文摘

尽管越来越多的证据表明,人类学习者敏感群落结构支撑时间序列,这种现象已被研究过使用一组极窄的网络集合体。学习的行为在多大程度上签名是健壮的社区规模和数量的变化是当前的重点工作。我们现在成年参与者的连续流小说对象生成一个随机沿着图1,2,3,4或6社区组成的N =24、12、8、6、4个节点,分别。图的节点对应于一个独特的对象和边缘对应流的直接继承。简而言之,我们发现以前观察到的处理成本与社区边界图架构的保存在一个数组。这些结果表明,统计学习机制可以灵活适应变化在群落结构视觉事件分割。

1。介绍

分割过程,这种参与从连续语音中提取文字,是人类学习的大部分的支柱。任务必不可少的语言学习者,如映射意义上声音或结合单词短语和句子,首先需要理解语言的组成部分。感觉输入离散单元的解析是同样重要的是在其他领域;例如,在视觉感知的事件边界序列已被证明活跃记忆中起着关键的作用[1,2]。基本工作由萨弗兰和他的同事证明了分割在缺乏语义或声学信号词边界是由音节之间的跃迁概率(3,4]。更具体地说,他们发现的成功提取结构是由于相对区别在流过渡概率无意义音节时,以高概率在单词和单词之间的概率较低。这个简单的统计已经与解析行为在视觉和运动学习任务,这表明灵敏度过渡概率,或统计学习,超出一个认知域(5- - - - - -8]。

然而,尽管成对地预测学习显然是一个强大的统计相关关系,它们代表只有一个可用的统计信息来源的学习者。在[更彻底地讨论9),任务展示灵敏度分布的集中趋势,如从语音信号中区别段连续(10),也被认为是统计学习机制在工作的例子。考试的全部范围的统计信息利用学习者是一个有价值的努力,尤其是当考虑到学习效果并不仅仅解释为过渡概率分布规律。它已经证明,例如,分割过程可以通过改变刺激阻碍结构等不同的长度单位是解析从连续输入(11]。总之,有洞察力,考虑是否当学习者调整为多个来源(或水平)的统计信息。

虽然不是这样,量身制定的最新发展领域的网络科学有效地延伸至统计学习敏感度等更复杂的信息环境的全球架构(最近看到[12])。证据表明,当某些大规模拓扑模式存在,分割效果可以引起即使过渡之间的概率已经把所有成对的元素(13- - - - - -15]。在最常用的实验设计,图的节点代表个人图像和边缘图的代表从一个图像转换到另一个。通过设计,每个节点的邻居彼此相互联系,确保图显示群落结构。然而,由于学位(事件边数)是相同的对于每个节点,过渡概率是稳定的。学习者接触到一个连续流的图像生成的随机漫步这样的图仍然显示对社区之间的界限。在这些发现的基础上,新的证据表明,群落结构在时间序列的存在可能是一种特别的特权的规律性。例如,增加处理速度已经观察到的运动序列生成的随机漫步在模块化相对于点阵图形相同的节点数量,边缘,和度分布(16]。

当我们开发和测试假设关于为什么群落结构可能是特别重要的学习,有必要澄清这个特定的程度敏感性概括图拓扑结构的变化。群落结构的存在时一再与处理事件边界的变化,这种现象几乎总是研究使用一个非常狭窄的合奏的图节点的度k= 4和社区 节点和 边(13- - - - - -16]。这里,我们扩展有限的一组图形架构之前使用的系统评估社区的数量和大小的变化如何影响学习。我们注意到当我们改变群落结构,我们小心翼翼地保持恒定的当地统计通常与学习有关,比如图中节点的度分布(即。成对跃迁概率的变化)。我们问是否之前报道在社区边界处理时间的增加,表明学习者期望序列倾向于留在社区,这些社区的属性改变时受到影响。

作为一个次要目标,我们探头使用三维的图像分割效果,显然可以操作的对象,而不是更常见的分形或符号(但[17])。因此,目前的一系列实验旨在提高生态效度的标准方法研究学习者对群落结构。在这一过程中,我们提供更深入地了解如何这个敏感性可能与真实世界的环境。例如,丰富的研究传统事件分割在自然场景都集中在如何自顶向下和自底向上流程的融合使观察者来确定边界的视觉活动(18),主要侧重于如何分割过程相关信息的编码在内存中(19]。因为统计学习机制,提出了在信息丰富的上下文,例如自然场景,必须证明他们可以处理复杂的感官输入(20.]。利用相比,自然对象,这里介绍的工作是一个一步加强学习外的实验室的链接。

2。材料和方法

2.1。参与者

数据收集从100年独特的参与者:20 5实验条件的每一个主题之间的设计。我们使用亚马逊土耳其机器人,一个成年工人完成任务的在线市场以换取经济补偿。参与者被支付的速度每分钟0.10美元。确保参与者参加任务,完成他们也收到了1.00美元的奖金和一个额外的1.00美元的奖金,如果他们的表现在正交封面任务超过90%的准确率。方法遵循的准则和法规制度审查委员会(IRB),宾夕法尼亚大学的批准所有实验协议。参与者传达知情同意前完成实验。

2.2。刺激

使用彩色图像的对象在这个实验中救出版小说的对象和不同寻常的名字(名词)数据库(21]。小说对象被减少的可能性的程度会影响参与者认识对象的处理时间。缩小的全套这里使用的子集(图对象1(一)从数据库中),我们选择24最不同的对象(平均距离最高分数基于空间布置方法(22),被认为是熟悉的和值得纪念的50%或更少的参与者。结果列表,我们更换了三个对象的距离的分数略低,因为他们的高度对称意味着参与者将无法执行一个旋转的判断任务(见下文)。

一旦被选对象图像,一个独特的1400年连续视觉流试验是为每个参与者。流被首先分配一个对象生成一个节点,然后通过随机走边缘组成(图6图类型之一1 (b))。Object-to-node对应学科之间是随机的。(所有图包括同等数量的节点N= 24),虽然每个节点的程度不同的图表类型(从k= 23完全连通图 在图6社区)组成的,它们的相对分布是匹配的。换句话说,在一个图表类型,程度是将所有节点,大致固定概率的过渡。因此,至关重要的操作不是成对当地变化的统计数据,而是社区的数量(1、2、3、4或6)和节点的数量在每一个社区(N= 24、12、8、6、4,分别)。因为我们旨在保持密集的社区结构,同时确保跨节点均匀程度在图,总边数不同的图表类型,从E在完全连通图= 276 在图6组成的社区。

2.3。过程

实验设置密切反映程序详细(14];然而,为了清晰起见,我们总结方法。参与者被要求查看对象的连续流,他们被告知,在35分钟流,部分可能会变得熟悉。流的开始之前,他们被训练来区分每个对象从一个版本的规范的方向向左旋转了90度,和他们测试知识之前实验的主要阶段。培训实验被重复,直到参与者实现了100%的准确性分数(意味着= 83.47试验,SD = 21.19)。培训试验的最低可能的数量是72(3试验/对象)。查看完整的流对象时,参与者表示是否每个对象出现在其规范取向(按1到键盘上)或其旋转版本(按2键盘)。因此,我们能够收集细粒度的措施处理时间为每个对象在整个过程中接触到流中。全套的对象,15%是旋转。参与者被指示,他们会听到一个尖锐的语气如果他们回答不正确在接触阶段和低沉的语气回应太慢。 Images of size 300x300 pixels were presented for 1.5 s with no interstimulus interval on a white background.

3所示。结果

这个实验的相关措施是规范的反应时间(RT), non-rotated图像流。之前检查的影响群落结构的变化按照这一标准,以下步骤被送往干净数据:删除不正确或没有响应试验数据丢失(7.4%),删除旋转试验数据丢失(12%),难以置信的反应时间(即。,大于1500 ms或少于100毫秒,还有0.2%的数据丢失),和删除异常数据点大于3个标准差的平均RT主题数据丢失(1.7%)。这些预处理步骤是相同的那些以前的工作(14],我们注意下面报道重要的模式结果持有没有删除难以置信和离群值的数据点。接下来,我们跑两个回归模型来回答以下问题:首先,做之前报道增加RTs社区边界随社区规模和数量(模型1)?第二,一般处理时间,分离的假设跨RT增加,受到这些相同的拓扑变化(模型2)?下面描述的线性混合效应模型进行的lme ()函数(-19年图书馆lme4, v . 1.1) R诉3.5.1。

3.1。模型1:跨处理成本

模型1是专门数据点对应边界节点上运行,直接定义为节点前加入一个新的社区(“转轨前节点”)和节点代表的条目(节点“过渡”)。因为完全连通图中不含边界节点,数据从这个条件被排除在分析之外。我们特别关注边界节点有两个原因:(1)我们不能排除这种可能性,学习者可能会显示一个特殊的敏感度边界节点无论他们代表进入新社区;和(2)这种方法将确保一个相对平衡的数据集。的实例有一个向前和向后遍历相同的跨种族的优势(例如,24-1-24),我们只计算第一个pre /转换节点对(24-1)。RTs退化到所有节点类型(pretransition的主要影响和交互与过渡),社区(反向Helmert编码测试假设RTs将增加基于社区的数量)和审判(连续从1 - 1400,以减少多重共线性)。还包括最完整的随机效应模型结构,允许模型收敛:每个参与者随机拦截和by-participant随机斜坡受审,节点类型,他们的互动。结果详细表1。我们观察到显著的主节点类型的影响(β= 16.79,t = 8.46, p < 0.001)和试验(β= -27.35,t = -8.17 < 0.001)。之间的相关性的大小小于固定效果r =0.6。

总结,我们发现图像与转型相关节点引起大大延长RTs比图像直接发生在此之前过渡(图2)。正如所料,我们也发现RTs显著降低随着时间的推移,无论节点类型;整体变得更快,参与者在取向的判断。我们没有观察主要影响的社区,没有相互作用预测,表明之前报道跨RT增加强大的社区规模和数量的波动。随后简单效应分析表明节点类型的影响为每个社区的预测水平。显著影响的节点类型揭示2-community图(β= 12.81,t = 2.31, p = 0.021), 3-community图(β= 22.57,t = 5.58, p < 0.001), 4-community图(β= 17.46,t = 5.51, p < 0.001), 6-community图(β= 14.34,t = 5.88, p < 0.001)。数值,节点类型的影响最弱的图2的社区12节点组成的,但是我们没有发现显著差异在跨RT增加这张图相对于别人。

3.1.1。重复启动

因为走路经常抽样人口从一个社区内,有一个更高的概率(相对于过渡节点),pretransition节点会被认为在最近的过去。解开知觉启动效应从序列的自上而下的期望应该留在社区,我们遵循的方法14]。模型1是重新运行的两个混淆预测:Lag10以及时效性。这两个预测显示每个图像的次数是在前面的10个试验,试验运行因为每个图像观察,分别。结果显示Lag10(显著的效应;β= -13.68,t = -8.06, p < 0.001)和近因(β= 15.31,t = 9.61, p < 0.001);然而,我们保持我们的重要主节点类型的影响(β= 5.53,t = 2.66, p = 0.008)。然后我们的数据子集包括只有30.7%的边界节点没有t多次在前25试验(任何进一步的约束将会导致一个极其不平衡的数据集)。再一次,我们维护相当重要作用的节点类型(β= 11.00,t = 2.67, p = 0.008)。

3.2。模型2:一般处理时间影响社区的规模和数量

程序模型1也应用于模型2。然而,正如我们已经证实从模型1的存在转换节点的处理成本,模型2中我们探索RTs的所有节点除了转换节点分析模型1。因为我们没有专注在边界节点上,我们还可以包含的数据完全连通图。RTs退化到所有社区和审判的主要影响和交互。我们再次包括全部随机效应结构,允许模型收敛,在这种情况下由每个参与者随机拦截和by-participant随机斜坡受审。之间的相关性的大小小于固定效果r =0.3。除了预期的试验(主要影响β= -24.59,t = -11.90, p < 0.001),我们也观察到显著的主效应图包含4个社区的社区N =6节点相对于图形包含1、2和3社区(β= -8.83,t = -2.09, p = 0.040;表1)。措辞的另一种方法,一般处理时间不包括跨节点最有利的地方在于当学习者提出了由一个随机生成的序列沿着一个图表(图4组成的社区3)。重要的是,这些影响是观察到即使专门会计inter-individual变异一般RTs通过随机效应模型的结构。直接比较时要清楚,一般处理时间为图4社区相对于图6社区,我们发现没有显著的主效应(β= 9.27,t = 0.84, p = 0.41)。因此,它可能不是参与者的特定偏好图4社区(6节点),但他们的处理时间通常是影响当信息是根据组织的许多小社区。最后,使直接接触模型1的分析,我们也重新模型2的包含Lag10和近因预测中所描述的部分3.1。1。我们注意到社区的主要效应(4 v . 3、2、1)边际(β= -6.98,t = -1.65, p = 0.103)。当构造子集中的18.9%的节点没有重复前面的25个试验,以前重要的主要影响社区(4 v . 3、2、1)下降β= -4.22,t = -0.97, p = 0.336。

4所示。讨论

当前的研究有助于扩大我们的理解范围的社区驱动的学习。之前我们已经开始复制的工作证明处理成本与转换从一个对象到另一个社区在一个连续的序列13- - - - - -16]。这样做,我们已经迈出了关键一步表明先前报道的影响概括小说的刺激更密切近似的物理特性相比,复杂的对象中发现我们的真实环境。观察到的增加反应时间在社区边界信号模块时序网络学习者确实是高度敏感;处理成本转换节点表明违反序列倾向于保持在一个给定的期望社区(广泛的讨论这一点看到14])。目前的报告还发现没有证据支持这一假说,跨种族RT差异是显著调节社区规模和数量的变化。咄咄逼人地,一个简单的分析指出影响显著影响的节点类型是否检查2 N = 12节点的社区与学位k =11、6社区N = 4个节点的度k =3所示。

虽然现在的工作既群落结构和事件分割(即之间的联系。专注于边界节点),它也是有用的考虑这个属性的影响一般分开处理RT签名与违反相关学习者期望序列保持在一个给定的社区(16]。有丰富的历史认知科学致力于揭露“甜蜜点”相关的各种认知能力(例如,23])。米勒(1956)著名的明显的局限性言语工作记忆7±2 (24],和类似的约束中描述的任务数字认知。例如,成年人通常subitizing范围的5项之外,他们无法自动确定物品的数量在一系列视觉计算(25]。虽然不是一个约束本身,它可以是社区的大小或数量导致处理资源的最有效利用。分析intra-community反应时间(即。,excluding nodes representative of a transition to a new community) starts to offer an answer to this question. Specifically, results reveal the greatest facilitation of object processing for sequences generated by walks along a graph comprised of 4 communities ofN =相比6节点(图1、2、或3社区)。鉴于目前的设计,旨在评价分割效果同时持有不变的节点总数和within-graph度分布,不可能解开观察是否便利效应是由于社区的数量或大小。尽管如此,这种模式的结果有趣的视觉工作记忆容量的报告连接4项(26]。可能是社区结构是最有用的是底层结构的暗示当颞环境分为4或更多分组?然而,如果它是社区的大小影响处理时间而不是社区的总数,然后我们不会找到证据支持这个假设。显然,额外的工作,使用计算以及行为方式(27),需要找到限制认知能力之间的关系的性质和群落结构的影响顺序对象处理。

这些发现证实了学习者强烈的和适应的社区结构和求进一步研究学习的程度是健壮的拓扑变化更明显。鉴于社区结构渗透到系统多元化和嘈杂的语言,生物,和社交网络28- - - - - -30.),人类的大脑灵活适应关系信息栅格地图(17,31日),一个期望学习机制来充分应对更大的规模和/或稀疏的该属性的实例化。然而,程度学习者利用网络属性中观察到的全部范围的自然系统(例如,中心-外围结构、无尺度结构,community-size和密度)的变化产生了实证检验的问题。指定边界条件的学习是一个正在进行的和未来的研究领域尤其重要。例如,证据已经表明,当地统计(过渡概率),当他们有足够的在社区边界,覆盖通常观察到RT增加事件转换(14]。本地和全球之间的这种紧张关系规律,特别是当这些规律是嵌入在吵着系统,将是一个重要的途径进行更详细的调查。来跟进我们之前建议在实验室学习应该更紧密地反映学习外的实验室,重点在统一的社区和均匀过渡概率(within-graph)可以被认为是一个限制,因为学习者不太可能遇到这样严格组织输入。

5。结论

我们认为这里扩展统计学习的常用的定义包括学习者的敏感性更广泛的拓扑环境。我们提供支持这个论点被证明在事件处理时间边界受时间影响群落结构在多种尺度(即。图形测试的集合),即使对象-与-对象过渡概率不显示有意义的变化。最后,我们表明,群落结构也影响整体处理时间,与特定的乐于助人的影响观察序列组成的4的社区N =6节点相对于更少的社区组成的更多的节点。目前的工作是一个重要的一步对我们理解高阶的影响建筑属性学习和处理。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

内容是完全的责任作者,并不一定代表的任何资助机构的官方观点。

的利益冲突

作者宣称没有利益冲突。

确认

作者希望承认克里斯托弗·林恩有用的评论这个手稿。这项工作是由美国国家科学基金会支持的,丹尼尔·s·巴塞特(phy - 1554488)和陆军研究实验室通过合同号w911nf - 10 - 2 - 0022。作者还想承认约翰·d·和凯瑟琳·t麦克阿瑟基金会的支持,斯隆基金会,保罗艾伦基金会陆军研究实验室通过合同号w911nf - 10 - 2 - 0022,陆军研究办公室通过合同号码w911nf - 14 - 1 - 0679和w911nf - 16 - 1 - 0474,美国国立卫生研究所(2 - R01 - dc - 009209 - 11, 1 r01hd086888-01 R01-MH107235, R01——MH107703 R01MH109520, 1 r01ns099348和R21-M mh - 106799),美国海军研究办公室和美国国家科学基金会(bc - 1441502、bc - 1631550和cns - 1626008)。