DOI: https://doi.org/10.1371/journal.pcbi.1013220
PMID: https://pubmed.ncbi.nlm.nih.gov/42361115
تاريخ النشر: 2026-06-26
المؤلف: Julie Y. L. Chow وآخرون
الموضوع الرئيسي: التقييمات التعليمية والنفسية
نظرة عامة
تقدم ورقة البحث نقدًا لنماذج التعلم الارتباطي التقليدية التي تستخدم التصنيفات الثنائية للإشارات والنتائج، والتي غالبًا ما تفشل في حساب التباين الكامن في التجارب الواقعية. على وجه التحديد، تكافح هذه النماذج لتمثيل التغيرات في أحجام النتائج، مثل اختلاف شدة المرض في السياقات الطبية، حيث تقترب في المقام الأول من متوسط النتيجة دون التقاط التوزيع الأساسي. لمعالجة هذه القيود، يقدم المؤلفون نموذجًا موزعًا يدمج بنية موزعة في تعلم خطأ التنبؤ. يسمح هذا النموذج بتشكيل روابط ارتباطية بين إشارات ونتائج بناءً على حجم النتائج، مما يسهل عملية تعلم أكثر دقة تتجاوز مجرد تقريب المتوسط.
تظهر المقارنات التجريبية بين النموذج الموزع ونموذج دلتا البسيط عبر أربعة تجارب تعلم طارئة أن النموذج الموزع يتناسب بشكل أفضل مع البيانات لجميع المشاركين تقريبًا. تشير النتائج إلى أنه عند مواجهة نتائج مستمرة، يظهر المشاركون حساسية للتوزيع الأساسي للنتائج، مما يشير إلى أن استجاباتهم مستندة إلى عملية ترميز معقدة. يتحدى هذا الفكرة القائلة بأن التباين في الاستجابات هو مجرد ضوضاء، مما يبرز أن المتعلمين البشريين يمكنهم ترميز الطبيعة المستمرة والمتغيرة لتجاربهم بشكل فعال. بشكل عام، تعزز النتائج فهمنا للاستدلال السببي في البيئات المعقدة وتقترح إطارًا جديدًا للنظر في كيفية تعلم الأفراد من تجاربهم بطريقة دقيقة.
مقدمة
تناقش مقدمة ورقة البحث تطور نماذج التعلم الارتباطي، مع التأكيد على أهميتها لكل من سلوك الحيوان وتعلم الطوارئ البشري. على مدار الخمسين عامًا الماضية، تم جمع بيانات واسعة حول جوانب مختلفة من التعلم الطارئ، بما في ذلك حساسية الحكم السببي، والتحيزات في إدراك العلاقات غير الموجودة، وتنافس الإشارات. استخدمت معظم الدراسات محفزات ثنائية بسيطة، مما يبسط تجارب التعلم الواقعية التي غالبًا ما تتضمن نتائج مستمرة ومتغيرة. على سبيل المثال، تقدم السيناريوهات الطبية عادة ثنائية حالات الشفاء، ومع ذلك، فإن التجارب الصحية الفعلية تتميز بمعلومات متقلبة لا يمكن تصنيفها بسهولة.
تنتقد الورقة الاعتماد على النتائج الثنائية في مهام التعلم الطارئ، بحجة أن هذا النهج قد يتجاهل التغيرات الكبيرة في عمليات التعلم وتعقيدات الاستدلال السببي. بينما تقدمت النماذج البايزية في فهم الاستدلال السببي من خلال دمج عدم اليقين، فإنها غالبًا لا تحدد الآليات التي من خلالها يقوم البشر بأداء مثل هذه الاستدلالات. على العكس من ذلك، تركز النماذج الميكانيكية، بما في ذلك شبكات تعلم خطأ التنبؤ، على العمليات النفسية وراء تمثيل الأحداث والتعلم. يقترح المؤلفون التحقيق فيما إذا كان التعلم من النتائج المستمرة والتباين الناتج يمكن أن ينشأ من آليات ارتباطية بسيطة، دون الحاجة إلى تمثيل عدم اليقين بشكل صريح أو حسابات معقدة.
طرق
يحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من التقنيات الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، ونماذج، والتي تم تصميمها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شملت جمع البيانات أخذ عينات منهجية وتطبيق بروتوكولات موحدة لضمان الموثوقية والصلاحية. تضمنت التحليلات الإحصائية المستخدمة نماذج الانحدار واختبار الفرضيات لتقييم أهمية النتائج. بالإضافة إلى ذلك، يوضح القسم الأدوات البرمجية والبرامج المستخدمة في تحليل البيانات، مع التأكيد على قوة الأساليب في معالجة أسئلة البحث المطروحة. بشكل عام، أسس الإطار المنهجي قاعدة صلبة للنتائج والاستنتاجات اللاحقة المستخلصة في الدراسة.
نتائج
في قسم النتائج، استخدم المؤلفون اختبار كولموغوروف-سميرنوف (KS) لمقارنة أنماط التنبؤ عبر أنواع الإشارات المختلفة في تجاربهم. على وجه التحديد، قاموا بتحليل العروض النهائية العشر في التجربتين 1 و2، وآخر 20 عرضًا في التجربتين 3 و4، لأخذ الفروق الدقيقة في التوزيع في الاعتبار. أسفر اختبار KS عن إحصائية D، تشير إلى درجة الاختلاف بين دوال التوزيع التراكمي للتوزيعين المقارنين، مع القيم الأكبر تشير إلى اختلاف أكبر. تم استخدام إجراء إعادة أخذ العينات مع 1000 تكرار لاشتقاق قيمة p-bootstrap، مع الحفاظ على عتبة دلالة قدرها $p = .05$. أكد المؤلفون أن تحليلاتهم كانت وصفية بدلاً من استنتاجية، مع التركيز على الأنماط العامة بدلاً من النتائج الإحصائية الفردية.
كشفت النتائج أن توقعات المشاركين اختلفت عبر جميع التجارب الأربعة للإشارات ذات المتوسطات المتطابقة ولكن بتوزيعات نتائج مختلفة. من الجدير بالذكر أن تقييمات اختبار المشاركين تعكس في الغالب متوسط النتيجة، مع ملاحظات طفيفة عند مقارنة الإشارات المرتبطة بتوزيعات مختلفة تمامًا، مثل ثنائية القمة مقابل العادية. يشير هذا إلى أنه بينما جمع المشاركون معرفتهم بناءً على قيمة النتيجة المتوسطة لتقييمات الملخص، كانت توقعاتهم أثناء التدريب متأثرة بكل من المتوسط والتوزيع الأساسي للنتائج. سيتناول القسم التالي ملاءمة تقييمات توقعات المشاركين لنموذج دلتا البسيط والنموذج الموزع، بالإضافة إلى مقارنة رسمية بين هذين النموذجين في التقاط سلوك المشاركين أثناء التعلم الطارئ.
مناقشة
تستكشف قسم المناقشة في الورقة النهج الارتباطي لتعلم الطوارئ من خلال النماذج الاتصال، مع التركيز بشكل خاص على كيفية تتبع هذه النماذج للتغاير بين الإشارات والنتائج. يتم تسليط الضوء على نموذج ريسكورلا-واجنر (RW) لاستخدامه خطأ التنبؤ لتحديث قوى الارتباط، مما يعزز الاتصال بين الإشارات والنتائج المتوقعة مع زيادة الخبرة. ومع ذلك، يتم انتقاد نموذج RW لأنه يقدر في المقام الأول متوسط النتيجة ويفتقر إلى القدرة على التقاط توزيع النتائج، وهو أمر ضروري لفهم الأحداث المتغيرة. يقترح المؤلفون تمثيلًا موزعًا للنتائج ضمن إطار خطأ التنبؤ، مما يسمح بفهم أكثر دقة لكيفية تعلم الأفراد حول النتائج المستمرة.
تتناقض الورقة بين طرق التعلم الارتباطي التقليدية وتلك التي تستخدم التمثيلات الموزعة، مشيرة إلى أنه بينما ركزت الأبحاث السابقة على النتائج المنفصلة، هناك فجوة في فهم كيفية تعلم الناس من النتائج المستمرة. يجادل المؤلفون بأن النماذج الحالية، التي غالبًا ما تعتمد على تقديرات نقطة واحدة، قد لا تعكس بشكل كافٍ تعقيدات التعلم البشري في مهام الطوارئ. يقدمون نموذجًا اتصالًا جديدًا يدمج شبكة موزعة لتمثيل النتائج المستمرة، مما يلتقط التباين وتوزيع الاستجابات. يهدف هذا النموذج إلى تقديم رؤى حول كيفية استخدام المتعلمين للمعلومات التوزيعية في التعلم الطارئ، مما يشير إلى أن نهجًا أكثر تعقيدًا قد يعزز فهمنا للسلوك التنبؤي البشري في البيئات الديناميكية. يختتم القسم بمراجعة موجزة للدراسات التجريبية المصممة لاختبار ملاءمة النموذج مقابل بيانات المشاركين، مع التأكيد على الحاجة إلى تقييم شامل لكل من نموذج دلتا البسيط والنموذج الموزع المقترح.
DOI: https://doi.org/10.1371/journal.pcbi.1013220
PMID: https://pubmed.ncbi.nlm.nih.gov/42361115
Publication Date: 2026-06-26
Author(s): Julie Y. L. Chow et al.
Primary Topic: Educational and Psychological Assessments
Overview
The research paper presents a critique of traditional associative learning models that utilize binary classifications of cues and outcomes, which often fail to account for the variability inherent in real-world experiences. Specifically, these models struggle to represent variations in outcome magnitudes, such as differing severities of illness in medical contexts, as they primarily approximate the mean outcome without capturing the underlying distribution. To address this limitation, the authors introduce a Distributed Model that incorporates a distributed architecture into prediction error learning. This model allows for the formation of associative links between cue and outcome nodes based on the magnitude of outcomes, thereby facilitating a more nuanced learning process that transcends mere mean approximation.
Empirical comparisons between the Distributed Model and a Simple Delta Model across four contingency learning experiments reveal that the Distributed Model significantly better fits the data for nearly all participants. The results indicate that when faced with continuous outcomes, participants exhibit a sensitivity to the underlying distribution of outcomes, suggesting that their responses are informed by a sophisticated encoding process. This challenges the notion that variability in responses is simply noise, highlighting that human learners can effectively encode the continuous and variable nature of their experiences. Overall, the findings enhance our understanding of causal inference in complex environments and propose a new framework for considering how individuals learn from their experiences in a nuanced manner.
Introduction
The introduction of the research paper discusses the evolution of associative learning models, emphasizing their relevance to both animal behavior and human contingency learning. Over the past five decades, extensive data has been gathered on various aspects of contingency learning, including causal judgment sensitivity, biases in perceiving non-existent relationships, and cue competition. Most studies have utilized simple binary stimuli, which oversimplifies real-world learning experiences that often involve continuous and variable outcomes. For instance, medical scenarios typically present a dichotomy of recovery states, yet actual health experiences are characterized by fluctuating information that cannot be easily categorized.
The paper critiques the reliance on binary outcomes in contingency learning tasks, arguing that this approach may overlook significant variations in learning processes and the complexities of causal inference. While Bayesian models have advanced the understanding of causal inference by incorporating uncertainty, they often do not specify the mechanisms through which humans perform such inferences. Conversely, mechanistic models, including prediction error learning networks, focus on the psychological processes behind event representation and learning. The authors propose to investigate whether learning from continuous outcomes and the resulting variability can arise from simple associative mechanisms, without the need for explicit uncertainty representation or complex computations.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. The researchers utilized a combination of quantitative and qualitative techniques to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling approaches, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and the application of standardized protocols to ensure reliability and validity. The statistical analyses employed included regression models and hypothesis testing to evaluate the significance of the findings. Additionally, the section details the computational tools and software used for data analysis, emphasizing the robustness of the methods in addressing the research questions posed. Overall, the methodological framework established a solid foundation for the subsequent results and conclusions drawn in the study.
Results
In the Results section, the authors employed the Kolmogorov-Smirnov (KS) test to compare the prediction patterns across different cue types in their experiments. Specifically, they analyzed the final 10 presentations in Experiments 1 and 2, and the last 20 presentations in Experiments 3 and 4, to account for subtle differences in distribution. The KS test yielded a D statistic, indicating the degree of difference between the cumulative distribution functions of the two comparison distributions, with larger values signifying greater dissimilarity. A bootstrapping procedure with 1000 iterations was utilized to derive a bootstrap p-value, maintaining a significance threshold of $p = .05$. The authors emphasized that their analyses were descriptive rather than inferential, focusing on the overall patterns rather than individual statistical outcomes.
The findings revealed that participants’ predictions varied across all four experiments for cues with identical means but differing outcome distributions. Notably, participants’ test ratings predominantly reflected the outcome mean, with minor variations observed when comparing cues linked to distinctly different distributions, such as bimodal versus normal. This suggests that while participants aggregated their knowledge based on the mean outcome value for summary ratings, their predictions during training were influenced by both the mean and the underlying distribution of outcomes. The subsequent section will detail the fitting of participants’ prediction ratings to the Simple Delta Model and Distributed Model, along with a formal comparison of these models in capturing participant behavior during contingency learning.
Discussion
The discussion section of the paper explores the associative approach to contingency learning through connectionist models, particularly focusing on how these models track the covariation between cues and outcomes. The Rescorla-Wagner (RW) model is highlighted for its use of prediction error to update associative strengths, which strengthens the connection between cues and expected outcomes as experience increases. However, the RW model is critiqued for primarily estimating the outcome mean and lacking the ability to capture the distribution of outcomes, which is essential for understanding variable events. The authors propose a distributed representation of outcomes within a prediction error framework, allowing for a more nuanced understanding of how individuals learn about continuous outcomes.
The paper contrasts traditional associative learning methods with those that utilize distributed representations, noting that while previous research has focused on discrete outcomes, there is a gap in understanding how people learn from continuous outcomes. The authors argue that existing models, which often rely on single point estimates, may not adequately reflect the complexities of human learning in contingency tasks. They introduce a new connectionist model that incorporates a distributed network to represent continuous outcomes, thereby capturing the variability and distribution of responses. This model aims to provide insights into how learners utilize distributional information in contingency learning, suggesting that a more sophisticated approach may enhance our understanding of human predictive behavior in dynamic environments. The section concludes with a brief overview of the empirical studies designed to test the model’s fit against participant data, emphasizing the need for a comprehensive evaluation of both the Simple Delta Model and the proposed Distributed Model.