prototype distortion task

$\bullet$ 概念

在prototype distortion task中，类别范例是通过随机变形单个类别原型来创建的。

下图为prototype distortion task的一个经典例子，使用一个点群（7个或9个点）作为类别原型。其他类别成员是通过随机打乱每个点的空间位置来创建的。

$\bullet$ prototype distortion task的两个种类

1、（A, B）任务：

在一个(A, B)任务中，向被试展示一系列来自A类或B类对比的样本。被试的任务是在每次试验中做出正确分类反应(即:“A”或“B”)。

(A, B)任务的特点：与两种反应相关的刺激都有一个连贯的结构——也就是说，它们都有一个中心原型，其他类别成员都围绕着这个原型。

2、（A, not A）任务：

在(A, not A )的任务中，有一个中心原型A，从原型A或不属于类别A的随机模式中选取样本刺激呈现给被试。被试的任务是根据呈现的刺激是否属于类别A的成员,回答“Yes”或“No”。

在(A, not A) 任务中，A类成员有一个连贯的结构，但与“not A”(或“No”) 反应相联系的刺激没有。

$\bullet$ prototype distortion learning理论

1、exemplar VS prototype 理论：

考虑（A, not A）任务中响应“A”的概率。

根据原型理论，响应“A”的概率完全取决于刺激与类别原型(即类别原型)之间的相似性，或等价距离。当刺激与类别A原型之间的相似性增加时，回应“A”的概率会不断增加。

根据范例理论，回答“A”的概率取决于刺激点和所有A类例子之间的(和)相似性。当刺激在A类内移动时，概率梯度将开始变平。

以前的研究发现实际上的响应概率比范例理论预测的更陡峭，总体上与原型理论的预测一致。

2、虚拟学习理论（perceptual learning theories）：

虚拟学习理论认为，prototype distortion task中的表现可能至少部分是由视觉皮层内的知觉学习调节的。如果这种视觉皮层知觉学习在prototype distortion task中是重要的，那么它可能会在(A, not A)和(A, B)任务中产生不同的效果。

$\circ$ 结果预测：

(A, not A)任务：

A类原型将在整个视觉皮层诱导一个分级的激活模式。一个特定的细胞(或一小群细胞)将以最快的速度激发出这种模式。将这个细胞称为 A。（细胞A可以解释为编码类别原型的表征）

知觉学习将导致细胞A的响应幅度在整个训练过程中增加。相比之下，与“not A”响应相关的刺激在视觉上与A类原型不同，因此不太可能导致A细胞激活。

(A, B)任务：

可能A或B细胞中的任何一个都会在许多试验中被激发。

$\circ$ 结论：

知觉学习可以极大地帮助(A，not A)任务，但它本身对(A, B)任务几乎没有帮助。这并不是说在(A, B)prototype distortion task中学习是不可能的，只是必须使用其他学习系统。

$\bullet$ 认知神经科学证据

1、(A, not A) prototype distortion task的神经成像结果一致报告了视觉皮层中与学习相关的激活。

2、(A, B)任务的神经成像结果有时未能发现枕叶激活。但一致报告了(A, not A)任务中未发现的前额叶皮层的任务相关激活。

3、在rule-based或information-integration类别学习受损的患者群体中，存在正常的(A, not A) prototype distortion learning。（如精神分裂症、帕金森病、阿尔兹海默症、健忘症患者）

4、健忘症患者和阿尔茨海默病患者在(A, B)原型变形学习中受损。(A, B)任务中的前额叶激活与健忘症患者的学习受损，共同表明(A, B)原型变形任务中的学习可能是由外显推理策略和（or或）外显记忆介导的。

weather prediction task

$\bullet$ 概念

天气预报任务是常用的一种概率分类任务。

概率分类任务：至少有一些刺激是与contrasting categories的概率相关的。例如，在一次试验的概率分类任务中，一个特定的刺激可能属于A类，但在下一次试验中，同样的刺激可能属于B类。

$\bullet$ 任务内容

在这个任务中的每次试验中，从四张塔罗牌中给被试看一张、两张或三张，并要求被试指出所呈现的星座信号是雨还是太阳。每张卡片都有一个独特的、具有很高的辨识度的几何图案。在16种可能的牌组合中使用了14种(不包括无牌和4种牌模式)，每个组合都与两个结果有概率关联。

（材料选择源自Knowlton, B J (1994年07月01日). "Probabilistic classification learning in amnesia". Learning & memory (Cold Spring Harbor, N.Y.) 但打不开文献）

$\bullet$ 被试的分类策略

与其他任务相比，天气预报任务的结果会有更多的个体差异。这种可能性使得在解释数据之前，确定每个被试使用的策略尤为重要。

$\circ$ 作者发现被试可能有三类策略：

1、single-cue策略：反应是基于一个卡片的存在与否（如rule-based任务）。

2、multiple-cue策略：(如一个information-integration任务)。

3、单例学习中的single-card图案全都记住了。

$\circ$ 数据分析结果：

若基于200次试验，90%(实验1)和80%(实验2)被试使用single-cue策略(显式记忆)来学习类别。

若分解成50个试验块，可以观察到被试从single-cue策略向multiple-cue策略的转变(尽管使用multiple-cue策略的被试比例仍远低于0.5)。

$\circ$ 结论：

被试在天气预报任务中采用了各种不同的策略。证据表明，最普遍的选择可能是显式记忆。

$\bullet$ 认知神经科学证据

$\circ$ 神经心理患者证据：

健忘症患者存在晚期训练不足现象（即前50个trial中表现和健康对照组一样好，但是经过长期的训练，健忘症患者表现出相对于健康对照组的学习缺陷）。

帕金森或亨廷顿氏舞蹈症患者在前50个试验中表现出学习障碍，这些试验在整个训练过程中持续进行。

天气预报任务也被用于检查老年痴呆症或精神分裂症患者的类别学习（二者都表现出顺行性遗忘）。

$\circ$ 神经影像证据：

内侧颞叶在学习的早期是活跃的，并随着学习的进展而逐渐失活。这种失活被同时激活的基底神经节所反映。

具体来说，在学习初期基底节区是不活跃的，随着学习的进展逐渐变得活跃。

$\bullet$ 评价

天气预报任务为研究分类学习提供了一个有用的工具，并为分类学习的神经生物学提供了一些重要的见解。

但通过各种不同的策略(例如，信息集成、基于规则的、显性记忆)可以获得近乎最佳的性能，这一事实使得从这项任务收集的数据中得出强有力的推论变得困难。

【心理学与AI】Human Category Learning（后2范式）

【心理学与AI】Human Category Learning（后2范式）

prototype distortion task

$\bullet$ 概念

$\bullet$ prototype distortion task的两个种类

$\bullet$ prototype distortion learning理论

1、exemplar VS prototype 理论：

2、虚拟学习理论（perceptual learning theories）：

$\bullet$ 认知神经科学证据

weather prediction task

$\bullet$ 概念

$\bullet$ 任务内容

$\bullet$ 被试的分类策略

$\bullet$ 认知神经科学证据

$\bullet$ 评价