Erickson, M. A., & Kruschke, J. K. (1998). Rules and exemplars in category learning. Journal of Experimental Psychology: General, 127(2), 107.

Rules and Exemplars in Category Learning（筆記part1）

摘要：本實驗用兩個實驗來展示rule和exemplar representation捂刺，同時提出一個可以將兩者相連的模型(ATRIUM: Attention To Rules and Instances in a Unified Model)腐巢。實驗一檢驗了人們?nèi)绾螌τ柧毻獾男马椖窟M行推斷笤成。實驗二檢驗實例頻次對新項目泛化的影響朱巨。本研究發(fā)現(xiàn)ATRIUM很好的描述了分類模型庆锦，其實rule和exemplar都存在诸尽，模型成功的關(guān)鍵是可以用注意力在兩種形式間的轉(zhuǎn)移來捕獲rule和exemplar的交互昧旨。

之前也有許多心理學家對認知現(xiàn)象（分類盯拱，記憶，自動化等等）提出了模塊理論modular theory郁竟，但還是都沒有關(guān)注到模塊間的交互作用玛迄。本實驗將開發(fā)一個分類的模塊化理論，基于兩種對分類的解釋：rule和exemplar棚亩。

在rule理論中蓖议，有一個效應是，特征距離邊界越遠讥蟆，可以越快越準確地被分類勒虾。E.g.3厘米直徑是邊界，分類6厘米直徑比分類2.9厘米直徑更容易瘸彤。

在exemplar理論中修然，特定刺激出現(xiàn)的頻率越高，越容易被正確分類钧栖，并且被當做是一個更典型的成員低零。

本研究采用兩個人類分類實驗，旨在回答：規(guī)則的必要性拯杠，范例記憶的必要性掏婶，兩個子系統(tǒng)的相互作用。實證和建模結(jié)果都表明潭陪，人類類別學習是由規(guī)則和范例兩個不斷互動的子集共同作用的雄妥。

HUMAN LEARNING EXPERIMENTS

實驗所使用的類別結(jié)構(gòu)有三個特點：（1）某些刺激物可以按照規(guī)則分類，但存在一些特例是需要記憶的依溯；（2）不同的訓練實例有著不同的出現(xiàn)頻率老厌；（3）有一些全新的刺激是沒有被訓練過的，用來檢驗泛化效應(generalization)黎炉。

實驗一：對訓練外的刺激的外推

人類分類能力的基本要素是分化枝秤，一種是對已學知識的運用(interpolation)，一種是將已學的拓展到未學的(extrapolation)慷嗜。對interpolation淀弹，規(guī)則和范例模式都可以產(chǎn)生很好的結(jié)果丹壕，但是對extrapolation，范例模式的結(jié)果會比偶然的差（小于隨機的50%）薇溃，而如果分類標準正確菌赖，則規(guī)則模式可以達到和interpolation一樣的好結(jié)果。因此沐序，extrapolation是用來區(qū)分規(guī)則和范例模式的重要工具琉用。

圖1：一個刺激范例：有兩個標準，一是縱坐標表示長方形的高策幼，二是橫坐標表示小短線的水平位置邑时。

圖2：實驗用到的刺激一共有四類，分別有不同的圖形表示垄惧。首先刁愿，根據(jù)長方形高度大于4.5的是類A（圖形為方塊），長方形高度小于4.5的是類B（圖形為圓形）到逊；其次，空心方塊和空心圓是類中的特例滤钱；最后觉壶，有圖形填充的是訓練階段的，剩下空白的格子和TE,TR是用來測試的件缸，即沒有學習過铜靶。

預測結(jié)果：（1）規(guī)則模式：TR，TE的反應沒有差異他炊；（2）范例模式：TE與之前學過的特例更像争剿，所以對TE的響應更高。

程序：一個29個模塊痊末，每個模塊14個試次蚕苇，其中實心圖案播放一次，特例播放兩次凿叠。要求被試將圖例分到四個類型中（有四個不同的按鍵）涩笤，并且反饋對錯和正確答案。

結(jié)果：（注：因為兩個特例是長寬相等盒件，因此被試很可能把之后出現(xiàn)的所有長寬相等都認為是特例蹬碧，而不是和預期一樣，只記住了兩個特例炒刁，因此后面的分析去掉了對長寬相等的刺激的分析）

訓練階段：

圖3：左圖顯示了正確規(guī)則下被試分類的正確率在上升恩沽，對特例附近的刺激相應下降；右圖表示對正確的特例分類正確率在上升翔始，但是會出現(xiàn)over-generalization現(xiàn)象罗心，即對一些非特例的會分類錯誤片吊。

遷移階段：

對TE和TR的分類沒有明顯區(qū)別，說明被試更多的是采用規(guī)則模式协屡。但是某一些部分還是體現(xiàn)了范例模式：與特例相似性越低俏脊，分類到特例一類的概率降低。

圖4：遷移階段結(jié)果示意圖（將下半部分旋轉(zhuǎn)與上半部分重合肤晓，數(shù)據(jù)也疊加）爷贫。

Dimensional attention：維度注意 在本實驗中，因為維度1是規(guī)則的重要指標补憾，因此被試會更多注意到維度1的變化漫萄，在數(shù)據(jù)上體現(xiàn)為，被試對在維度1上與特例相似的刺激會更多地分類到特例一類（維度1是2盈匾，7的注意會更多腾务，與維度2是2,7相比）。

實驗二：訓練時刺激頻率效應

圖5：實驗二的刺激結(jié)構(gòu)削饵，分類標準與實驗一相同（長方形的高度低于或高于4.5）岩瘦。還是分成四類：實心方塊，實心圓窿撬，空心方塊（特例只有一個）启昧，空心圓（特例只有一個）∨椋空白格密末、TR和TE表示后續(xù)會使用的測試刺激。數(shù)字表示出現(xiàn)的相對頻率跛璧。

Mixed-frequency condition：空心方塊特例出現(xiàn)四次严里，實心方塊出現(xiàn)兩次（很圖5一樣）

Same-frequency condition：空心方塊特例出現(xiàn)四次，實心方塊出現(xiàn)四次

以上兩種在被試間平衡追城。

程序：一個16個模塊刹碾，每個模塊28個試次。每個模塊訓練結(jié)束漓柑，都有14試次的遷移實驗教硫，要求被試給新刺激貼標簽。

結(jié)果：訓練階段：

圖6：左圖顯示了正確規(guī)則下被試分類的正確率在上升辆布，對特例附近的刺激相應下降瞬矩；右圖表示對正確的特例分類正確率在上升，但是會出現(xiàn)over-generalization現(xiàn)象锋玲，即對一些非特例的會分類錯誤景用。

被試對頻率更高的示例學習得更快（不管是普通的基于規(guī)則分類的學習，還是特例的學習），說明對頻率的控制的確產(chǎn)生了影響伞插。

遷移階段：

圖7：對圖5中的陰影部分（T部分）的數(shù)據(jù)統(tǒng)計割粮。Rule表示實心的，exception表示空心的特例媚污。

高頻的特例附近的刺激會更多地被分類到特例一類舀瓢。高頻的規(guī)則刺激（基于規(guī)則分類的，實心的圖像）附近的刺激也會更多地被分到規(guī)則刺激一類耗美。這說明京髓，范例模式的相似效應（與exemplar更相似的會更容易分到exemplar一類）不僅適用于特例，也適用于高頻刺激商架。

討論：

這兩個實驗說明堰怨，單獨的規(guī)則模式和范例模式都不足以解釋人類的分類過程。

實驗一中還發(fā)現(xiàn)了維度注意蛇摸，即被試更多地注意到維度1的變化（長方形的高度备图，也就是分類的規(guī)則）。如果范例模式僅僅只對特例分類赶袄，那么更多的注意應該分配到特例的兩個維度上揽涮，但是實驗表明注意在維度1更多，說明范例模式同時處理特例和基于規(guī)則分類的刺激弃鸦。

實驗二中能夠發(fā)現(xiàn)绞吁，范例模式下的相似效應不僅對特例有影響，對高頻率的基于規(guī)則的一般刺激也有影響唬格，同樣說明，范例模式同時處理特例和基于規(guī)則分類的刺激颜说。

ATRIUM: A HYBRID CONNECTIONIST MODEL

圖8：ATRIUM模型的構(gòu)成示意圖：一個規(guī)則模式购岗，一個范例模式，一個有競爭力的閘門機制门粪。虛線表示已學得的權(quán)重喊积。

每個刺激輸入時都會同時經(jīng)歷規(guī)則模式和范例模式、

規(guī)則模式：根據(jù)標準rule boundary玄妈，進行分類乾吻。范例模式：根據(jù)每個刺激和之前所有的示例的關(guān)系進行分類（相似度是距離的減函數(shù)）。最后的輸出結(jié)果有g(shù)ate node決定（對兩個模式的輸出有權(quán)重）拟蜻，gate node從范例模式中獲得輸入绎签，輸出是加權(quán)輸入之和的S型函數(shù)(sigmoidal function)。