认知心理学 (中文) 14

上期内容我们主要描述了如何给Stoop任务建模，本期内容将主要讨论联结主义的学习过程。错过上期内容的朋友请回顾一下上期内容 斯特鲁普Stroop任务的联结主义模型 。

【回顾】

粗体的连接表示我们更加熟悉命名文字信息，而不是墨水颜色信息。因此我们阅读文字会更加“自动化”，因为连接命名文字的权重量级更大。

问题来了，上图中，我们主要是习惯于命名文字，但当模型得到大量练习来命名墨水颜色时，会发生什么？

如上图所示，当模型得到大量练习来命名墨水颜色时，命名墨水颜色的心理表征的连接（粗体连接）的权重量级会更大。

而这就会导致反向斯特鲁普效应效应 Reverse Stroop Effect：

在上图中我们可以发现，随着练习的时间增长，当得到大量练习来命名墨水颜色时，命名墨水颜色的过程会变得更加“自动化”，即我们在大量练习之后，会更加习惯于命名墨水颜色而不是命名文字（我们在这种练习前曾更擅于命名文字）。

联结主义 Connectionism

联结主义是一种基于大脑结构（神经网络）的认知建模方法。

连接主义模型的基本元素：单元 Units 和 连接 Connections

神经网络是最常用的联结主义模型，大多数神经网络模型中的变化来自：

（1）单元的解释 Interpretation of Units：单元Units可以被解释为神经元或神经元组。

（2）激活的定义 Definition of Activation：激活可以通过多种方式来定义。

（3）学习算法 Learning Algorithm：不同的网络会以不同的方式修改其连接。连接权重通常会随时间而改变，用于该变化的数学定义就是“学习算法”。

在连接主义模型中学习

- 模型从经验中学习（错误驱动的学习）：

（1）模型产生回应；

（2）计算误差量；

（3）调整权重（与它们引起的错误量成正比），使得将来的模型减少错误。

举例：绿色墨水的“红色”文字，要求识别墨水颜色。

【这个例子与上期、本期开头第一张图一致。】

输出：0.8激活值的红色墨水的red文字 以及 0.1激活值的绿色墨水的green文字。但是实际上，我们的任务是识别墨水颜色，即0激活的红色输出单元以及1激活的绿色输出单元。

因此：

- 我们现在的模型是0.8激活的红色输出单元，应该是0激活的红色输出单元；

- 我们现在的模型是0.1激活的绿色输出单元，应该是1激活的绿色输出单元。

接下来计算误差量：

- 红色输出单元0.8 - 0 = 0.8

- 绿色输出单元0.1 - 1 = -0.9

下一步：调整权重，与它们引起的错误量成正比，使得将来的模型减少错误。

调整权重：减小通往红色输出单元的连接权重，增加去往绿色输出单元的连接权重。注意通往红或绿色输出单元的连接不全是粗体的。

减弱通往红色输出单元的连接的效果是这样的：

我们可以看出净输入值减少了（从1.85到1.64）。而根据 净输入-激活 图像：

 随着权重值的下降，净输入减少了，红色输出单元的激活值也下降了。原本的激活值是0.8，任务的需求是0，激活值下降就是学习的过程。

而加强通往绿色输出单元的连接的效果是这样的：

我们可以看出净输入值增加了（从-1.85到-1.64，注意负二比负一小）。而根据 净输入-激活 图像：

 随着权重值的增加，净输入增加了，绿色输出单元的激活值也增加了。原本的激活值是0.1，任务的需求是1，激活值增加就是学习的过程。

对更复杂的知识建模

联结主义方法

1. 心理表征是模式而不是符号；

2. 通过“扩展激活”来处理。

本期内容到此结束，感谢您的阅读！下期内容将回归《思考，快与慢》的阅读。如果想继续看文集但是不想读书的朋友可以跳过接下来的两期专栏~

作者：離久-張所長