归类不确定情境下特征预测理性模型研究.pdfVIP

归类不确定情境下特征预测理性模型研究 张娟1莫雷2 1华南师范大学心理系，广州510631；zhangiuanpsy@163．goln 2华南师范大学心理系，广州510631；molei@senu．edu．ca 摘要探讨了Bayesian规则计算公式的具体含义，井在此基础上了考察了归类不确定情境 下特征预测是否符台Bayesian规则。共包括2个实验；实验1探讨保持类别内目标成员中预测特 征的比例不变，而改变类别内所有成员中预测特征的比例是否会影响被试的特征预测。实验2探讨 保持类别内目标成员中预测特征的比例不变，进一步扩大类别内所有成员中预测特征比例的差异是 否会影响被试的特征预测。结果表明：类别内目标成员中预测特征的比例影响被试的特征预测，而 类别内所有成员中预测特征的比倒不影响被试的特征预测。据此，本研究认为，Murphy和Ross(1994) 的研究中对Bayesian规则计算公式的含义理解有偏差，其由此提出的“单类说”值得商榷。 关键词归类，特征预测。Bayesian规则 l 问题与目的 归类是人类智力思维活动的中心环节之一，利用类别进行特征推理是类别的一个重要 功能，即使在无法确定目标归类约情境中，人们也会按照最可能的归类来识别出目标，并 且对目标的行为或者特征作出预测，我们将这种情况称为“归类不确定时的特征预测”Il捌。 关于归类不确定时对目标的特征进行预测的理论，目前主要有两方面的观点：一种是 Anderson(1991)提出的理性模型。该模型认为，对物体未知特征的预测等价于以下情形：n 个物体具有一个共同的可观察特征Fn。现在要得到某一物体在某不可见维度i上具有特征J 的可能性，理想的做法是把这n个物体分割成不同的类别，然后分别用每个类别内物体在维 度i上具有特征j的概率乘以该类别出现的概率，再把各个类别所得到的乘积相加，用公式 度上具有特征j的可能性，P(xlFn)表示具有观察特征Fn的物体属于类别X的可能性，Piolx) 表示类别x中具有观察特征Fn的物体在维度i上具有特征j的可能性。Anderson指出以上 算法是晟理想的，但是，由于类别x是由被试将n个物体进行分类形成的，因此，只有当n 较小、分类的方式比较少的情况下，人们的判断才会适合这种理想算法模式；而i1增大时， 分类方式将按照贝尔指数增加，需要较大的认知消耗，此时人们可能会按照另外的模式进行 判断。 因此Anderson用人工智能里的迭代算法(the IterativeAlgorithm)模拟了类别形成过程， 提出了理性模型的非理想算法。在这种算法下，要预测某个具有己知特征F的物体在某维度 k 代表具有观察特征F的物体在某维度i上具有特征j的可能性，公式右边第一项P(klF)指的 是具有观察特征F的某物体属于类别k的可能性，与理想算法模型相同；但是，第二项Pi(jlk) 则与理想算法模型不同，它指的是类别k中所有物体在维度i上具有特征j的概率，丽不是 类别k中具有观察特征F的物体在维度i上具有特征j的概率。Anderson指出其改变后的计 J。 算公式(2)与理想公式(1)相比损失了准确性Ij 可见，理性模型的计算公式(通常称为Bayesian规则)有两种，一种是理想算法，公 式右边第二项Pi(jlx)指的是类别内具有观察特征F的物体(简称“目标成员”，下同)在维度 i上具有特征i的概率，这种是在n比较少的情况下的精确性高的判断模式；另一种算法是 非理想算法，公式右边第二项PiGIk)指的是类别内所有成员在维度i上具有特征j的概率。 这种是在n比较少的情况下人们可能采用的精确性低一些的判断模式。但是不管按照哪一种 算法，理性模型都认为人们在不确定归类情境下进行特征推理时会综合考虑了多个类别的信 息。 而Murphy等人却提出了“单类说”，他们认为不确定情境下的特征推理不需要考虑多个 类别的信息，而只需要根据已有特征考虑目标最有可能归属的类别即靶类别的信息即可。 Murphy和Ross(1994)J1蕴过研究证明了其“单类说”。实验材料如图1所示： Bob John