CLARION模型内隐与外显技能学习整合.docVIP

CLARION模型内隐与外显技能学习整合 　　摘　要　CLARION是一个与其它认知理论明显不同的计算认知模型，它可用来研究内隐和外显学习交互作用的各种定量数据。通过对经典内隐学习任务（如系列反应时任务、加工控制任务及其他高级认知加工任务）的模拟实验，在与人类实验数据的拟合上，CLARION展示出比以往认知模型更好的性能。它主要有两个特征：一是对内隐学习和外显学习的整合，二是对自下而上加工的强调。近几年，CLARION模型在理论和实践上都有较大进展。文章简要评述了CLARION模型，并围绕此模型介绍了学界有关内隐和外显加工交互作用的探索。 　　关键词　内隐学习，外显学习，技能学习，计算认知模型，CLARION。 　　分类号B842 　　 　　1 引言 　　 　　内隐学习与外显学习的相互关系一直是认知领域的研究热点之一[1~12]：内隐学习的存在及其本质特点的探讨得益于内隐学习与外显学习的实验???分离[1]，而内隐学习的深入研究又促进它与外显学习逐渐走向整合[2]。在《内隐学习》一书中，郭秀艳从现象学、神经生理学、认知机制等多个角度，对内隐与外显学习作了细致区分，并就二者的关系，尤其是内隐-外显连续体的概念进行了详细讨论，提出了内隐学习和外显学习的动态权衡观点[3]。在此基础上，林颖和周颖提出了内隐学习的多水平动态观，对内隐与外显学习在机能上的连续性做了进一步的理论思考[4]。研究者认为，内隐学习领域未来的研究方向在于内隐与外显、意识与无意识相互作用的机制探索上[5]。 　　众所周知，如何对理论和概念进行定量描述和计算，是检验理论真伪并使之发展的一个关键环节。计算认知科学（Computational Cognitive Science）的研究者采用LIST等语言编写软件，构造认知体系，用计算机来模拟人类的认知和行为。计算认知科学的引入，为我们探讨内隐和外显学习的关系，提供了有利的工具。一方面，人类被试的数据可以用计算机模拟来检验；另一方面，计算机模拟能帮助我们更好地揭示内隐/外显加工交互作用的机制。从应用上讲，计算机模拟有助于我们理解、设计和预测训练和学习过程，还有助于更好地设计人工智能系统[6]。 　　与内隐学习有关的计算模型，国内已有部分介绍，如Druhan等的THIYOS 分类器系统、Scruan-Sehrieber等的竞争组块模型、Brook等的范例模型、Dienes等的联结者模型[4]及Anderson的ACT*和ACT-R [13]。除此之外，较有影响的模型还有Ling和Marinov的决策树学习算法（decision tree learning algorithm）[14]、Meyer等的EPIC（executive- process interactive control）模型[15]以及Sun等人的CLARION（Connectionist Learning with Adoptive Rule Induction ON-Line）模型[16]等。近几年来，CLARION模型不仅在理论上也在应用上取得了较大的进展。本文拟从CLARION模型的提出背景出发，介绍它的理论构架、基本内容，并以技能学习为例，评述该模型对内隐学习和外显学习整合关系的实验及理论解释。 　　 　　2 CLARION模型的提出 　　 　　2.1 先前模型的优势与缺陷 　　Cleeremans等的联结者模型使用循环反向传播网络（一种神经网络，其节点间的联结可通过练习和调整权重，产生最佳输出），成功匹配了人类被试在序列学习实验中的数据[17]。其不足之处在于模型的学习法则过于复杂，且更侧重于内隐知识的表征。Ling等[13]使用决策树学习算法，对Lewicki等[18]的实验数据进行了模拟，成功匹配了人类的反应时数据，但没有尝试幂函数之外的转换方法。Lebiere等[13]以ACT-R模拟了Dienes等[19]的数据，虽然数据拟合较好，但模型同样难以明确解释内隐知识如何逐渐外显化。Servan-Schreiber等[20]的组块模型过于简单，无法解释两种知识的交互作用。相对来说，Anderson的ACT*模型更为全面地反映了内隐学习和外显学习两方面，它包含两个成份：表征陈述性知识的语义网络和表征程序性知识的产生式系统（production system）[13]，但是，ACT*中程序性学习仅限于通过模仿形成产生式，基本上都是自上而下的学习，这与人类同样具有的自下而上的学习方式不相符合。 　　 　　2.2 问题的聚焦 　　与内隐和外显学习有关的概念还有：内隐/外显、概念/亚概念（subconceptual）、程序性/陈述性、行为中心/非行为中心、自动/控制、无意识/意识等[9]。它们之间并非简单的一一对应。例