предложили Киеłкиевицз-Јановиак и Павелцзик (2014). Направили смо такав уступак да побољшамо могућност тестирања нашег задатка из перспективе учења, као што је објашњено у дизајну задатка у наставку.

Подстицаји

Сваки догађај у нашем задатку учења састојао се од сцене која је представљала заједничку радњу коју изводи група људских и/или животињских ликова, а за сваки догађај учења учесници су видели слику која приказује сцену (слика 1), заједно са аудио записом пољска клаузула која то описује. Ново испитивање је почело са тачком за фиксирање која је била приказана у центру екрана око 500 мс, након чега је уследио истовремени приказ слике сцене. Учесници су чули аудио снимак клаузуле која описује сцену 250 мс након појаве слике сцене, док је слика остала изложена. Након отприлике 1 с је представљено ново испитивање.

Користили смо глаголски избор („шетати“), са његова два могућа облика прошлог времена у множини цходзиłи (облик множине који није мушки) и цхоли (облик множине мушког рода), као заједничку радњу у свим догађајима учења. Пример клаузуле коју су учесници чули је Цхłопиец и кацзка цходзили („Дечак и патка су ходали“). Прве три колоне у табели 1 дају листу свих ликова коришћених у експерименту, заједно са њиховим лингвистичким категоријама у смислу рода и анимације; последње две колоне се односе на дизајн задатка и постаће релевантне у следећем одељку.

Слике које представљају различите људске и животињске ликове су извучене из Адобе Стоцк (хттпс://стоцк.адобе.цом), а затим уређене помоћу Адобе Пхотосхоп ЦЦ 2018. Аудио снимци и ознака знакова и два глаголска облика припремљени су помоћу синтисајзера говора софтвареСпеецх2Го (Харпо Софтваре, 2018).

Структурирали смо наш задатак на овај начин да створимо ефекте налик блокирању као што се обично види у павловским експериментима учења. На пример, додавање знакова ФА3 и ФП3 једињењима "ФА1 + ФА2" и "ФП1 + ФП2", респективно, у другом блоку би требало да смањи снагу асоцијације коју могу добити ФА3 и ФП3 за исход нп. Исто тако, обука МП1 и МП2 са исходом у првом блоку требало би да блокира ФА4 да стекне позитивну везу са мп. Поред предвиђања да би ФА4 могао да буде блокиран, такође смо предвидели да би могао да постане инхибиторан за мп, односно да добије негативну тежину асоцијације са мп, као што ће се видети када представимо резултате симулације уклапања модела.4

Дакле, ФА3 и ФП3 означавају као блокиране знакове, а ФА4 као инхибиторни блокирани сигнал.

Знакове смо категорисали у седам различитих категорија на основу њихових језичких својстава и ефеката сличних блокирању које предвиђају (погледајте крајњу десну колону у табели 1). Конкретно, седам категорија је засновано на томе да ли је знак мушки или женски, да ли је лични или анимирани, да ли се предвиђа да ће бити блокиран или деблокиран, и да ли се предвиђа да ће бити анинхибицијски блокиран знак. Сличност између знакова унутар сваке од ових категорија је појачана чињеницом да они деле исте тежине асоцијације са сваким исходом, према Р–В теорији, као што ће бити приказано у одељку Резултати о наученим тежинама асоцијација именица-глагол.

Дизајн

Прво, учесници су поучени пољским ознакама различитих животињских и људских ликова који се користе у задатку учења. Конкретно, учесницима су представљене слике свих ликова заједно са њиховим одговарајућим ознакама, прво појединачно, а затим у комбинацији, како се касније појављују у задатку учења (нпр. пас; дечак, пас и мајмун). Било је осам таквих комбинација знакова, а од учесника се захтевало да запамте најмање седам (тј. да постигну тачност задржавања од 87,5%) пре него што су могли да пређу на главни задатак (погледајте Додатак С2 у пратећим информацијама на мрежи за више детаља). Учесницима је било дозвољено до 10 покушаја да достигну потребан ниво тачности.

Главни задатак се састојао од фазе обуке и теста. Дизајн тренажног дела задатка је сажет у табели 2. Задатак је садржао 12 знакова и два исхода. Знак "+" означава да су знакови представљени у споју, а симбол стрелице "→" означава да је исход на десној страни пратио знакове. Тако, на пример, „ФП1 + ФП2 + ФП3 → нп“ представља клаузулу као што је Дзиевцзина, кобиета и бабциа цходзиłи („Девојка, жена и бака су ходале“), где Субјекат клаузуле се састоји од три женска лика, а глагол је у прошлом облику немушког рода множине (нп), за разлику од прошлог облика множине мушког рода (мп). Постојала су два блока тренинга, од којих је сваки садржао четири догађаја који су се понављали по 15 пута. Редослед догађаја био је потпуно насумичан унутар сваког блока. Догађаји у првом блоку су били састављени од парова битова, док су они у овом другом блоку били састављени од тројки битова.

Након обуке, учесник је прешао на фазу тестирања. Тест се састојао од две компоненте. Коришћењем насумично генерисаног знака из сваке категорије, тестирали смо учење једном на свим могућим паровима мешајући или знакове из исте категорије знакова (нпр. ФП1 + ФП2 из уФП групе) или знакове из различитих категорија (нпр. МА{ {2}} ФП3 из уМА и бФП група). Такође смо укључили четири комбинације које се састоје од тројки знакова представљених у фази тренинга као проверу разума ради присећања учесника (ове комбинације су искључене из наше главне анализе). Све у свему, у фази тестирања, сваки ученик је наишао на укупно 29 комбинација знакова, које су насумично одабране од укупно 70 могућих комбинација знакова. (Тачан формат и упутства која се користе током администрирања задатка дати су у Додатку С2 у пратећим информацијама на мрежи, а листа свих комбинација тестних знакова је дата у Додатку С3.)

На крају, вратимо се на питање зашто смо усвојили КиеłкиевицзЈановиак и Павелцзик-ово (2014) правило, при чему свака комбинација субјекта која садржи референцу мушког рода узима облик личне множине мушког рода. Прво, комбинација „МА1 + МА2 + МА3“ повезана са „мп“ уместо „нп“ омогућила је уравнотежен број мп и нп догађаја како унутар целог задатка тако и унутар сваког блока . Ово је смањило вероватноћу појаве било какве пристраности према нп-у искључиво због дизајна. Друго, ово нам је омогућило да имамо изазовније комбинације које боље испитују учење учесника, посебно комбинације које мешају женске и мушке знакове.

Анализа

Из задатка учења, подаци од три учесника су одбачени јер су они упорно бирали исти одговор током фазе теста (27 или више од 29 одговора; тј. стопа > 93%).5 Да бисмо анализирали изборе учесника и времена одговора, користили смо генерализовани мешовити одговор. -моделовање ефеката. Подаци су садржали поновљена мерења истих учесника и предмета у вишеструким испитивањима, па смо додали насумичне ефекте и за учеснике и за ставке (тј. комбинације знакова у фази тестирања). Изабрали смо структуру насумичних ефеката модела коришћењем стратегије одозго надоле, почевши од свих насумичних пресека и нагиба, а затим уклањајући случајне ефекте вишег реда корак по корак на основу Акаике резултата критеријума информација. Покренули смо моделе мешовитих ефеката у Р (Р Цоре Теам, 2019) користећи пакет лме4; п вредности су добијене коришћењем највећег пакета заснованог на Саттертхваите-овим апроксимацијама, а збирне табеле модела су генерисане коришћењем пакета сјПлот. Да бисмо одредили статистички значај, користили смо алфа ниво од .05. У анализи времена одзива, користили смо Бок–Цок метод како је имплементиран у пакету аутомобила да трансформишемо дистрибуцију у нормалност и олакшамо статистичко моделирање.

Експлицитно знање и демографски упитник

Након што су завршили задатак учења језика, учесници су попунили упитник који их је питао да ли су користили нека експлицитна правила да одлуче када ће користити сваки од два глаголска облика, и ако јесу, која су то правила. Упитник је такође прикупио информације о полу учесника, њиховој старости, језицима које говоре (осим енглеског) и њиховом највишем нивоу образовања. Потпуна листа питања која се користе у упитнику налази се у Додатку С4 у пратећим информацијама на мрежи. Посебно се фокусирамо на улогу старости и пола у објашњавању било каквих индивидуалних разлика уочених приликом уклапања Р–В модела у податке. То је зато што се показало да узраст и пол утичу и на асоцијативно учење и на усвајање другог језика. На пример, Муттер ет ал. (2012) су показали да је мања вероватноћа да ће старије одрасле особе стећи асоцијације знак-исход него младе. Такође је добро утврђено да су старији одрасли мање ефикасни у учењу другог језика од млађих одраслих (за преглед видети Муноз & Синглетон, 2011) и да имају више потешкоћа са продукцијом језика (Бурке & Схафто, 2004). Неколико студија је такође известило да жене показују више нивое условљености у асоцијативним задацима учења (Лонсдорф ет ал., 2015; Мерз ет ал., 2018) и усвајају језик ефикасније (Адани & Цепанец, 2019; ван дер Слик ет ал., 2015) од мушкараца .

Поред главног задатка учења, укључили смо стандардни задатак способности имплицитног учења и задатак радне меморије (ВМ). Изабрали смо ова два задатка јер обухватају истакнута својства поставке учења: (а) чињеницу да нису дата експлицитна упутства; и (б) чињеница да се лингвистички феномен може сматрати дисконтинуираним у томе што својства (сазвежђа) агенса, која се прво помињу, одређују који ће прошли завршетак бити употребљен на глаголу, који се помиње на другом месту, тако да неко одржавање агенса -потребне су повезане информације у меморији. Пошто је наша мера имплицитне способности учења нестандардна и није играла значајну улогу у нашим моделима, извештавамо о овом задатку у Додатку С5 у онлајн СуппортингИнформатион.

Задатак радне меморије

Подстицаји

Да бисмо измерили капацитет ВМ учесника, користили смо мало модификовану верзију теста радног распона (Турнер & Енгле, 1989) коју су користили Медиморец ет ал. (2021). У сваком испитивању, од учесника је затражено да задрже листу цифара (између 1 и 9) представљене једну по једну. Свако представљање цифара трајало је 1 с и праћено је једноставном математичком операцијом која је могла бити или тачна или нетачна (50% математичких операција је било тачно). Учесници су морали да провере веродостојност математичке операције пре него што је могла да се прикаже следећа цифра. На крају сваког испитивања, морали су да укуцају цифре истим редоследом којим су им биле представљене. Дужина листе цифара се постепено повећавала са два на осам, при чему се свака дужина понављала три пута. Задатак се, дакле, састојао од 21 покушаја.

Анализа

Израчунали смо ВМ распон сваког учесника тако што смо прво збрали број тачних ставки које су се сетили у исправном редоследу, а затим з-трансформисали добијени резултат. Искључили смо једног учесника чији је ВМ резултат био дисконтинуиран из остатка узорка (њихов ВМ скор је био -4,3 стандардне девијације од средње вредности, док је други најдаље ВМ резултат био -1,8 стандардних девијација од средње вредности).

Рачунарско моделирање

Ресцорла–Вагнерове једначине

Р–В модел (Ресцорла & Вагнер, 1972) компјутерски описује како се успостављају везе између знакова и исхода. У контексту нашег експеримента, знак је пољска ознака и слика једног од људских или животињских ликова који се појављују у сцени на датом огледу, а исход је облик глагола који описује њихову заједничку радњу. На пример, клаузула Цхłопиец,м ˛езцзизна и маłпа цходзили ˙ („Дечак, човек и мајмун су ходали“) има као знаке цхłопиец, м ˛езцзизна ˙ и маłпа, а као резултат цходзили. У нашем случају, тежина (или снага) асоцијације мери тенденцију глаголског облика да се појави у присуству одређене именице.

Након што наиђе на клаузулу, ученик ажурира тежину асоцијације између знака ци и исхода о, у зависности од тога да ли се знак и исход појављују у реченици, користећи правило корекције типа делта:

Индекс т се односи на садашње испитивање, тако да је вт (ци, о) снага везе између ци и о у испитивању т. и означавају стопе учења за тхецуе ци и исход о респективно. λ се односи на максималну повезаност са исходом и скоро увек је постављено на 1.

На основу једначине, три случаја одређују како се прилагођава тежина асоцијације:

1. Ако знак изостане, не подешавамо тежину.

2. Ако су присутни и знак и исход, онда ово даје позитивне доказе који би требало да ојачају тежину асоцијације, а збир тежина знакова присутних у тренутном догађају се прилагођава максималној вредности асоцијативности.3. Ако је знак присутан, али исход није примећен, онда ово пружа негативан доказ који би требало да ослаби тежину асоцијације, а збир тежина се прилагођава према 0.

За имплементацију модела користили смо пакет који је развијен у оквиру студије Милин и сар. (2020).

Предвиђање избора из модела

Да бисмо генерисали избор облика глагола (или у терминологији модела, исход) из модела који је дат одређеном скупу знакова, прво израчунавамо активацију сваког облика сабирањем асоцијацијских тежина између облика и сваког од релевантних знакова. Предвиђени одговор модела је тада облик који има највећу активацију. На пример, ако на одређеном огледу у тестној фази, сцена која садржи девојчицу и мајмуна, тада се активације облика мушког рода множине (мп; цходзили) и немушког множине (нп; цходзиłи) израчунавају на следећи начин:

где смо за формуле користили коначне тежине добијене на крају фазе тренинга и стога смо изоставили пробне индексе (у фази теста се не учи). Ако је активан (нп) > активан (мп), модел би предвидео нп форму, ау супротном би предвидео мп форму.

Процедура постављања модела

У нашим симулацијама, претпоставили смо да су λ=1 и=1 и сматрали смо стопу учења слободним параметром који треба проценити за сваког учесника (од сада, кад год говоримо о стопи учења, увек ћемо се позивати на параметар). Конкретно, извели смо 50 компјутерских симулација по учеснику користећи мрежу за претрагу у распону од .01 до .50. У свакој симулацији, програмирали смо виртуелног агента да се понаша у складу са Р–В моделом и представили му исте тестове обуке као и учеснику чију историју учења смо желели да моделујемо. учесник са којим се сусрео у фази тестирања. Коначно смо одабрали стопу учења (а самим тим и модел) која је максимизирала стопу подударања између посматраних одговора учесника и предвиђених одговора модела (тј. пропорција тестних задатака за које је модел произвео исти одговор као и ученик). Због неидентификације модела најбољег уклапања, где је у неким случајевима више од једне вредности стопе учења максимизирало стопу подударања, изабрали смо средњу стопу учења као најбољи параметар.

Модел Евалуатион

Да бисмо објаснили податке о понашању учесника, извели смо меру засновану на активацији из уграђеног Р–В модела, који називамо активациона подршка за исход. Мера има за циљ да објасни изборе образаца учесника и време одговора и дефинисана је као разлика између активације исхода од интереса и активације преосталог исхода. На пример, подршка за активацију за немушки облик множине (нп) је дата на следећи начин:

подршка за активацију (нп)=активна (нп) − активна (мп)

Претпоставили смо да што је већа подршка за активацију за глаголски облик (тј., што је јачи доказ из модела који подржава глаголски облик у односу на други могући облик), већа је вероватноћа да ће тај облик бити изабран од стране учесника. Такође смо очекивали да ће величина подршке за активацију негативно корелирати са временом одговора учесника. Другим речима, што је већа величина ове мере, одговор учесника би био бржи. Ово би требало да се претвори у квадратни однос између подршке за активацију и времена одговора, са најспоријим одговорима који се очекују када су вредности подршке за активацију близу нуле, и најбржим одговорима који се очекују за високе позитивне или негативне вредности.

Резултати

Овај одељак процењује у којој мери Р–В модел објашњава понашање наших учесника тако што ће уградити посебан модел у податке сваког учесника и тестира да ли на квалитет уклапања модела утичу индивидуалне разлике као што су ВМ распон, старост и пол. Прво представљамо неке дескриптивне резултате о асоцијацијским тежинама прилагођених модела, који сумирају лингвистичко знање које су учесници стекли у задатку учења језика. Затим упоређујемо квалитет уклапања модела са квалитетом других веродостојних стратегија одговора заснованих на правилима. Затим сукцесивно представљамо анализе које процењују капацитет модела да поврати језичке изборе учесника, временске латенције и нивое сагласности одговора. Утицај когнитивних и личних карактеристика на степен до којег Р–В модел обухвата учење језика анализира се на крају одељка Резултати.

Тежине асоцијације научене именице и глагола

Пратећи процедуру уклапања описану раније у одељку о рачунарском моделирању, изабрали смо модел који је најбоље обухватио изборе које је сваки учесник направио током испитивања, проналажењем „правог“ параметра брзине учења (погледајте Додатак С6 у онлајн пратећим информацијама). Сваког учесника су углавном карактерисала два режима тачности уклапања модела: један за стопе учења у распону отприлике између .05 и .11, а други за стопе учења између .12 и .50 (са неким изузецима, као за учеснике 12, 19, 27 и 35 , за које су постојала три режима тачности), при чему ниједан од два режима није доследно водио ка бољој прецизности уклапања модела. Узето заједно, иако је објашњена варијабилност у изборима допринела параметру брзине учења била ограничена, прилагођавање тог параметра од стране учесника је и даље било корисно и проницљиво: Приметили смо да не постоји ниједна вредност стопе учења која је довела до највеће прецизности уклапања модела за свим учесницима. Другим речима, чини се да постоје значајне индивидуалне разлике у стопи учења. Слика 2 приказује дистрибуцију стечених тежина асоцијација свих могућих парова именица–глагол из модела који се најбоље уклапају.

Све у свему, дистрибуције тежине асоцијација биле су сличне унутар сваке категорије знакова (нпр. МА1, МА2 и МА3 унутар категорије уМА), појачавајући наше груписање знакова на основу граматичког пола и анимације именица које представљају. Друго, и није изненађујуће, (неблокирани) знакови мушког рода добијају позитивну тежину асоцијације са обликом множине мушког рода (тј., вероватније је да ће ови знакови резултирати избором за облик множине мушког рода), док су деблокирани знакови женског рода добили позитивну асоцијацијску тежину са немушки облик (тј., вероватније је да ће ови знакови резултирати избором за облик множине који није мушки). Величине пондера су се такође разликовале међу учесницима за већину знакова, стварајући на тај начин потенцијални алат за хватање индивидуалних разлика у нашим подацима.

Као што је предвиђено (стандардним) блокирањем, тежине повезаности између женских блокираних знакова (тј. ФА3 и ФП3) и немушког облика биле су више усредсређене око нуле од њихових деблокираних парњака (погледајте окна за ФА3 и ФП3 на слици 2). Блокирање се, међутим, још увек није у потпуности одразило на добијене тежине, пошто су за многе учеснике асоцијацијске тежине између блокираних женских знакова и немушког облика биле различите од нуле. Ефекат инхибиторног блокирања (тј. негативна тежина између ФА4 и облика множине мушког рода) појавио се код око трећине учесника. За преостале учеснике, ФА4 је више личио на стандардно блокирани знак јер је његова тежина повезивања са мушким обликом била око нуле. Узети заједно, ефекти налик блокирању показали су тенденције у предвиђеним правцима.

Претпоставили смо да је њихова релативно блага величина зато што је наш експеримент ухватио ране фазе учења, где су експозиције стимулуса поновљене само 15 пута. Ова хипотеза је потврђена поновним покретањем симулација представљених на слици 2, сада са 1,000 понављањем по догађају, као што је приказано у Додатку С7 у пратећим информацијама на мрежи; ефекти блокирања и инхибиторног блокирања су се десили за све учеснике без обзира на њихову брзину учења или редослед догађаја. Ови резултати потврђују оно што смо раније истакли. Пристрасности и разлике у учењу се чешће манифестују у раној фази учења (Еллис, 2006а).

Стопе подударања учесника и модела

Затим смо истражили у којој мери ове разлике у учењу могу бити обухваћене Р-В моделом ако узмемо у обзир редослед догађаја са којима се сваки учесник сусреће, као и разлике у њиховим стопама учења. Тачност модела (тј. пропорција подударања између одговора датог учесника и његовог најбољег Р–В модела) се кретала од .24 до 1.00 (М=.68,СД { {6}} .17): 17 од 63 учесника имало је тачност уклапања већу или једнаку 0,80, а само девет учесника је имало удео подударања мањи од 0,50. Процена уклапања модела коришћењем унакрсне валидације без једног изостављања6 показује да је тачност уклапања модела била подједнако висока на невидљивим подацима, са просечном тачношћу од .68 (СД=.17) и 17 од 63 учесника који су достигли тачност уклапања већу од или једнако .80. Стопе тачности уклапања биле су највеће за догађаје који садрже мушки лични знак (М=.74) или неблокирани женски лични знак (М=.68), а најнижи су за догађаје који садрже инхибиторни блокирани знак (М=.61) или анимирани знак (сва средства≈ .65).

Ови резултати сугеришу разумно добро уклапање Р–В модела са подацима учесника, с обзиром на то да смо размотрили једноставну стратегију за генерисање предвиђања одговора на основу активација модела – то јест, за сваки догађај смо изабрали облик глагола који је имао највећу активацију без обзира на разлику у активационим величинама два могућа глаголска облика. Касније ћемо анализирати осетљивост активирања уграђених модела на посматране пропорције избора облика и времена одзива.

Поређење између Ресцорла–Вагнер модела и других стратегија одлучивања

Горе представљени резултати показују да Р–В модел прилично добро обухвата понашање наших учесника, али како се модел може поредити са другим стратегијама које су учесници можда користили током експеримента? Да бисмо одговорили на ово питање, размотрили смо четири стратегије одлучивања. Прве две су прескриптивне и нормативне стратегије које смо раније представили. Прескриптивна стратегија је она која је описана, или прописана, у пољским граматичким књигама, при чему учесник увек бира глаголски облик који није мушки осим када је присутан лични знак мушког рода (ову стратегију такође називамо стратегијом „пристрасне на жене“). Нормативна стратегија је она коју углавном усвајају говорници пољског, при чему се глаголски облик мушког рода увек бира осим када су сви знакови женског рода (који се назива стратегија „пристрасног мушког рода“). Такође смо укључили две основне стратегије, при чему учесник или увек бира облик глагола мушког рода (који се назива стратегија „само мушког рода“) или увек бира немушки глаголски облик (који се назива стратегијом „само женског рода“). Последње две стратегије су укључене да би се ухватило понашање учесника у крајностима.

Слика 3 приказује удео учесника који најбоље одговара сваки од пет резултујућих модела (Р–В и наше четири стратегије одлучивања); сматрали смо модел(е) са највећом стопом подударања учесник-модел међу пет модела као модел(е) који најбоље одговара(ју). Р–В модел је био модел који је најбоље објаснио одговоре учесника (31 од 63 учесника), након чега је следила нормативна стратегија (26 учесника). Остале три стратегије су знатно слабије објасниле избор учесника од те две стратегије (< 12 participants). The fact that the R–W model and the normative strategy were close in capturing participants' behavior is not very surprising since the verb forms used in the training events were selected based on the normative rules and the predictions of the R–W model were largely by the normative strategy (Figure 3). It is interesting, though, that the R–W model managed to learn this strategy implicitly without any prior experience based on a simple general learning rule. The average percentage of response matches between the R–W model and the normative strategy per participant was above 90%, and the average percentage of response matches between the R–W model and the prescriptive strategy was above 85%.

For more information:1950477648nn@gmail.com