内隐记忆和内隐学习的整合研究趋向(3)
分布式记忆理论领域强调被试对呈现刺激的重构，这起初是对内隐记忆的解释。Weber和Murdock(1989)指出，分布式记忆系统运行的必然结果，就是导致对刺激的重构。而分布式记忆模型对“受损”刺激的重构，则使得知识有可能被泛化到新异刺激上。Dienes(1990)认为，分布式记忆有可能是内隐学习的基础，该理论可以解释被试在人工语法内隐学习中对新合法串的辨别任务结果。
3 整合趋向的研究实践
近年来，一些研究者开始着手就把内隐记忆和内隐学习结合起来进行实验。杨治良(1991)通过控制记忆材料中某个字母串的出现概率来探讨记忆的启动效应，实验既整合了内隐记忆的材料呈现阶段和内隐学习的学习阶段，又在测验中同时反应了被试对该字母串的内隐记忆和对字母串出现概率的内隐学习[23]。Higham等(2000)尝试将Jacoby的加工分离程序(PDP)逻辑与人工语法学习结合起来，进行了他们称之为“对抗逻辑”的初步实验研究[11]。Kinder等(2003)也试图将人工语法学习和内隐记忆通常关注的无意识回溯联系起来，在其系列实验中讨论了加工流畅性是如何影响无意识提取，并进而在人工语法的分类任务中表现出来的[7]。这一工作已经不是简单地在内隐记忆和内隐学习研究中应用对方的任务或逻辑，而是开始尝试用同一套规则——例如流畅性启发式——来同时解释内隐记忆和内隐学习现象。这类尝试中更为明显的例子来自于Gupta和Cohen(2002)，他们建立了一个联结主义的神经网络模型，并以此很好地拟合了重复启动和技能学习的真实实验数据，而其应用的重复启动任务，则类似内隐学习研究中经典的序列学习范式[24]。
, http://www.100md.com
3.1 加工分离程序在内隐学习中的应用尝试
Higham、Vokey和Pritchard(2000)的一组实验，尝试将类似PDP的逻辑应用到人工语法学习研究中[11]。他们指出，在人工语法学习中，不管是直接任务还是间接任务，都是自动(无意识)过程和可控(意识)过程共同作用的结果；而传统的任务分离实验逻辑无法对这两种过程进行直接区分。因此，Higham借鉴PDP的思想，发展出被他们称为“对抗逻辑”的实验方法，试图直接设定意识和无意识过程的关系是“协同”还是“对抗”，由此考察人工语法学习中的自动加工和控制加工。
实验中，研究者使用了两个不同的限定状态语法(语法A和语法B)，用于生成练习和测验材料。被试在学习阶段每次都要记忆一对字母串，一个来自语法A，另一个来自语法B；字符串呈现约5秒，被试被要求在字符串消失后，将它们写在标有“词表A”和“词表B”的合适的栏内。测验阶段开始后，被试将得知此前两个学习过的词表中的项目，分别是由两个不同的规则结构来生成的，但是这一说明并不提供任何关于这些结构规则的性质的细节。接下来进行的是一个语法判断测验。以上这些步骤，除了学习阶段被试同时接触两种语法规则生成的实例以外，与经典人工语法内隐学习实验并无差异。
, 百拇医药
而“对抗逻辑”的特色在于测验阶段的条件设置，被试在测验阶段被分成“和谐组”与“对抗组”。实验者要求“和谐组”被试将任何他们认为符合语法A或语法B的测验项目评价为符合语法，而将同时与两个结构规则都不符合的项目评价为不符合语法。但是对于“对抗组”被试，实验者要求他们仅将语法B项目评价为符合语法，而将语法A和非法项目都评价为不符合语法。
该实验的结果可以分为两个方面：其一，语法A接受率在和谐条件下(0.65)比在对抗条件下(0.51)大，这表明被试能通过明确地否定语法A产生的项目来控制其学习，提供了人工语法测验中控制加工的证据；其二，对抗条件下语法A项目的接受率(0.51)比非法项目的接受率(0.39)更大，这说明人工语法测验中自动加工的存在。
在研究中，Higham等人还通过设定被试在语法分类反应任务上的时间限制，来考察“对抗逻辑”所揭示的自动和受控加工是否具有类似内隐记忆研究得出的两类加工的一般特征，即：自动加工不易受干扰，在短促时间内反而可能更具优势。实验表明，和谐—对抗条件变量对语法A项目接受率的效应在无时限条件的情况下显著，但在时间限制条件下不显著；且对抗条件下语法A项目的接受率在时间限制条件下(0.47)比在无时限条件下(0.42)更大。以上结果验证了Higham所说的语法分类任务中自动和受控加工，具有和内隐记忆领域中相关研究所述的这两种加工的特征一致性。
, 百拇医药
3.2 从测验任务的内部机制联系内隐记忆和内隐学习
Higham等将PDP逻辑运用在人工语法学习研究中，值得注意的是，PDP逻辑实际上关注的是头脑中已有的信息在测验情境下的不同表达机制(自动过程和受控过程)，至于这种信息究竟是怎么进入头脑的，则并不重要。因此，当Higham等采用所谓的“对抗逻辑”进行人工语法学习研究时，他们就在事实上已经放弃了内隐学习和内隐记忆的截然区分，转而关注人工语法知识如何得以表达的问题。
Kinder、Shanks、Cock和Tunney(2003)更直接地关注了人工语法学习的测验任务中规则知识表达的机制问题[7]，比Higham等人更进一步的是，Kinder等人明白地提出内隐记忆和内隐学习现象都可能用一套相同的机制来进行解释，即流畅性启发式和回忆机制。在他们的实验中，呈现限定状态人工语法的样例，并要求被试在每个样例呈现完毕后立即键入刚才看到的字母串；而在测验阶段，实验者控制了测验项目逐渐清晰化的速率，以此影响被试的知觉加工流畅性。对被试的测验分为语法分类测验和再认测验两种。结果流畅性启发式的效应很明显地显现在分类任务中，却未能影响再认任务。该研究的一个有趣之处在于，其实验操纵脱离了以往内隐学习研究的学习阶段分离，而是采用了测验任务分离，这样才可能从测验任务内部机制的角度联系内隐记忆和内隐学习。
, 百拇医药
如果说Kinder等人的研究关心内隐记忆和内隐学习在测验任务上共有的认知机制，那么Gupta和Cohen(2002)就更深入到了两者在测验任务中共同的神经网络模型层面上。这两位研究者关心的学习记忆现象是数字输入中的技能学习和重复启动[22]。他们应用了一种类似SRT范式的实验任务，被试必须尽快地按键盘输入屏幕上呈现的数字串(每次出现一串五位数字)。所有五位数字串都符合一套规则，即每个数字之后只可能出现4个特定数字，例如数字1后面可能出现3、7、8、0，数字2后面可能出现1、4、6、9等。当被试持续进行数字输入任务时，他们的输入时间将会下降，这和SRT的结果是一致的。不过研究者进一步区分了两种情况：其一是对于那些先前从来没有出现过的、但又符合数字组成规则的数字，它们的反应时下降被认为是技能学习；其二是那些先前曾经出现过的数字再次出现的情况，它们的反应时下降超出技能学习的部分，被认为是重复启动的贡献。重复启动是一种常见的内隐记忆测量，而所谓的技能学习则明显带有某些内隐学习的特征(如同人工语法学习中新合法串的情况)。研究者最终建立了一个统一的神经网络模型——它可以同时拟合真实被试在数字输入任务中技能学习和重复启动的实际数据。这一结果为内隐记忆和内隐学习可能共享的底层机制，提供了联结主义模型水平的支持。
4 小结：整合趋向的未来
内隐记忆和内隐学习各自相对独立地诞生、发展，随着两个领域研究的不断深入，走向整合研究的趋向成为越来越响亮的诉求。从各自独立割裂内隐记忆和内隐学习的研究现状，走向整合取向的学习记忆的无意识过程研究，在理论上有可能，在逻辑上有必要，在研究实践上也已经有过一些有益的尝试。
[ 上 页 ] [ 下 页 ], 百拇医药(李 林)
3 整合趋向的研究实践
近年来，一些研究者开始着手就把内隐记忆和内隐学习结合起来进行实验。杨治良(1991)通过控制记忆材料中某个字母串的出现概率来探讨记忆的启动效应，实验既整合了内隐记忆的材料呈现阶段和内隐学习的学习阶段，又在测验中同时反应了被试对该字母串的内隐记忆和对字母串出现概率的内隐学习[23]。Higham等(2000)尝试将Jacoby的加工分离程序(PDP)逻辑与人工语法学习结合起来，进行了他们称之为“对抗逻辑”的初步实验研究[11]。Kinder等(2003)也试图将人工语法学习和内隐记忆通常关注的无意识回溯联系起来，在其系列实验中讨论了加工流畅性是如何影响无意识提取，并进而在人工语法的分类任务中表现出来的[7]。这一工作已经不是简单地在内隐记忆和内隐学习研究中应用对方的任务或逻辑，而是开始尝试用同一套规则——例如流畅性启发式——来同时解释内隐记忆和内隐学习现象。这类尝试中更为明显的例子来自于Gupta和Cohen(2002)，他们建立了一个联结主义的神经网络模型，并以此很好地拟合了重复启动和技能学习的真实实验数据，而其应用的重复启动任务，则类似内隐学习研究中经典的序列学习范式[24]。
, http://www.100md.com
3.1 加工分离程序在内隐学习中的应用尝试
Higham、Vokey和Pritchard(2000)的一组实验，尝试将类似PDP的逻辑应用到人工语法学习研究中[11]。他们指出，在人工语法学习中，不管是直接任务还是间接任务，都是自动(无意识)过程和可控(意识)过程共同作用的结果；而传统的任务分离实验逻辑无法对这两种过程进行直接区分。因此，Higham借鉴PDP的思想，发展出被他们称为“对抗逻辑”的实验方法，试图直接设定意识和无意识过程的关系是“协同”还是“对抗”，由此考察人工语法学习中的自动加工和控制加工。
实验中，研究者使用了两个不同的限定状态语法(语法A和语法B)，用于生成练习和测验材料。被试在学习阶段每次都要记忆一对字母串，一个来自语法A，另一个来自语法B；字符串呈现约5秒，被试被要求在字符串消失后，将它们写在标有“词表A”和“词表B”的合适的栏内。测验阶段开始后，被试将得知此前两个学习过的词表中的项目，分别是由两个不同的规则结构来生成的，但是这一说明并不提供任何关于这些结构规则的性质的细节。接下来进行的是一个语法判断测验。以上这些步骤，除了学习阶段被试同时接触两种语法规则生成的实例以外，与经典人工语法内隐学习实验并无差异。
, 百拇医药
而“对抗逻辑”的特色在于测验阶段的条件设置，被试在测验阶段被分成“和谐组”与“对抗组”。实验者要求“和谐组”被试将任何他们认为符合语法A或语法B的测验项目评价为符合语法，而将同时与两个结构规则都不符合的项目评价为不符合语法。但是对于“对抗组”被试，实验者要求他们仅将语法B项目评价为符合语法，而将语法A和非法项目都评价为不符合语法。
该实验的结果可以分为两个方面：其一，语法A接受率在和谐条件下(0.65)比在对抗条件下(0.51)大，这表明被试能通过明确地否定语法A产生的项目来控制其学习，提供了人工语法测验中控制加工的证据；其二，对抗条件下语法A项目的接受率(0.51)比非法项目的接受率(0.39)更大，这说明人工语法测验中自动加工的存在。
在研究中，Higham等人还通过设定被试在语法分类反应任务上的时间限制，来考察“对抗逻辑”所揭示的自动和受控加工是否具有类似内隐记忆研究得出的两类加工的一般特征，即：自动加工不易受干扰，在短促时间内反而可能更具优势。实验表明，和谐—对抗条件变量对语法A项目接受率的效应在无时限条件的情况下显著，但在时间限制条件下不显著；且对抗条件下语法A项目的接受率在时间限制条件下(0.47)比在无时限条件下(0.42)更大。以上结果验证了Higham所说的语法分类任务中自动和受控加工，具有和内隐记忆领域中相关研究所述的这两种加工的特征一致性。
, 百拇医药
3.2 从测验任务的内部机制联系内隐记忆和内隐学习
Higham等将PDP逻辑运用在人工语法学习研究中，值得注意的是，PDP逻辑实际上关注的是头脑中已有的信息在测验情境下的不同表达机制(自动过程和受控过程)，至于这种信息究竟是怎么进入头脑的，则并不重要。因此，当Higham等采用所谓的“对抗逻辑”进行人工语法学习研究时，他们就在事实上已经放弃了内隐学习和内隐记忆的截然区分，转而关注人工语法知识如何得以表达的问题。
Kinder、Shanks、Cock和Tunney(2003)更直接地关注了人工语法学习的测验任务中规则知识表达的机制问题[7]，比Higham等人更进一步的是，Kinder等人明白地提出内隐记忆和内隐学习现象都可能用一套相同的机制来进行解释，即流畅性启发式和回忆机制。在他们的实验中，呈现限定状态人工语法的样例，并要求被试在每个样例呈现完毕后立即键入刚才看到的字母串；而在测验阶段，实验者控制了测验项目逐渐清晰化的速率，以此影响被试的知觉加工流畅性。对被试的测验分为语法分类测验和再认测验两种。结果流畅性启发式的效应很明显地显现在分类任务中，却未能影响再认任务。该研究的一个有趣之处在于，其实验操纵脱离了以往内隐学习研究的学习阶段分离，而是采用了测验任务分离，这样才可能从测验任务内部机制的角度联系内隐记忆和内隐学习。
, 百拇医药
如果说Kinder等人的研究关心内隐记忆和内隐学习在测验任务上共有的认知机制，那么Gupta和Cohen(2002)就更深入到了两者在测验任务中共同的神经网络模型层面上。这两位研究者关心的学习记忆现象是数字输入中的技能学习和重复启动[22]。他们应用了一种类似SRT范式的实验任务，被试必须尽快地按键盘输入屏幕上呈现的数字串(每次出现一串五位数字)。所有五位数字串都符合一套规则，即每个数字之后只可能出现4个特定数字，例如数字1后面可能出现3、7、8、0，数字2后面可能出现1、4、6、9等。当被试持续进行数字输入任务时，他们的输入时间将会下降，这和SRT的结果是一致的。不过研究者进一步区分了两种情况：其一是对于那些先前从来没有出现过的、但又符合数字组成规则的数字，它们的反应时下降被认为是技能学习；其二是那些先前曾经出现过的数字再次出现的情况，它们的反应时下降超出技能学习的部分，被认为是重复启动的贡献。重复启动是一种常见的内隐记忆测量，而所谓的技能学习则明显带有某些内隐学习的特征(如同人工语法学习中新合法串的情况)。研究者最终建立了一个统一的神经网络模型——它可以同时拟合真实被试在数字输入任务中技能学习和重复启动的实际数据。这一结果为内隐记忆和内隐学习可能共享的底层机制，提供了联结主义模型水平的支持。
4 小结：整合趋向的未来
内隐记忆和内隐学习各自相对独立地诞生、发展，随着两个领域研究的不断深入，走向整合研究的趋向成为越来越响亮的诉求。从各自独立割裂内隐记忆和内隐学习的研究现状，走向整合取向的学习记忆的无意识过程研究，在理论上有可能，在逻辑上有必要，在研究实践上也已经有过一些有益的尝试。
[ 上 页 ] [ 下 页 ], 百拇医药(李 林)