[논문 리뷰] How trial-to-trial learning shapes mappings in the mental lexicon: Modelling Lexical Decision with Linear Discriminative Learning

Maria Heitmeier, Yu‐Ying Chuang외 1명|arXiv (Cornell University)|2022. 07. 01.

Text Readability and Simplification인용 수 5

한 줄 요약

이 연구는 시험 간 학습이 분포적 의미론 기반의 정신 어휘 모델에서 점진적이고 오류 기반의 학습을 통해 어휘 결정 성능을 형상화함을 입증한다. 영국 어휘 프로젝트 데이터를 바탕으로 윈도우-호프 학습을 적용한 분류 어휘 모델(DLM)을 사용하여, 학습 기반 모델이 반응 시간 예측에서 비학습 모델을 능가함을 보여주며, 어휘 결정 작업 중 연속적인 학습이 일어남을 확인한다.

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.

연구 동기 및 목표

• 암시적 프라밍 효과와 무관하게 비프라밍 어휘 결정 작업에서 시험 간 학습이 발생하는지 조사하기 위해.
• 윈도우-호프 규칙을 통한 점진적이고 오류 기반의 학습이 반응 시간의 순차적 영향을 설명할 수 있는지 평가하기 위해.
• DLM에서 유도된 시뮬레이션 기반 예측 변수를 사용하여 개인 간 어휘 처리의 차이를 모델링하기 위해.
• 학습 기반 모델이 비학습 대안보다 행동 데이터에 더 잘 맞는지 테스트하기 위해.
• 분포적 의미론과 연속적인 학습이 실시간 의사결정 과정에서 정신 어휘 표현을 어떻게 형상화하는지 탐구하기 위해.

제안 방법

• 분포적 의미론을 통해 철자 형태를 의미 표현으로 매핑하는 분류 어휘 모델(DLM)을 사용하여 어휘 결정 작업을 시험 간으로 시뮬레이션함.
• 시험 간에 점진적이고 오류 기반의 학습을 시뮬레이션하기 위해 윈도우-호프(최소 제곱) 학습 규칙을 적용함.
• 각 참가자별로 두 가지 시뮬레이션 조건을 생성: 학습 업데이트가 있는 조건과 없는 조건으로, 학습의 영향을 고립함.
• 두 시뮬레이션 유형에서 유도된 DLM 측정치(예: 활성 수준, 예측 오차)를 반응 시간 모델링의 예측 변수로 추출함.
• 일반화된 가산 모델(GAMs)을 사용하여 DLM 기반 예측 변수를 바탕으로 반응 시간을 예측하고, 학습 조건과 비학습 조건 간의 모델 적합도를 비교함.
• 통계적 적합도 지표를 사용하여 모델 성능을 평가하며, 참가자 간 일관성을 평가하기 위해 개인별로 집중함.

실험 결과

연구 질문

• RQ1 암시적 프라밍이 없는 비프라밍 어휘 결정 실험에서 시험 간 학습을 검출할 수 있는가?
• RQ2 분포적 의미론 기반 정신 어휘 모델에 점진적이고 오류 기반의 학습을 통합하면 반응 시간 예측이 향상되는가?
• RQ3 학습 기반 DLM 시뮬레이션과 비학습 시뮬레이션 간의 비교에서 개인 간 어휘 결정 성능의 차이를 어떻게 설명할 수 있는가?
• RQ4 예측 오차, 활성 강도 등의 DLM 유도 측정치가 시험 간 반응 시간 변동성 예측에 어느 정도 기여하는가?
• RQ5 윈도우-호프 학습 규칙은 심리언어학적 작업에서 연속적이고 실시간 학습을 모델링하는 데 적합한가?

주요 결과

• 학습 기반 DLM 모델은 반응 시간 예측에서 대부분의 참가자에게 비학습 모델보다 유의미하게 높은 모델 적합도를 보였다.
• 윈도우-호프 규칙을 통한 시험 간 학습 통합이 개인 참가자 전반에서 예측 정확도를 향상시켰으며, 암시적 프라밍이 없더라도 학습 효과가 검출 가능함을 시사함.
• 예측 오차와 활성 수준 등의 DLM 유도 측정치는 반응 시간 변동성의 강력한 예측 변수로 작용하였으며, 이는 모델의 학습 동역학에 민감함을 뒷받침함.
• 결과는 어휘 표현이 작업 수행 중에 지속적이고 점진적으로 업데이트된다는 것을 시사하며, 정적 정신 어휘 모델에 도전함.
• 개인 간 학습 동역학의 차이는 모델 적합도에 반영되었으며, 이는 DLM가 개인별 처리 패턴을 포착할 수 있음을 시사함.
• 이 연구는 인지 처리가 명시적 프라밍이 없더라도 즉각적인 이전 경험에 의해 형상화된다는 아이디어에 대한 실증적 근거를 제공한다.