[論文レビュー] How trial-to-trial learning shapes mappings in the mental lexicon: Modelling Lexical Decision with Linear Discriminative Learning

Maria Heitmeier, Yu‐Ying Chuang+1 more|arXiv (Cornell University)|Jul 1, 2022

Text Readability and Simplification被引用数 5

ひとこと要約

本研究は、試行ごとの学習が、分散的意味論に基づく精神語彙モデルにおける段階的で誤差駆動の学習を通じて語彙的意思決定のパフォーマンスを形作ることを示している。イギリス語彙プロジェクトのデータを用いて、Widrow-Hoff学習を適用した分類的語彙モデル（DLM）を用いることで、学習に基づくモデルが反応時間の予測において非学習モデルを上回ることを示し、語彙的意思決定タスク中に継続的な学習が行われていることを確認した。

ABSTRACT

Trial-to-trial effects have been found in a number of studies, indicating that processing a stimulus influences responses in subsequent trials. A special case are priming effects which have been modelled successfully with error-driven learning (Marsolek, 2008), implying that participants are continuously learning during experiments. This study investigates whether trial-to-trial learning can be detected in an unprimed lexical decision experiment. We used the Discriminative Lexicon Model (DLM; Baayen et al., 2019), a model of the mental lexicon with meaning representations from distributional semantics, which models error-driven incremental learning with the Widrow-Hoff rule. We used data from the British Lexicon Project (BLP; Keuleers et al., 2012) and simulated the lexical decision experiment with the DLM on a trial-by-trial basis for each subject individually. Then, reaction times were predicted with Generalised Additive Models (GAMs), using measures derived from the DLM simulations as predictors. We extracted measures from two simulations per subject (one with learning updates between trials and one without), and used them as input to two GAMs. Learning-based models showed better model fit than the non-learning ones for the majority of subjects. Our measures also provide insights into lexical processing and individual differences. This demonstrates the potential of the DLM to model behavioural data and leads to the conclusion that trial-to-trial learning can indeed be detected in unprimed lexical decision. Our results support the possibility that our lexical knowledge is subject to continuous changes.

研究の動機と目的

• 明示的なプリミング効果とは独立して、プリミングなしの語彙的意思決定タスクにおいて試行間学習が生じるかどうかを調査すること。
• Widrow-Hoffルールによる段階的で誤差駆動の学習が、反応時間の逐次的効果を説明できるかどうかを評価すること。
• DLMから得られるシミュレーションベースの予測子を用いて、語彙処理における個人差をモデル化すること。
• 学習に基づくモデルが非学習モデルに比べて行動データにどれほどよく適合するかをテストすること。
• 分布的意味論と継続的学習が、リアルタイム意思決定中の精神語彙表現をどのように形作るかを探索すること。

提案手法

• 分散的意味論を介して表記形を意味表現にマッピングする分類的語彙モデル（DLM）を用いて、試行ごとの語彙的意思決定タスクをシミュレートした。
• 試行間の段階的で誤差駆動の学習を模倣するために、Widrow-Hoff（最小二乗法）学習ルールを適用した。
• 被験者ごとに2つのシミュレーション条件を生成した：試行間の学習更新ありとなしで、学習の効果を分離した。
• 両方のシミュレーションタイプから、DLMから得られる指標（例：活性化レベル、予測誤差）を抽出し、反応時間のモデリングの予測子とした。
• 一般化加法モデル（GAMs）を用いて、DLMから得た予測子に基づき反応時間を予測し、学習ありと非学習ありの条件におけるモデルの適合度を比較した。
• 統計的適合指標を用いてモデルのパフォーマンスを評価し、被験者ごとの一貫性を評価するために個々の被験者に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 明示的なプリミングがない非プリミング語彙的意思決定実験において、試行間学習を検出できるか？
• RQ2 分布的意味論に基づく精神語彙モデルに段階的で誤差駆動の学習を組み込むことで、反応時間の予測が向上するか？
• RQ3 学習に基づくDLMシミュレーションと非学習シミュレーションは、語彙的意思決定パフォーマンスの個人差をどの程度うまく説明できるか？
• RQ4 予測誤差や活性化強度などのDLMから得られる指標が、試行ごとの反応時間の変動をどの程度予測できるか？
• RQ5 Widrow-Hoff学習ルールは、心理言語学的タスクにおける継続的でリアルタイムの学習をモデル化するのに適しているか？

主な発見

• 学習に基づくDLMモデルは、反応時間の予測において、大多数の被験者で非学習モデルよりも有意に高いモデル適合度を示した。
• Widrow-Hoffルールによる試行間学習の組み込みが、個々の参加者における予測精度を向上させ、明示的なプリミングがなくても学習効果が検出可能であることを示した。
• 予測誤差や活性化レベルといったDLMから得られる指標が、反応時間の変動を強く予測することができ、モデルの学習ダイナミクスへの感受性を裏付けた。
• 結果から、語彙表現がタスク実行中に継続的かつ段階的に更新されていることが示唆され、精神語彙の静的モデルに挑戦するものである。
• 学習ダイナミクスの個人差がモデル適合度に反映されており、DLMが個々の人の処理パターンを捉えることができることを示した。
• 本研究は、明示的なプリミングがなくても、直前の経験が認知処理を形作っているという考えに実証的根拠を提供した。