内隐学习的研究方法
限定状态语法图解（Reber，1967）
1967 年, Reber 设计了限定状态人工语法 , 并提出了内隐学习的概念, 就此一个崭新的研究领域 ———内隐学习产生了 。
ArthurReber最早于1965年提出内隐学习一词,用他早期著作中的话说,内隐学习就是无意识获得刺激环境中的复杂知识的过程。在这一过程中,个体并没有意识到或者陈述出控制他们行为的规则是什么,但却学会了这种规则。
目前通常采用的内隐学习研究方法有如下几种 :
人工语法
(artificial grammar learning)
人工语法学习范式由 Reber 于 1967 年提出。
在典型的人工语法实验中 , 主试在学习阶段向实验组被试呈现符合语法的字符串, 通过指导语要求被试记忆字符串, 引导他们单纯识记, 而不探究字符串之间的内在联系或规则 ;在后续的测验中 , 实验组被试被告知 , 刚才学习材料是有规律的, 并被要求判断测验阶段的材料是否符合规律的 。而对照组被试在学习阶段就被告知学习材料有规律, 且被要求努力探寻这些规律 。
如果实验组被试的判断高于对照组, 而又难以用言语陈述自己判断的依据, 就表明发生了内隐学习 。
我国学者杨治良 (1991)曾经在 Reber 和Mathews 等人研究的基础上, 采用隐含关键字母 “SCT” 的记忆材料 , 发现了明显的启动。
人工语法是内隐学习研究中最早产生也最常用的范式 。然而, 这种范式一直存在争论 。
因为人工语任务强调的是用指导语来控制学习的内隐性, 但是这很难确保被试不自发采用学习策略。而且当被试被告知所学的字符串符合某种语法规则时 , 他们可能在测试阶段, 通过回忆有目的地再学习 。
再者, 由于个体的言语报告能力有限, 有时无法报告知识未必说明个体没有意识到所学的知识 。
复杂系统控制任务
(complex system control procedure)
Broadbent 于 1977 年提出了以复杂问题解决为核心的系统控制任务。
该范式采用模拟的生产和社会情境进行研究, 如糖生产任务和城市交通系统, 发现被试可以学会令人满意的控制行为 , 却回答不出他们已经学会的有关如何控制系统的问题。
系统控制任务中潜藏的规律不明显且复杂 , 这使得知识无法通达到意识层面。该研究范式有一点显著区别于其他内隐学习任务 , 即被试在学习阶段是有意识的主动寻找规律。Broadbent 等人将这种有目的 、 充分注意但自己觉察不到的学习称为非选择性学习。
系统控制任务和其它的内隐学习范式相比, 外显过程可能比内隐过程发挥了更重要的作用 (Buchner 等, 1995 [ 9] )。从这个意义上来说, 目前的系统控制任务可能不是一个好的内隐学习任务 。
而我们认为虽然从定义出发 , 生活中这类有目的地但无法觉察的学习过程不象严格意义上的内隐学习 , 但它们普遍存在 , 可能具有更广泛的现实价值。
序列反应时任务
(SRTT , serial reaction time task)
Nissen 和 Bullemer 于 1987 年提出序列反应时任务的范式 [ 10] 。在这种研究范式下 , 被试只被告知将要进行的是反应时测试 , 他们的任务是对依次出现在不同空间位置的视觉刺激 ,按相应键尽快反应。但是他们不知道这些刺激是按某个固定但不明显的模式依次呈现的 。
在多次重复该固定位置序列 (例如 4-2-3-1-3-2-4-3-2-1)的情况下, 被试的反应时会逐渐下降 ,这时插入一个随机的位置序列 , 被试的反应时就会突然增加。假如被试对随机位置序列的反应时显著长于对固定位置序列的反应时 , 就说明发生了序列学习。
结束反应时任务后 , 被试还要接受测量外显知识的任务, 通常是生成任务 (generate task), 要求被试根据屏幕上出现的刺激位置 , 预测下一个刺激出现的位置。如果反应时指标与生成任务的准确度相关很低 , 说明发生的是内隐学习。
在序列反应时任务中 , 被试都始终不知道刺激呈现具有规律性 , 因此学习和提取过程都是 “内隐” 的, 这就避免了人工语法任务的一大缺陷 , 即被试在测试阶段有目的地再学习 。
但是 , 研究者们对序列学习同样存在疑问。例如 Perruchet 等 (1990)以及 Shanks 和 St John (1994)认为用相关来证明内隐和外显的分离, 缺乏说服力 。即便是高相关也不一定能否认内隐学习 , 因为内隐和外显知识会同时发展, 甚至内隐知识导致外显知识的发生 。
其次, 用生成任务来测量外显的序列知识似乎也有问题 , 因为被试仍然没有被明确告知要按照先前任务中的序列规律来预测。
因此,Perruchet 和Amorim [ 13] 提出用再认和自由回忆任务来检测外显的序列知识 。但 Cohen 和 Curran (1993)认为即使是这两种方法, 也未必仅仅测量了外显知识。
非显著协变关系学习法
(covariations of nonsalient stimulus features)
非显著协变关系学习法是近年来发展出一种新的内隐学习研究范式, 又称 “潜在协变关系探测法” (hidden covariation detection) (Lewicki 等, 1989)。
这类方法的特点在于 , 如果刺激特征 X 出现, 特征 Y 也必然出现 , 但它们的共变关系不易引起注意 。
例如, Lewicki(1986)向被试呈现一系列女性的头部照片 , 每张照片都伴有丰富的个性描述。其中 , 凡被描述为 “善良” 的女性 , 其头发都比被描述为 “能干” 的女性长 (对另一组被试 , 协变关系恰好相反 , 即善良女性的头发较短)。
在测试阶段 , 向被试呈现没有个性描述的新照片 ,要求被试对照片中的女性作出 “善良的” 或 “能干的” 评价。结果发现, 被试的评价与刺激间的协变关系一致:长头发的女性更多地被评价为是善良的, 而短头发的则是能干的 (用于平衡的另一组被试的评价则相反)。而在后来的面谈中 , 几乎无人报告刺激呈现中的协变关系。
研究者因此推断被识获得的协变关系是内隐的。后来又有研究者们用不同材料构建非显著的协变关系, 如 Lewicki 和 Hill 等人 (1997)。这些研究都显示了被试对任务变量之间多重关系的无意识加工效应 , 证实了非显著协变关系内隐学习。
除了以上介绍的四种常用的研究范式, 概率学习 、 信号检测论以及信息论等研究方法也曾经被用于探查内隐学习 。
“内隐学习”关注度分析
“内隐学习”关键文献（中文）
“内隐学习”关键文献（外文）
参考文献：
[1]郭秀艳.内隐学习研究综述[J].华东师范大学学报(教育科学版),2004(01):49-55.
联系客服
