Direct classificationIn a typical c

Direct classification
In a typical classification task, a stimulus is presented on each trial and the participant depresses a response key indicating the category membership of the stimulus. Feedback is then provided, and a new trial is initiated (Ashby & Maddox, 2005). For instance, the stimuli might be circular sine-wave gratings (e.g., Gabor disks) varying in bar width and bar orientation. To visualize the category structures,
each stimulus can be represented graphically by a point in a two-dimensional space like those shown in Fig. 1 (with each axis representing a different stimulus dimension).
Many studies have reported striking differences in how people learn with rule-based (the top panels and the bottom right panel) versus information-integration (the bottom left panel) category structures (e.g., Ashby, Ell, & Waldron,2003; Ashby, Maddox, & Bohil, 2002; Maddox, Ashby, & Bohil, 2003; Maddox & Ing, 2005; Waldron & Ashby,2001). In rule-based tasks, the optimal categorization strategy can be learned using an explicit reasoning process and is often easy to describe verbally (Ashby, Alfonso-
Reese, Turken, & Waldron, 1998). For instance, the top left panel of Fig. 1 shows the simplest and most widely studied rule-based category structures. Note that the optimal onedimensional rule here is ‘‘respond A if the bars are thick and B if they are thin’’. There are similar verbal rules for the two category structures shown in the right column of Fig. 1. In contrast, the optimal categorization strategy for the information-
integration category structures shown in the bottom left panel of Fig. 1 is difficult or impossible to describe verbally. Accuracy is maximized only if information from
two or more stimulus dimensions is integrated at some predecisional stage (Ashby & Gott, 1988). Previous research has found many qualitative dissociations between the learning performance of rule-based and information-integration category structures (for a review,see Maddox & Ashby, 2004). However, human participantscan reliably learn all these different category structureswith a direct classification task (for a review, see Ashby &Maddox, 2005).

ผลลัพธ์ (ไทย) 1:

จำแนกโดยตรงในการจัดหมวดหมู่งานทั่วไปกระตุ้นเศรษฐกิจที่จะนำเสนอในการพิจารณาคดีแต่ละคนและผู้มีส่วนร่วมสำคัญในการตอบสนอง depresses ระบุสมาชิกหมวดหมู่ของสิ่งเร้า ข้อเสนอแนะที่มีให้แล้วและการพิจารณาคดีใหม่จะเริ่ม (แอชบี&แมดดอกซ์ 2005) ตัวอย่างเช่นสิ่งเร้าที่อาจจะมีตะแกรงคลื่นวงกลม (เช่นดิสก์ Gabor) ที่แตกต่างกันในความกว้างของแถบการปฐมนิเทศและบาร์เพื่อให้มองเห็นโครงสร้างหมวดหมู่
กระตุ้นแต่ละคนสามารถแสดงตามกราฟิกของจุดในพื้นที่สองมิติเช่นเดียวกับที่แสดงในรูปที่ 1 (มีแกนเป็นตัวแทนของมิติกระตุ้นเศรษฐกิจที่แตกต่างกันในแต่ละ).
การศึกษาจำนวนมากได้รายงานความแตกต่างที่โดดเด่นในวิธีที่ผู้คนเรียนรู้ด้วยตามกฎ (แผงด้านบนและแผงด้านขวาล่าง) เมื่อเทียบกับการรวมข้อมูล (ด้านล่างซ้ายแผง) โครงสร้างหมวดหมู่ (เช่นแอชบี ell, &ลดรอน, 2003; แอชบี แมดดอกซ์& bohil, 2002; แมดดอกซ์, แอชบี& bohil, 2003; แมดดอกซ์&ไอเอ็นจี, 2005; ลดรอน&แอชบี 2001) ในงานตามกฎกลยุทธ์การจัดหมวดหมู่ที่ดีที่สุดสามารถเรียนรู้โดยใช้กระบวนการให้เหตุผลที่ชัดเจนและมักจะเป็นเรื่องง่ายที่จะอธิบายด้วยวาจา (แอชบีอัลฟองโซ-
รีส Turken, &ลดรอน, 1998) ตัวอย่างเช่นด้านบนซ้ายของแผงมะเดื่อ 1 แสดงที่ง่ายและส่วนใหญ่การศึกษากันอย่างแพร่หลายตามกฎโครงสร้างหมวดหมู่ทราบว่ากฎ onedimensional ที่ดีที่สุดที่นี่เป็น'' ตอบสนองถ้าแท่งหนาและ b หากพวกเขาเป็นบาง'' มีกฎระเบียบวาจาที่คล้ายกันสำหรับสองโครงสร้างหมวดหมู่ที่แสดงในคอลัมน์ด้านขวาของมะเดื่อเป็น 1 ในทางตรงกันข้ามกลยุทธ์การจัดหมวดหมู่ที่เหมาะสมที่สุดสำหรับโครงสร้างข้อมูล-
หมวดหมู่บูรณาการแสดงในด้านล่างซ้ายของแผงมะเดื่อ1 เป็นเรื่องยากหรือเป็นไปไม่ได้ที่จะอธิบายด้วยวาจา ความถูกต้องเป็น maximized เฉพาะในกรณีที่ข้อมูลจาก
สองมิติหรือมากกว่าการกระตุ้นเศรษฐกิจแบบบูรณาการในขั้นตอน predecisional บางคน (แอชบี& gott, 1988) วิจัยก่อนหน้านี้พบว่ามีหลายคุณภาพ dissociations ระหว่างประสิทธิภาพการเรียนรู้ของกฎที่ใช้และบูรณาการข้อมูลโครงสร้างหมวดหมู่ (สำหรับทบทวนดูแมดดอกซ์&แอชบี 2004)แต่มนุษย์ participantscan เชื่อถือได้เรียนรู้ทุก structureswith หมวดหมู่เหล่านี้ที่แตกต่างกันการจัดหมวดหมู่งานโดยตรง (สำหรับทบทวนดูแอชบี&แมดดอกซ์ 2005)

ผลลัพธ์ (ไทย) 2:

ตรงประเภท
ในงานประเภททั่วไป กระตุ้นเศรษฐกิจจะนำเสนอในการทดลองแต่ละ และกดคีย์ตอบแสดงการเป็นสมาชิกประเภทของการกระตุ้นการทำงานผู้เข้าร่วม ผลป้อนกลับไว้แล้ว และเริ่มต้นทดลองใหม่ (ส่วนหนึ่งของ&แมดด็อกซ์ 2005) ตัวอย่าง สิ่งเร้าอาจจะ gratings ผ่านความคลื่นไซน์กลมพยายาม (เช่น กาบอร์ดิสก์) แตกต่างกันไปในแนวกว้างและแถบบาร์ เห็นภาพโครงสร้างประเภท,
สามารถแสดงกระตุ้นแต่ละภาพตามจุดในพื้นที่สองมิติเช่นที่แสดงใน Fig. 1 (ด้วยแต่ละแกนแสดงขนาดต่าง ๆ กระตุ้น) .
หลายการศึกษาได้รายงานโดดเด่นแตกต่างกันว่าคนเรียนกับตามกฎ (แผงด้านบนและแผงด้านขวาล่าง) เมื่อเทียบกับโครงสร้างประเภทข้อมูลรวม (ล่างซ้ายแผง) (ส่วนเช่น หนึ่ง Ell & Waldron, 2003 ส่วนหนึ่ง แมดด็อกซ์ & Bohil, 2002 แมดด็อกซ์ ส่วนหนึ่ง & Bohil, 2003 แมดด็อกซ์& Ing, 2005 ส่วน Waldron &หนึ่ง 2001) งานตามกฎ กลยุทธ์การจัดประเภทสูงสุดสามารถได้เรียนรู้โดยใช้กระบวนการใช้เหตุผลอย่างชัดเจน และมักง่ายอธิบายถึง (ส่วนหนึ่ง อัลฟองโซ-
รูป Turken & Waldron, 1998) เช่น แผงควบคุมด้านซ้ายบนของ Fig. 1 แสดงง่ายที่สุด และศึกษาโครงสร้างตามกฎประเภทอย่างแพร่หลาย หมายเหตุกฎสูงสุด onedimensional ที่นี่ว่า '' A ตอบสนองถ้าแถบหนาและ B'' จะบาง มีกฎเหมือนวาจาสำหรับโครงสร้างประเภทที่สองที่แสดงในคอลัมน์ด้านขวาของ Fig. 1 ในทางตรงข้าม กลยุทธ์การจัดประเภทที่เหมาะสมสำหรับข้อมูล-
รวมโครงสร้างประเภทแสดงในแผงด้านซ้ายล่างของฟิก 1 เป็นเรื่องยาก หรือไม่สามารถอธิบายถึง ความถูกต้องถูกขยายเมื่อข้อมูลจาก
น้อยสองมิติกระตุ้นรวมได้ predecisional (ส่วนหนึ่ง& Gott, 1988) งานวิจัยก่อนหน้านี้พบ dissociations เชิงคุณภาพในระหว่างการเรียนรู้ประสิทธิภาพของตามกฎการรวมข้อมูลประเภทโครงสร้าง (ดูรีวิว แมดด็อกซ์&ส่วนหนึ่ง 2004) อย่างไรก็ตาม participantscan มนุษย์ได้เรียนทั้งหมดเหล่านี้แตกต่างกันประเภท structureswith งานจัดประเภทโดยตรง (ความเห็น การส่วนหนึ่งของ &Maddox, 2005)

ผลลัพธ์ (ไทย) 3:

การจำแนก ประเภท โดยตรง
ซึ่งจะช่วยในการจำแนก ประเภท ตามแบบฉบับงานกระตุ้นเศรษฐกิจที่ได้รับการนำเสนอในการทดลองใช้งานแต่ละครั้งและผู้เข้าร่วมประชุมกดปุ่มการตอบสนองที่ระบุว่าการเป็นสมาชิก ประเภท ของนโยบายกระตุ้นเศรษฐกิจได้ สัญญาณย้อนกลับได้รับการจัดหาและการทดลองใช้งานใหม่คือเริ่มต้น( ashby และ sulgrave manor & maddox 2005 ) ตัวอย่างเช่นมาตรการกระตุ้นอาจจะทรงกลมโดยจะมีสัญญาณตรวจจับทุกคลื่นเสียง(เช่นฮาร์ดดิสก์ gabor )แตกต่างกันในความกว้างบาร์และแนวบาร์ในการแสดง ภาพ โครงสร้าง ประเภท
กระตุ้นเศรษฐกิจแต่ละตัวสามารถแสดง ภาพ กราฟิกโดยจุดที่ในพื้นที่สองมิติที่เหมือนที่แสดงในรูปที่ 1 (พร้อมด้วยแกนแต่ละอุปกรณ์เสริมเป็นตัวแทน ภาค อื่น)..
การศึกษาจำนวนมากมีรายงานว่าความแตกต่างที่โดดเด่นในการเรียนรู้ด้วยกฎข้อที่ขึ้นอยู่กับพื้นฐานของทะเล(ที่ด้านบนและเครื่องควบคุมที่ด้านล่างขวาแผงควบคุม)เมื่อเทียบกับข้อมูล - การประกอบ(ที่ด้านล่างซ้ายแผงควบคุม) ประเภท โครงสร้าง(เช่น, ashby และ sulgrave manor ,แขน,& waldron, 2003 ; ashby และ sulgrave manor , maddox ,& bohil , 2002 ; maddox , ashby และ sulgrave manor ,& bohil , 2003 ; maddox &ไอเอ็นจีประกันชีวิต, 2005 ; waldron & ashby, 2001 ) ในการดำเนินการตามกฎกลยุทธ์การจัดชนิดดีที่สุดที่สามารถเรียนรู้โดยใช้กระบวนการการใช้เหตุผลอย่างชัดเจนและเป็นการอธิบายได้อย่างง่ายดายด้วยปาก( ashby และ sulgrave manor Alfonso -
reese turken & waldron 1998 ) ตัวอย่างเช่นบนด้านซ้ายของรูป 1 แสดงโครงสร้าง ประเภท กฎข้อที่ใช้ง่ายและศึกษาอย่างกว้างขวางมากที่สุดได้บันทึกไว้ด้วยว่ากฎข้อที่ onedimensional อย่างมี ประสิทธิภาพ ได้ที่นี่คือ"ตอบรับหากบาร์ที่มีความหนาและ B หากพวกเขามีบาง" มีกฎระเบียบด้วยวาจาความเหมือนของทั้งสองสิ่งก่อสร้าง ประเภท ที่ได้แสดงไว้ในคอลัมน์ทางขวาของรูป 1 . ในทางตรงข้ามกลยุทธ์การจัดชนิดได้อย่างมี คุณภาพ สำหรับโครงสร้าง ประเภท ข้อมูล -
การผนวกรวมที่ได้แสดงไว้ในด้านล่างซ้ายของรูป1 เป็นเรื่องยากหรือแทบเป็นไปไม่ได้ที่จะอธิบายเกี่ยวกับถ้อยคำ ความแม่นยำคือเพิ่มเท่านั้นหากได้รับข้อมูลจาก
สองตัวหรือมากกว่าขนาดกระตุ้นเศรษฐกิจเป็นแบบอินทิเกรต predecisional เวที( ashby และ sulgrave manor &นี่ม่ายช่าย 1988 )บางส่วน ก่อนหน้ามีการวิจัยพบ dissociations เชิง คุณภาพ จำนวนมากระหว่างการเรียนรู้ของโครงสร้างตามกฎและข้อมูลการรวม ประเภท (สำหรับการตรวจสอบที่ดู maddox & ashby และ sulgrave manor 2004 )แต่ถึงอย่างไรก็ตาม participantscan มนุษย์เชื่อถือได้โปรดดูข้อมูล ประเภท ต่างๆเหล่านี้ทั้งหมด structureswith งานการแบ่ง ประเภท โดยตรง(สำหรับการตรวจสอบที่ดู &maddox ashby และ sulgrave manor 2005 )