【心理學與AI】Distinguishing Prototype-Based and Exemplar-Based Processes in Dot-Pattern Category Learning

區(qū)分基于原型和基于范例的點模式類別學習（Dot-Pattern Category Learning）過程

J. David Smith，John Paul Minda蝙眶，2002.

$\bullet$ 原型分類：人類平均他們的范例經(jīng)驗來形成一個類別原型，將它與新的項目比較攘已，如果它們與原型足夠相似的話叹放，接受這些項目作為類別成員甸怕。

范例分類：人類將他們所經(jīng)歷的范例作為完整的、獨立的記憶軌跡來存儲友浸，將新項目與這些項目進行比較，如果這些項目與范例足夠相似偏窝，則接受這些項目為類別成員收恢。

研究目的

在點模式分類任務（dot-pattern categorization task）中對原型理論和范例理論進行對比預測武学，以便在經(jīng)驗上對兩種代表性假設進行區(qū)分。

$\bullet$ 以前研究使用的點失真任務（dot-distortion task）：

進行40個原始原型的high-level distortions訓練伦意，然后要求他們認可(或不認可)以前未見過的探測項屬于這個類別火窒。

探測項為原始原型的副本（copies of the originating prototype）、對原型的低級扭曲（low-level distortions）驮肉、對原型的高級扭曲（high-level distortions of it）熏矿，以及與訓練樣本定義的心理空間相距遙遠且不屬于它們所代表的的類別的隨機不相關的項（random-unrelated items）。

本研究在上述任務的基礎上進行了更改离钝，希望通過對四種transfer item types的表現(xiàn)來發(fā)現(xiàn)票编，該任務中的分類理論為原型還是范例理論。

研究內容

本研究包括兩個實驗卵渴。

實驗1A和1B探究dot-distortion的心理空間組織慧域，以及dot-distortion類別成員之間的相似性關系。通過兩兩配對的相似度評價任務浪读，作者找到了圍繞中心原型的相似度梯度的形狀昔榴，以及圍繞訓練樣本的相似度梯度的形狀。

幾何學解釋了相似性梯度形狀存在差異的原因瑟啃，同時论泛，這種差異導致原型和范例理論對點模式分類任務做出相反的預測。

實驗2測試了這些預測蛹屿，方法是讓被試學習dot-distortion的類別屁奏，并使用等價的原型和范例模型對他們的表現(xiàn)進行建模。

實驗1A

$\bullet$ 實驗內容：

實驗設計了families of random-dot polygons错负，通過使用相似性評級任務坟瓢，度量底層原型（underlying prototype）的7級、5級犹撒、3級折联、1級和0級扭曲的每個成對組合之間的額定相似性。

（這些不同級別的distortion可以被認為是位于圍繞中心原型的不同半徑的超球面(n維殼層)上识颊，其半徑由distortion程度決定诚镰。）

通過相似性數(shù)據(jù)，可以得出基于原型和基于范例的相似性梯度的形狀祥款。

同時清笨，使用相似性評價數(shù)據(jù)可以得出點模式之間的心理相似性度量，為原型和基于范例的模型提供了一組等價的輸入（實驗2中要用到）刃跛。

$\bullet$ 結果預測：

對于得出的相似性梯度形狀抠艾，即當原型與級別0、1桨昙、3检号、5和7的distortion進行比較時：

原型理論認為相似性梯度會非常陡峭腌歉，隨著比較項的distortion程度降低，相似性會一直增加齐苛，直到類別中心（原型）翘盖。

范例理論認為相似性梯度會比較平坦，當比較項的distortion程度降低脸狸，并向類別中心移動時最仑，給定樣本殼的主觀相似性幾乎沒有變化。

$\bullet$ 實驗結果：

表1給出了兩個失真水平（以及下面討論的兩個客觀距離度量）的每個成對組合的平均相似性等級炊甲。

關于基于范例的相似度梯度泥彤，圖1A顯示了觀察者提供的三個失真級別（7、5和3）與所有較低失真級別（例如卿啡，與5吟吝、3、1和0級的失真相比颈娜，7級失真）的平均相似度等級剑逃。

關于基于原型的相似度梯度，圖1B顯示了當將原型與不同失真水平（即7官辽、5蛹磺、3和1）進行比較時，觀察者提供的平均相似性等級同仆。

圖1C突出了基于范例和基于原型的比較之間的對比萤捆。圖中對比了每個假設下的期望相似梯度。

結果與預測結果相似俗批，基于范例的比較產生平坦的相似性梯度俗或，基于原型的比較產生陡峭的相似梯度∷晖基于原型的相似度隨著比較項的distortion程度降低至類別中心辛慰，一直增加「上瘢基于范例的相似性則不是帅腌。

$\bullet$ 心理相似性的客觀測量：

表1為研究者提供了一個客觀測量心理相似性的方法（實驗2中使用到這種方法）。

圖2A顯示了在不同distortion水平下的模式之間的平均額定相似性麻汰，利用模式之間相應點移動的畢達哥拉斯平均距離繪制速客。

圖2B顯示了在度量ln上繪制的相似度等級（1+每個點移動的平均畢達哥拉斯距離）。

在這兩個圖中什乙，涉及范例-范例比較對的相似度等級標記為E挽封；涉及原型-范例比較的相似度等級標記為P已球。

測量結果：這種對數(shù)測量方法與被試的主觀相似性評級完全成比例臣镣。兩種類型的比較都遵循相同的心理物理學辅愿。

實驗1B

$\bullet$ 與實驗1A的區(qū)別：

在復制了實驗1A結果的基礎上，實驗1B還探索了相對于30個特定的原始原型忆某，各自的基于原型和基于范例的梯度点待。

研究目的：探究目前的結果是否可能適用于過去或未來研究中使用的其他點模式原型。

$\bullet$ 實驗結果：

表2給出了兩個distortion水平的每對組合的平均相似性等級（以及已經(jīng)討論的兩個客觀距離度量）弃舒。

結果與實驗1A相似癞埠，基于范例的相似性梯度再次平坦，基于原型的相似性梯度再次陡峭聋呢，并確認基于原型與范例之間的相似性梯度差異適用于實驗中所有30個原始原型的梯度苗踪。

圖3A顯示了每個原型基于范例的相似度梯度；圖3B顯示了每個原型的相似度梯度削锰。

$\bullet$ 兩種理論的解釋：

原型理論：被試（因為原型是待分類項目的比較標準）應該顯示通铲，類別認可的級別在接近類別的中心的過程中，一直強烈增加器贩。它們應該表現(xiàn)出陡峭的典型性梯度和強烈的原型增強效應颅夺。

范例理論：被試（因為范例是待分類項目的比較標準）應該顯示，類別認可的級別在整個類別中心幾乎保持不變蛹稍。它們應該顯示平坦的典型性梯度和可忽略的原型增強效果吧黄。

幾何角度解釋二者的差異

假設被歸類的項目從心理空間的隨機不相關區(qū)域（位置8-4）移動，然后穿過心理空間中被high-level distortion（位置3）唆姐、low-level distortion（位置2）占據(jù)的區(qū)域拗慨，然后一直到類別的中心（位置1）。

1厦酬、當被歸類項遠離分類系統(tǒng)（位置8）時胆描，無論是哪一種理論，項目都會在與表征的相似性和與表征的類別的歸屬性上獲得很強的相似性仗阅。

2昌讲、當被歸類項接近分類系統(tǒng)（位置5）時，原型理論認為被歸類項仍將直接接近原型减噪，并在相似性和歸屬性方面獲得很強的效果短绸。范例理論認為項目在與范例的相似性和歸屬性上，獲得的速度會更慢筹裕。

3醋闭、當待分類項在范例外殼內移動（位置2）時，原型理論認為被歸類項仍將接近原型朝卒，并獲得與原型的相似性和歸屬性证逻。范例理論認為該項與范例的相似性或歸屬性不會增加。

實驗2

$\bullet$ 實驗目的：

dot-distortion方法可以創(chuàng)造出原型理論或范例理論都可能被簡單地證偽的情況抗斤，而實驗2評估了這種可能性囚企。

$\bullet$ 實驗內容：

在實驗2中丈咐，訓練被試在原型周圍的一個殼中的一組high-level distortions，然后將它們轉移到原型（位置1）龙宏、low-level distortion（位置2）棵逊、high-level distortion（位置3）和類別樣本所占據(jù)的心理空間區(qū)域外的random-unrelated items（位置8）。實驗2考察獲得的相似性梯度银酗，并詢問原型模型或范例模型（通過使用實驗1中建立的客觀度量方法輸入使其等價）辆影，哪個更適合數(shù)據(jù)。

$\bullet$ 結果預測：

如果被試通過與范例外殼的成員進行比較來進行分類黍特，將顯示原型（位置1）蛙讥、low-level distortion（位置2）、high-level distortion（位置3）的類別認可的平坦梯度灭衷。

如果被試通過與原型（分類中心）進行比較來分類键菱，那么將在這三種項目類型上顯示出強烈的類別認可。

$\bullet$ 實驗2中使用的等價原型和范例模型與擬合程序：

范例模型

在該模型中今布，將項目類型（i）認可為培訓類別（A）的概率為

在該方程中经备，將待分類項目類型(i)與high-level training distortion(h)之間的心理相似性（η）與作為模型比例閾值的標準量(k)進行比較。

也就是說部默，遷移項類型（即原型侵蒙、低水平distortion、高水平distortion和隨機無關）與training distortion（高水平distortion）之間的相似性越強傅蹂，這個閾值越高纷闺，就越強烈地認可該項目類型進入該類別。

遷移項目類型與高水平distortion訓練樣本之間的相似性為

計算相應點在兩種類型的模式之間移動的平均畢達哥拉斯距離份蝴，通過靈敏度參數(shù)（c）進行縮放犁功，該參數(shù)是樣本模型的第二個自由參數(shù)。

作者還運用爬山算法來最大化預測剖面和觀測剖面之間的擬合婚夫，從而找到最佳擬合的預測剖面浸卦。選擇了一個單一參數(shù)配置（敏感度和標準值），并根據(jù)該配置計算了四種項目類型的預測分類概率案糙。預測的分類概率和觀測的分類概率之間的擬合度是它們之間的平方偏差（SSD）之和限嫌。~~（這里我沒看懂）~~

原型模型

在該模型中，將項目類型（i）認可為培訓類別（A）的概率為

傳輸項類型與原型之間的相似性為

$\bullet$ 實驗結果：

圖5A顯示了在overall-performance bins中时捌，原型和范例模型的最佳擬合SSD怒医。

1、兩個模型與代表低總體性能水平的配置文件的匹配程度相同奢讨，而且非常差稚叹。

2、一旦有了類別學習的提示，當總體正確率上升到50%以上時扒袖，原型模型會更好地適應（SSD更懈虬隆），并且開始被優(yōu)先用作性能描述僚稿。

3、對于更高層次的學習蟀伸，對原型描述的偏好變得更強蚀同。

圖5B中的實線顯示了綜合觀察性能曲線。

可以看到三類成員項類型（原型啊掏、低級失真蠢络、高級失真）上的陡峭（23%）典型性梯度和大型（9%）原型增強效果。

圖5C再現(xiàn)了復合材料觀察到的性能曲線迟蜜。

可以看到范例模型預測性能很差刹孔。

總結

實驗1A和1B探索了dot-distortion分類任務中訓練樣本周圍相似梯度的形狀娜睛∷柘迹基于范例的比較會產生向類別中心移動的平坦相似性梯度，預測了分類任務中平坦的典型度梯度和小的原型增強效果畦戒。但事實上方库，分類任務中顯示出巨大的原型增強效果和陡峭的典型性梯度纵潦。在這兩個方面，樣本理論的預測對于被試的行為都是定性錯誤的遂庄。

實驗2中發(fā)現(xiàn)原型模型比范例模型擬合的效果更好。

同時只磷，在實驗1中建立的關于點模式相似性的心理物理原理可以用來重新考慮和分析文獻中的任何其他dot-distortion研究泌绣。