Nosofsky, R. M., Sanders, C. A., Gerdom, A., Douglas, B. J., & McDaniel, M. A. (2017). On learning natural-science categories that violate the family-resemblance principle. Psychological science, 28(1), 104-114.
在自然物体的分类上，普遍观点是服从家族相似性原则，即同一类别的成员共享一系列相同特征，相反类别不具有这些特征。本文通过研究岩石的分类，在实验一中，发现岩石的结构相对分散，违反了自然类别“家族相似性”原则普遍性，进而引发实验二，研究什么样的方法可以促进分散结构的学习，结果表明，在某些方面，对分散类别的有效学习技巧可能与那些有助于学习紧凑类别的技巧截然相反。
实验一：
有两种可能的类别结构（图一，I,S,M是三类岩石的首字母），来描述三大类岩石（岩浆岩、变质岩和沉积岩）及其不同的子类型在心理相似性空间中的位置。一种（左图）依据家族相似性原则，表现出类内相似度高、类间相似度低的结构特点；另一种（右图）的类别结构高度无序、分散，表现出类内相似度低、类间相似度高点特点。实验一证明是哪一种类别结构
1、实验设计：
选取三大类岩石中最常见的10种亚型，共30个子类型。作者搜索每个子类型的代表性特点，选取一张代表性图片。受试者根据图片，提供所有子类型之间的两两相似判断。用MDS分析判断结果，得到有关信息：岩石之间的整体邻近关系，以及哪些主要维度影响参与者的相似性判断。
2、实验流程：
30张不同子类型的图片两两组合，各随机出现一次，共435个试次。被试通过键盘上的“1”(非常不相似)到“9”(非常相似)来评价每对的相似度。
3、结果：
用MDS分析所有被试的平均相似度，该分析会在m维空间中为每一个子类型定位一个点。本实验并不需要精确结果，故只给出三维、四维空间的结果分析。
三维（图2）：球体、立方体和钻石分别对应于火成岩、变质岩和沉积岩的各个亚型。可以明显看出，结构是高度分散的。很多情况下，三大类的子类型之间的相似度很高，也有很多情况下，同一类的子类型之间的相似度很低。
四维（图3）：图a是1、2维度上的岩石分布情况，图b是3、4维度上的岩石分布情况。观察可知，第1维度与颜色的明度属性相当吻合，维度2与平均粒径属性相当吻合；个体维度评级研究显示，维度3与“饱和度”或“着色”属性之间存在显著的相关性，维度4大致对应“纹理层次”的属性。借助这些图，可以更深入了解三维图中呈现的高度分散结构，例如，花岗岩(岩浆岩)和角砾岩(沉积岩)是颜色较浅、粒度较粗的岩石，聚集在空间的右上角。
4、分析
结果证明三大类岩石的类别结构是高度无组织和分散的，明显违反了自然类别“家族相似性”原则普遍性。虽然还有其他维度信息与岩石分类有关，但是，包含这些信息的更高维空间几乎不可能将分散的结构变成紧凑的结构。
实验二：
实验一的发现引发研究：什么样的方法可以促进分散结构的学习
1、背景：
有关类别学习的研究中，Noh等人证实：如果目标是在高水平上学习类别，那么最好的训练方法是在高水平上专注于类别，亚型水平上的学习会干扰受试者学习高级类别的能力；不过，Lassaline等人使用一种特定的类别结构发现，当学习者在较低层次上接受培训和测试时，比在更高的层次上显示出更准确的分类。
2、假设：
聚焦高层次类别训练/同时进行子类型训练 的相对优点将取决于这些类别在心理相似空间中是形成紧密集群还是分散集群。基于范例模型，作者认为，当类别结构紧凑时，集中的高层次培训往往是最有效的，而当类别结构分散时，同时进行子类型培训将是最有效的。（原因解释在最后）
3、实验设计：
实验二是一个分类学习研究，被试需要将岩石图片分成三个高级类别（岩浆岩、变质岩或沉积岩）。实验变量有两个：类别结构（紧凑或分散）、训练方式（高级类别或同时子类别）。被试分为四组：紧凑型结构/高级训练、紧凑型结构/子类训练、分散型结构/高级训练、分散型结构/子类训练。在训练之后，在转移阶段测试被试分类新实例的能力。
实验刺激来自网络搜索获得的岩石照片。在紧凑结构和分散结构条件下，每个高级类别都有三个子类型，每个子类型有六张图片。对选择的子类型进行了MDS研究，以确认选择的子类型产生了所需的类别结构。
4、实验流程：
实验由三个训练阶段，一个测试阶段组成。对于每个被试，一半的图片用来训练，一半的图片用来测试，在每个训练阶段，27个训练项目均被随机呈现了两次，在测试阶段，27个原始训练项和27个新项目均都被随机呈现了两次，再次以顺序呈现。
每一试次中，电脑屏幕中央都会出现一块石头，受试者按电脑键盘上的一个键将其归类。在高级训练条件下，需分类为“火成岩”、“变质岩”和“沉积岩”，“I”、“M”和“S”是回答。在子类型训练条件下，需分类为九个单独的子类型，使用了一种将高级类别与子类型编号相结合的命名法，“I1”、“I2”、“I3”、“M4”、“M5”、“M6”、“S7”、“S8”、“S9”是回答。
训练阶段，3s后提供纠正性反馈，反馈内容适合于训练方式有关。在高级训练条件下，反馈可能是“正确的！岩浆岩”或“不正确的，变质岩”；而在子类型训练条件下，反馈可能是“正确的！火成岩1”或“不正确的，火成岩2”。在测试阶段，每次响应之后，计算机简单地显示“ok”。在每组的最后，告知被试回答正确的总百分比。
6、结果：
由于主要目标是评估受试者在高分类水平上的分类能力，所以图4中，绩效的衡量是相对于高分类水平而言的正确的平均比例。例如，子类型训练条件下，被试将Igneous 1判断为Igneous 2，该响应被认为是正确的。
结果表明，第一，紧凑结构下的表现优于分散结构下的表现。第二，原训练项目的绩效优于新训练项目。这一结果表明，在岩样中存在显著的亚型变异性。第三，类别结构和训练条件之间的相互作用的假设得到了证实。当训练只集中在高水平的分类时，紧凑结构下的被试表现更好；而在子类型训练下，分散结构下的被试表现更好。
对实验2的分散结构条件进行了概念上的复制。步骤相同，只是子类型标签由数字变为实际名称（eg“火成岩:花岗岩”）。结果与实验2的相同:子类型训练下，被试表现更好。简而言之，在目前分散结构中观察到的子类型训练的优势是稳健的。
7、对分型效应的正式解释
实验二的假设，是由广义上下文模型(GCM)的概念预测驱动的，GCM是一种类别学习的范例记忆模型。根据GCM，人们通过在记忆中存储单个范例来学习类别，并根据它们与其他类别范例的相似性来对项目进行分类。范例被表示为多维空间中的点，相似度是空间中物体之间距离的递减函数。该模型预测了实验结果。
预测了第一个结果，紧凑结构下的表现优于分散结构下的表现。原因是在紧凑结构条件下，类内范例相似度高，类间范例相似度低，而在离散结构条件下则相反。
预测了第二个结果，原始训练项目的分类精度比新的转换项目更高。原因是一个旧项目与它在记忆中的范例轨迹完全匹配，这提高了它与目标类别的总和相似性。
预测了第三个结果，当训练只集中在高水平的分类时，紧凑结构下的被试表现更好。原因是，高水平诊断维度可在紧凑结构中分离类别。如果被试专注于高水平，那么有选择地关注这些维度。相反，如果被试专注子类型，那么注意力会被分散到许多特殊的维度上。也有许多涉及GCM测试的研究都证明了选择性注意在使高级类别学习比低级类别学习更有效的过程中所起的关键作用。
预测了第四个结果，当类别结构分散时，同时进行子类型培训将是最有效的。原因是，对于分散结构，没有高水平诊断维度来将对象划分为高级类别，没有选择性注意。在子类训练条件的情况下，假设测试项S1i属于子类型S1，它产生了关于该子类型的非常强的相似信号。因此，该模型预测了很高比例的正确分类。在高级训练下，被试将测试项目与该高层次目标类别中所有子类型的所有范例进行相似性求和，有些子类型与测试项目非常不同，这使得相似信号的强度减弱，因此该模型预测了较低比例的正确分类。（图5）