类别学习中的最佳排序:测试双学习系统的观点
Sharon M. Noh a*，Veronica X. Yan, Robert a . Bjork b, W. Todd Maddoxa，2016.
摘要
作者检验了一个基于双重学习系统框架的假设，即学习类别的最佳安排应取决于介导学习的认知系统和正在学习的特定类别的结构的相互作用。
模块化（blocking）应该增强基于规则的类别学习，这是由显式的假设检验过程介导的。
交叉（interleaving）应该增强信息集成的类别学习，这是由一个隐式的、基于过程的学习系统介导的。
1 介绍
一些研究表明，可能没有单一的“最佳”排序（sequencing）方法，但是，最佳排序方法可能取决于各种因素（例如，待学习类别的性质）。虽然类别可辨别性在决定交叉学习还是封闭学习是否能促进类别学习方面起着重要作用，但作者认为，另一个尚未探索的因素可能很重要：调节表现的学习系统。
不同类别结构的最佳学习是由至少两个神经生物学基础和相互竞争的学习系统介导的：
一个是基于工作记忆和执行注意的前沿中介假设检验系统，用于开发和测试用于优化解决rule-based（RB）类别的可描述规则。
第二个是一个条状介导的基于过程的学习系统，它不依赖于工作记忆和执行注意，而是学习用于解决information-integration（II）类别的非言语刺激-反应映射。
这两个系统相互竞争，先前的研究表明，对假设检验系统存在初始偏差，只有当类别结构得到保证时，控制权才传递给基于过程的学习系统。双学习系统研究表明，在不同的训练条件下，每个系统的学习都是最优的。
作者假设类别学习的最佳安排也依赖于潜在的类别结构。对于基于规则的类别，按类别对样本进行分组应该可以让个体更容易地生成、测试和调整其工作假设，特别是在工作记忆负荷相对较高的情况下。为了引入工作记忆负荷，我们使用了基于规则和信息集成学习结构的四类变体。另一方面，一个交错的安排会带来更高的工作记忆负荷，从而损害基于规则的学习，因为每个人必须同时为每个类别生成和测试多个规则。虽然交错可以让学习者比较那些符合或不符合给定类别的样本，但是在多个类别中考虑多个维度所涉及的工作记忆负荷会使使用基于规则的假设测试变得困难。
作者预测，实验中，封闭式学习应该比交错式学习更好地促进基于规则的类别学习；还假设交叉学习应该有利于信息整合范畴学习，因为它不鼓励使用基于规则的策略，并加快了向基于过程的学习系统的过渡。
2 实验1
2.1方法
设计
类别结构(基于规则的vs.信息集成)和学习计划(blockingvs.interleaving)的2×2被试间设计。
材料
图1显示了四种基于类别规则和信息集成的类别结构。每一个刺激都是由一条不同长度和方向的线组成，这些线与计算机屏幕上的中心（位置不同）有固定的距离。刺激由三个连续值维度构成：线方向、线长度和位置。每个维度都有八个相等间隔的值，但只有行长度和行方向值定义了类别成员。在基于规则的条件下，刺激空间使用可描述的决策边界被分为四个类别（例如，“类别A的所有成员都包含一条短而陡的线”）。为了生成信息集成条件，将基于规则的条件中的类别边界和刺激旋转45 °，使得没有简单的可描述规则可以定义类别成员。这种转换允许我们区分基于规则和信息集成的类别学习策略，同时保持类别结构和刺激分布在数学上的等价性。
过程
学习（被动研究过程）→测试阶段
参与者被要求学会区分不同类别的范例。在学习阶段，参与者观察了64幅图像，这些图像是由所有8行长度和所有8行方向的阶乘组合构成的。每个项目都有相应的类别标签(A、B、C或D)，每个3.5秒。在block的情况下，参与者在进入下一个类别之前看到了来自一个类别的16个样本，而在interleave的情况下，所有64个样本都是随机排列的。
在这个被动的研究阶段之后，参与者进入了测试阶段，在那里他们看到了同样的64对长度取向的配对。测试中的刺激是随机呈现的，在每次刺激呈现之后，参与者被要求通过点击四个按钮中的一个(标记为A、B、C和D)来选择他们认为合适的类别标签，这些按钮水平地排列在每个刺激显示的下方。这个最后的测试是自行进行的，没有反馈。
图2显示了在研究阶段使用的排序和刺激的例子。
2.2 结果与讨论
分类性能
各工况的平均最终试验性能如图3所示。2×2的被试间方差分析显示类别结构的主要影响，信息整合类别结构的准确性高于基于规则的类别结构。主效应不显著，存在显著的交互作用。事后t检验显示，对于基于规则的类别，模块化研究的准确性略高于交叉研究的准确性；但是对于信息集成类别，情况正好相反:交叉研究的准确性高于阻断研究，但差异无统计学意义。
模型
分块提高了RB的学习，而交叉则有助于II的学习。因为模块化可能会促进假设检验和规则发现过程，而交叉可能会阻止规则的使用(可能通过引入工作记忆负荷)。为了检验这种可能性，作者拟合了许多不同的决策约束模型，为了了解每个参与者用来对刺激进行分类的策略，对每个参与者的数据进行了分析。
模型参数采用最大似然估计（Ashby，1992），拟合优度统计采用贝叶斯信息准则。BIC定义为BIC=rLnN-2LnL，其中r是自由参数的个数，N是样本大小，L是给定数据的模型的可能性。为了确定一组竞争模型中的最佳拟合模型，计算每个模型的BIC统计量，并将BIC值最小的模型作为最佳拟合模型。模型拟合结果见表1。
与假设一致，与交叉研究相比，模块化研究导致更多的基于规则的策略用户。当比较使用任何基于规则的策略（即一维长度、一维方向或连接规则）的阻塞和交织研究条件参与者的比例时，这种模式是正确的，并且作者将比较限制为仅使用基于连接规则的策略的参与者。
正如所预测的那样，交叉研究导致了与模块化研究相比更多的基于信息的策略使用。实验1表明，模块化促进了连接规则的使用，增强了基于规则的类别的学习，而交叉阻碍了基于规则的策略，增强了信息集成类别的学习。
3 实验2
考虑到现实世界中的大多数分类问题都涉及到感知丰富的刺激物，这些刺激物具有许多与类别归属无关的维度。在实验2中，使用了更复杂的刺激重复了实验1的设计。为了达到这一目的，作者在每个椭圆刺激物上增加了第二个不相关的维数，该椭圆具有固定的高度和变化的长度。
3.1 方法
材料
基于规则和信息集成的四类类别结构与实验1非常相似，多了一个长短不等的椭圆(线从椭圆向外延伸;以刺激物为例，见图2)。与其他维度一样，椭圆长度维度也有8个相等的值。
过程
实验2的过程与实验1相同。使用与实验1相同的64对线纵向配对，但它们随机地与64对不同的椭圆长度和位置配对。参与者在一个封闭或交叉的中研究了64个刺激，在被动的研究阶段之后，参与者被展示了相同的64个长度方向配对，但是有新的椭圆长度和位置值。
3.2 结果与讨论
分类性能
各工况的平均最终试验性能如图4所示。受试者之间2×2的方差分析显示，无论是在类别结构上、还是在时间安排上，都没有显著影响。但存在显著的交互作用。事后t检验显示，对于基于规则的类别，封闭研究的准确性显著高于交叉研究。然而，对于信息集成类别，情况正好相反。
图4 分类精度结果，按设计和类别结构。误差条代表95%的置信区间
模型拟合
实验2的模型拟合结果见表2。鉴于本实验中观察到的低准确率，模型拟合较差，每个参与者的最佳拟合模型占反应变异性的百分比较低，但模型结果还是与实验1的结果一致。
4 效应的元分析
对于基于规则的类别，逐类别对样本进行阻封闭性研究比对不同类别的样本进行交叉性研究有好处。为了估计基于规则的类别的封闭效益的真实影响大小，作者对两个实验的结果进行了元分析，以及作为后续研究试点研究的一部分收集的额外数据。元分析的结果显示在图5的左面板中。meta分析显示，对于基于规则的分类，研究后的性能平均比交错研究后的性能高7%，并且封闭的这一优势与零显著不同。此外，效应大小的异质性不具有统计学意义，这表明三个样本之间的观察效应没有显著差异。
对于信息集成类别，交叉研究来自不同类别的范例比按类别封闭研究范例有一个好处。为了评估两个实验中信息集成类别交叉受益的真实影响大小，我们再次使用ESCI进行meta分析。结果如图5右侧面板所示。荟萃分析揭示了信息集成类别中，交错学习后的性能平均比封闭学习后的性能高5%，而且这种交错学习的优势与零差异显著。两组疗效大小的异质性无统计学意义，说明两组观察到的疗效差异无统计学意义。
图5 元分析的结果调查了基于规则（左面板）和信息集成（右面板）类别结构的研究计划的影响大小（封闭和交叉研究之间分类测试性能的平均差异）。水平线代表实验1和2的95%置信区间（对于左侧面板，第三条线是附加的导频数据），沿x轴的正方形位置代表平均差，正方形大小代表meta分析中每个样本的权重。菱形表示平均差的汇总统计。
5 一般讨论
在两项研究中，作者测试了封闭和交错学习计划对基于规则和信息集成的类别结构的学习的影响。在实验1中使用相对简单的刺激，在实验2中使用更复杂的刺激，发现预测的设计x类别结构交互:基于规则的类别学习受益于封闭，而信息集成的类别学习受益于交错，并且元分析结果促进了个体实验结果。两个实验的建模结果都表明，当类别示例被block时，这种交互是通过增加基于规则的策略来实现的。
5.1 blocking的好处优势
在基于规则的分类这个特定的任务中，对于基于规则的学习的好处可能是两个因素之一的结果，或者两者都有：
封闭可以帮助学习者从不相关的维度中识别相关的维度。
封闭可以让学习者在学习示例的过程中更容易地为每个类别生成和测试特定的假设。
两种可能结论：
参与者在一次研究一个类别时，能够更好地比较同一类别的样本，并生成和测试他们关于定义类别成员的维度的假设（这可能仍然是正确的，尤其是对于实验1）。
增加不相关维度（如实验2所示），封闭优势可能更可能是由这样一个事实驱动的，即它允许参与者更容易地识别和忽略不相关维度。
然而，这一结论是推测性的，目前的研究并没有将这两种可能性区分开来。
5.2 interleaving的好处优势
在信息整合学习中，交错学习的显著优势可能是由于交错学习计划鼓励被试在学习过程中更快地放弃使用次优的基于规则的策略。当可管理的待学习类别数量较多时，交叉将增强学习似乎是合理的，因为它将一个类别的实例与其他类别的成员并列，允许学习者缩小一个类别与另一个类别的定义特征。
根据实验设计，对于基于规则的类别，能够比较和对比由交错提供的不同类别的连续样本的潜在好处被工作记忆的限制和在四个类别中处理多个刺激维度的相关成本所掩盖。实验1和实验2的建模结果支持这一思想，因为交叉条件导致基于规则的策略使用减少，并且相对于封闭条件，信息集成策略使用增加。
此外，本研究重要的另一个原因是：它证明了类别间的区别性不是交叉benefits的调节因素：
数据表明，discrimination假设（交叉效益取决于待学习范畴的可辨别性，只有当范畴间的辨别比较困难时才会出现）可能无法完全解释决定最佳类别学习设计的因素。由于基于规则和信息集成类别在结构上是等价的，所以可区别性是等价的，但是最优调度在类别结构上是不同的。
5.3 可分辨性与范畴结构的可能相互作用
判别能力和范畴结构很可能相互作用。
理论上，这两类学习系统受不同因素的控制（例如，基于规则的学习依赖于工作记忆，而信息集成学习不依赖于工作记忆），因此，类别间和类别内可辨别性的操作在每个系统中的作用可能不同。换言之，如果说模块化总是有利于基于规则的学习，或者说交错总是有利于基于规则的学习，那就是对我们的结果的过度概括信息整合学习。
此外，当只有一个或两个将要学习的类别（例如，类别-A和非-A）或者规则很容易记住时，考虑到间隔对记忆的好处，交错可能是有用的。然而，当基于规则的学习是显式的，因此受到工作记忆的限制时，正如我们的四维四类刺激集（给定的总体表现水平）中所推测的那样，模块化学习比交错学习能带来更好的学习。
歧视假设和双重学习系统框架并非互斥的，未来的研究应该探索这两种理论如何相互作用和/或独立地有助于更好地解释越来越多的关于类别学习中排序效应的文献。
6 结论性意见
尽管现实生活中的大多数范畴和概念都不能清晰地划分为“基于规则”或“信息整合”范畴，但本研究结果对教育有重要的启示。因此，即使在我们复杂和不完美的世界中，双学习系统框架也为思考可用于优化不同类型学习的教学方法提供了一个有用的框架。