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（笔记part1）

摘要：本实验用两个实验来展示rule和exemplar representation，同时提出一个可以将两者相连的模型(ATRIUM: Attention To Rules and Instances in a Unified Model)。实验一检验了人们如何对训练外的新项目进行推断。实验二检验实例频次对新项目泛化的影响。本研究发现ATRIUM很好的描述了分类模型，其实rule和exemplar都存在，模型成功的关键是可以用注意力在两种形式间的转移来捕获rule和exemplar的交互。

之前也有许多心理学家对认知现象（分类，记忆，自动化等等）提出了模块理论modular theory，但还是都没有关注到模块间的交互作用。本实验将开发一个分类的模块化理论，基于两种对分类的解释：rule和exemplar。

在rule理论中，有一个效应是，特征距离边界越远，可以越快越准确地被分类。E.g.3厘米直径是边界，分类6厘米直径比分类2.9厘米直径更容易。

在exemplar理论中，特定刺激出现的频率越高，越容易被正确分类，并且被当做是一个更典型的成员。

本研究采用两个人类分类实验，旨在回答：规则的必要性，范例记忆的必要性，两个子系统的相互作用。实证和建模结果都表明，人类类别学习是由规则和范例两个不断互动的子集共同作用的。

HUMAN LEARNING EXPERIMENTS

实验所使用的类别结构有三个特点：（1）某些刺激物可以按照规则分类，但存在一些特例是需要记忆的；（2）不同的训练实例有着不同的出现频率；（3）有一些全新的刺激是没有被训练过的，用来检验泛化效应(generalization)。

实验一：对训练外的刺激的外推

人类分类能力的基本要素是分化，一种是对已学知识的运用(interpolation)，一种是将已学的拓展到未学的(extrapolation)。对interpolation，规则和范例模式都可以产生很好的结果，但是对extrapolation，范例模式的结果会比偶然的差（小于随机的50%），而如果分类标准正确，则规则模式可以达到和interpolation一样的好结果。因此，extrapolation是用来区分规则和范例模式的重要工具。

图1：一个刺激范例：有两个标准，一是纵坐标表示长方形的高，二是横坐标表示小短线的水平位置。

图2：实验用到的刺激一共有四类，分别有不同的图形表示。首先，根据长方形高度大于4.5的是类A（图形为方块），长方形高度小于4.5的是类B（图形为圆形）；其次，空心方块和空心圆是类中的特例；最后，有图形填充的是训练阶段的，剩下空白的格子和TE,TR是用来测试的，即没有学习过。

预测结果：（1）规则模式：TR，TE的反应没有差异；（2）范例模式：TE与之前学过的特例更像，所以对TE的响应更高。

程序：一个29个模块，每个模块14个试次，其中实心图案播放一次，特例播放两次。要求被试将图例分到四个类型中（有四个不同的按键），并且反馈对错和正确答案。

结果：（注：因为两个特例是长宽相等，因此被试很可能把之后出现的所有长宽相等都认为是特例，而不是和预期一样，只记住了两个特例，因此后面的分析去掉了对长宽相等的刺激的分析）

训练阶段：

图3：左图显示了正确规则下被试分类的正确率在上升，对特例附近的刺激相应下降；右图表示对正确的特例分类正确率在上升，但是会出现over-generalization现象，即对一些非特例的会分类错误。

迁移阶段：

对TE和TR的分类没有明显区别，说明被试更多的是采用规则模式。但是某一些部分还是体现了范例模式：与特例相似性越低，分类到特例一类的概率降低。

图4：迁移阶段结果示意图（将下半部分旋转与上半部分重合，数据也叠加）。

Dimensional attention：维度注意 在本实验中，因为维度1是规则的重要指标，因此被试会更多注意到维度1的变化，在数据上体现为，被试对在维度1上与特例相似的刺激会更多地分类到特例一类（维度1是2，7的注意会更多，与维度2是2,7相比）。

实验二：训练时刺激频率效应

图5：实验二的刺激结构，分类标准与实验一相同（长方形的高度低于或高于4.5）。还是分成四类：实心方块，实心圆，空心方块（特例只有一个），空心圆（特例只有一个）。空白格、TR和TE表示后续会使用的测试刺激。数字表示出现的相对频率。

Mixed-frequency condition：空心方块特例出现四次，实心方块出现两次（很图5一样）

Same-frequency condition：空心方块特例出现四次，实心方块出现四次

以上两种在被试间平衡。

程序：一个16个模块，每个模块28个试次。每个模块训练结束，都有14试次的迁移实验，要求被试给新刺激贴标签。

结果：训练阶段：

图6：左图显示了正确规则下被试分类的正确率在上升，对特例附近的刺激相应下降；右图表示对正确的特例分类正确率在上升，但是会出现over-generalization现象，即对一些非特例的会分类错误。

被试对频率更高的示例学习得更快（不管是普通的基于规则分类的学习，还是特例的学习），说明对频率的控制的确产生了影响。

迁移阶段：

图7：对图5中的阴影部分（T部分）的数据统计。Rule表示实心的，exception表示空心的特例。

高频的特例附近的刺激会更多地被分类到特例一类。高频的规则刺激（基于规则分类的，实心的图像）附近的刺激也会更多地被分到规则刺激一类。这说明，范例模式的相似效应（与exemplar更相似的会更容易分到exemplar一类）不仅适用于特例，也适用于高频刺激。

讨论：

这两个实验说明，单独的规则模式和范例模式都不足以解释人类的分类过程。

实验一中还发现了维度注意，即被试更多地注意到维度1的变化（长方形的高度，也就是分类的规则）。如果范例模式仅仅只对特例分类，那么更多的注意应该分配到特例的两个维度上，但是实验表明注意在维度1更多，说明范例模式同时处理特例和基于规则分类的刺激。

实验二中能够发现，范例模式下的相似效应不仅对特例有影响，对高频率的基于规则的一般刺激也有影响，同样说明，范例模式同时处理特例和基于规则分类的刺激。

ATRIUM: A HYBRID CONNECTIONIST MODEL

图8：ATRIUM模型的构成示意图：一个规则模式，一个范例模式，一个有竞争力的闸门机制。虚线表示已学得的权重。

每个刺激输入时都会同时经历规则模式和范例模式、

规则模式：根据标准rule boundary，进行分类。范例模式：根据每个刺激和之前所有的示例的关系进行分类（相似度是距离的减函数）。最后的输出结果有gate node决定（对两个模式的输出有权重），gate node从范例模式中获得输入，输出是加权输入之和的S型函数(sigmoidal function)。