[论文解读] 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 5

一句话总结

本研究表明，通过在心理词典模型中采用增量式、基于错误的學習，試驗間學習會影響詞彙判斷的表現。利用英國詞彙計畫資料與具有 Widrow-Hoff 學習規則的區分性詞彙模型（DLM），研究顯示基於學習的模型在預測反應時間方面優於非學習模型，證實了在詞彙判斷任務中存在持續學習的現象。

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.

研究动机与目标

• 探討在未使用顯性提示的情境下，試驗間學習是否會在未提示的詞彙判斷任務中發生，且不受顯性提示效應的干擾。
• 評估透過 Widrow-Hoff 條件規則實現的增量式、基於錯誤的學習，是否能解釋反應時間中的序列效應。
• 利用模擬衍生的預測變數，對詞彙處理中的個體差異進行建模。
• 測試基於學習的模型是否比非學習模型更符合行為數據。
• 探討分布語義與持續學習在即時決策過程中對心理詞典表徵的塑造作用。

提出的方法

• 使用區分性詞彙模型（DLM）進行試驗間的模擬詞彙判斷，該模型透過分布語義將書面形式映射至意義表徵。
• 應用 Widrow-Hoff（最小均方）學習規則，實現試驗間的增量式、基於錯誤的學習，以模擬即時學習效應。
• 為每位受試者生成兩種模擬條件：一種在試驗間進行學習更新，另一種則不進行，以隔離學習效應。
• 從兩種模擬類型中提取 DLM 衍生的指標（例如：激活水平、預測誤差），作為反應時間建模的預測變數。
• 使用廣義可加模型（GAMs）根據 DLM 衍生的預測變數預測反應時間，並比較學習與非學習條件下的模型擬合度。
• 利用統計擬合指標評估模型表現，重點關注個別受試者，以評估參與者之間的一致性。

实验结果

研究问题

• RQ1 在未使用顯性提示的詞彙判斷實驗中，能否檢測到試驗間學習效應，即使缺乏顯性提示？
• RQ2 在基於分布語義的心理詞典模型中引入增量式、基於錯誤的學習，是否能提升對反應時間的預測能力？
• RQ3 基於學習的 DLM 模擬與非學習模擬相比，在解釋詞彙判斷表現的個體差異方面表現如何？
• RQ4 DLM 衍生的指標（如預測誤差、激活強度）在多大程度上能預測試驗間反應時間的變異？
• RQ5 Widrow-Hoff 學習規則是否適用於心理語言學任務中持續、即時學習的建模？

主要发现

• 大多數受試者在預測反應時間方面，基於學習的 DLM 模型擬合度顯著優於非學習模型。
• 透過 Widrow-Hoff 規則引入試驗間學習，提升了個別受試者的預測準確度，表明即使在缺乏顯性提示的情境下，學習效應仍可被檢測。
• DLM 衍生的指標（如預測誤差與激活水平）是反應時間變異的強預測因子，支持該模型對學習動態的敏感性。
• 研究結果顯示，詞彙表徵在任務執行期間會經歷持續的、增量式的更新，挑戰了心理詞典的靜態模型觀點。
• 學習動態的個體差異反映在模型擬合度中，表明 DLM 能捕捉個別受試者的處理模式。
• 本研究為認知處理受即時先前經驗影響的觀點提供了實證支持，即使在缺乏明顯提示的情境下亦成立。