TietolähteetMuokkaa

Kokeiluja teoreettisissa kysymyksissä ilmastointia varten on tehty lähinnä selkärankaisilla, erityisesti rotilla ja kyyhkysillä. Ilmastointia on kuitenkin tutkittu myös selkärangattomilla, ja erittäin tärkeä tieto ilmastointiaineiden hermopohjaisuudesta on saatu kokeista meritilalla, Aplysialla. Useimmissa asiaankuuluvissa kokeissa on käytetty klassista ehdollistamismenettelyä, vaikka myös instrumentaalisia (operantti) ehdollistuskokeita on käytetty, ja klassisen ehdollistamisen voimaa mitataan usein sen operatiivisten vaikutusten kautta, kuten ehdollisessa tukahduttamisessa (ks. Ilmiöteksti yllä) ja automaattisessa muotoilussa. / p>

Stimulus-substitution theoryEdit

Pavlovin mukaan ehdollistaminen ei merkitse minkäänlaista uutta käyttäytymistä, vaan taipumusta vastata vanhoja tapoja uusiin ärsykkeisiin. Niinpä hän teorioi, että CS vain korvaa Yhdysvaltojen refleksivasteen herättämisessä. Tätä selitystä kutsutaan ehdollistamisen ärsyke-substituutioteoriaksi.: 84 Ärsykysubstituutio-teorian kriittinen ongelma on, että CR ja UR eivät ole aina samat. Pavlov itse huomautti, että koiran CR: nä tuotettu sylki poikkesi koostumukseltaan UR: stä. CR on toisinaan jopa päinvastainen kuin UR. Esimerkiksi: ehdollinen reaktio sähköiskuun on sykkeen nousu, kun taas sähköiskun kanssa pariksi liitetty CS aiheuttaa sydämen sykkeen laskun (on kuitenkin ehdotettu, että CR ja UR ovat vastakohtia vain silloin, kun UR ei sisällä keskushermostoa).

Rescorla – Wagner modelEdit

Rescorla – Wagner (R – W) -malli on suhteellisen yksinkertainen mutta tehokas ilmastointimalli. ennustaa useita tärkeitä ilmiöitä, mutta se epäonnistuu myös tärkeillä tavoilla, mikä johtaa useisiin modifikaatioihin ja vaihtoehtoisiin malleihin.Koska tämä malli tai reaktiot ovat herättäneet suurta osaa viimeisten 40 vuoden hoitoa koskevasta teoreettisesta tutkimuksesta se, R – W-malli ansaitsee tässä lyhyen kuvauksen. : 85

Rescorla-Wagner-malli väittää, että kahden ärsykkeen pariliitoksessa voi esiintyä ehdollisuuden määrää. Yksi tämän rajan määrittelijä on Yhdysvaltojen luonne. Esimerkiksi: soittokellon ja mehukkaan pihvin yhdistäminen tuottaa todennäköisemmin syljeneritystä kuin soittokellon liittäminen kuivan leivän kanssa, ja kuiva leipä toimii todennäköisesti paremmin kuin pahvipala. Keskeinen ajatus R – W-mallin takana on, että CS ilmoittaa tai ennustaa Yhdysvaltoja. Voidaan sanoa, että Yhdysvallat on yllättynyt ennen hoitamista. Hoitamisen jälkeen kohde ei ole enää yllättynyt, koska CS ennustaa Yhdysvaltojen tuloa. (Huomaa, että mallia voidaan kuvata matemaattisesti ja että sanoja, kuten ennustaminen, yllätys ja odotus, käytetään vain mallin selittämiseen.) Tässä mallin toimintaa havainnollistetaan lyhyillä selvityksillä hankinnasta, sukupuutosta ja estämisestä. Malli ennustaa myös useita muita ilmiöitä, katso mallin pääartikkeli.

EquationEdit

Tämä on Rescorla-Wagner-yhtälö. Se määrittelee oppimisen määrän, joka tapahtuu yhdellä parittelulla ehdollisen ärsykkeen (CS) ja ehdollisen ärsykkeen (US) kanssa. Yllä oleva yhtälö ratkaistaan toistuvasti, jotta voidaan ennustaa oppimisen kulku monissa sellaisissa kokeissa.

Tässä mallissa oppimisen aste mitataan kuinka hyvin CS ennustaa Yhdysvaltoja, jonka antaa ”assosiatiivinen vahvuus”. CS: n ”. Yhtälössä V edustaa CS: n nykyistä assosiatiivista voimaa ja ∆V on muutos tässä vahvuudessa, joka tapahtuu tietyssä kokeessa. ΣV on kaikkien tilanteessa olevien ärsykkeiden vahvuuksien summa. λ on suurin assosiatiivinen vahvuus, jota tietty Yhdysvallat tukee; sen arvoksi asetetaan yleensä 1 kokeissa, kun Yhdysvallat on läsnä, ja 0, kun Yhdysvallat on poissa. α ja β ovat vakioita, jotka liittyvät CS: n esiin ja oppimisen nopeuteen tietyssä Yhdysvalloissa. Kuinka yhtälö ennustaa erilaisia kokeellisia tuloksia, selitetään seuraavissa osioissa. Lisätietoja on mallin pääartikkelissa.: 85–89

R – W-malli: acquEdit

R – W-malli mittaa ehdollistamista osoittamalla ”assosiatiivisen voiman”. CS: lle ja muille paikallisille ärsykkeille. Ennen CS: n ehdollistamista sen assosiatiivinen vahvuus on nolla. CS: n ja Yhdysvaltojen pariliitos aiheuttaa CS: n assosiatiivisen voiman asteittaisen kasvun. Tämä kasvu määräytyy Yhdysvaltojen luonteen (esim. Sen intensiteetin) perusteella.: 85–89 Minkä tahansa yksittäisen CS-USA-pariliitoksen aikana tapahtuvan oppimisen määrä riippuu CS: n ja muiden tilanteessa olevien ärsykkeiden (ΣV yhtälössä) kokonais assosiatiivisten vahvuuksien ja Yhdysvaltojen asettaman maksimin ( λ yhtälössä). CS: n ja USA: n ensimmäisessä pariliitossa tämä ero on suuri ja CS: n assosiatiivinen vahvuus vie suuren askeleen. Kun CS-USA-parit kertyvät, Yhdysvalloista tulee ennustettavampia, ja assosiaatiovoiman kasvu kussakin kokeessa pienenee ja pienenee. Lopuksi CS: n assosiatiivisen voiman (plus minkä tahansa muun ärsykkeen kerääntyvä) ja maksimivahvuuden välinen ero saavuttaa nollan. Toisin sanoen Yhdysvallat on täysin ennustettu, CS: n assosiatiivinen vahvuus lakkaa kasvamasta ja ehdollistuminen on valmis.

R – W-malli: extinctionEdit

Myös R – W-mallin kuvaama assosiatiivinen prosessi sukupuuttoon (katso ”menettelyt” edellä). Sammutusmenettely alkaa CS: n positiivisella assosiatiivisella voimalla, mikä tarkoittaa, että CS ennustaa Yhdysvaltojen esiintymisen. Sammutuskokeessa Yhdysvaltoja ei tapahdu CS: n jälkeen. Tämän ”yllättävän” tuloksen seurauksena CS: n assosiatiivinen vahvuus astuu alaspäin. Sukupuutto on valmis, kun CS: n vahvuus saavuttaa nollan; Yhdysvaltoja ei ennusteta eikä USA: ta tapahdu. Jos kuitenkin sama CS esitetään ilman Yhdysvaltoja, mutta mukana on vakiintunut ehdollinen estäjä (CI), eli ärsyke, joka ennustaa Yhdysvaltojen puuttumisen (RW: n mukaan ärsyke, jolla on negatiivinen liitännäisvoima), sitten RW ennustaa, että CS ei käydään sukupuuttoon (sen V ei pienene kooltaan).

R – W-malli: blockingEdit

Tärkein ja uusi vaikutus R – W-mallin lähtökohta on sen oletus, että CS: n ehdollistuminen ei riipu pelkästään tästä CS: stä ja sen suhteesta Yhdysvaltoihin, vaan myös kaikista muista ilmastointitilanteessa olevista ärsykkeistä. US ennustetaan kaikkien ilmastointitilanteessa läsnä olevien ärsykkeiden assosiatiivisten voimien summalla ioni. Oppimista kontrolloi tämän assosiatiivisen voiman ja Yhdysvaltojen tukeman voiman välinen ero. Kun tämä vahvuuksien summa saavuttaa Yhdysvaltojen asettaman maksimimäärän, ehdollistuminen päättyy juuri kuvatulla tavalla.: 85–89

Estoilmiön R-W-selitys kuvaa yhden seurauksen juuri esitetystä oletuksesta. Estossa (katso ”ilmiöt” yllä) CS1 on pariliitetty Yhdysvaltoihin, kunnes ehdollistuminen on valmis. Sitten ylimääräisissä ilmastointikokeissa toinen ärsyke (CS2) ilmestyy yhdessä CS1: n kanssa, ja USA seuraa molempia. Lopuksi CS2 testataan ja sen ei osoiteta tuottavan vastausta, koska CS1: n oppiminen ”estänyt” CS1: n alkuopiskelun. R-W-malli selittää tämän sanomalla, että CS1 ennustaa alkuvaiheen jälkeen täysin USA: ta. ero ennustetun ja tapahtuvan välillä, uutta oppimista ei tapahdu lisäkokeissa CS1 + CS2: lla, joten CS2 ei myöhemmin tuota vastausta.

Teoreettiset kysymykset ja vaihtoehdot Rescorla – Wagner -mallilleEdit

Yksi tärkeimmistä syistä RW-mallin tärkeydelle on, että se on suhteellisen yksinkertainen ja selkeitä ennusteita. Näiden ennusteiden testit ovat johtaneet lukuisiin tärkeisiin uusiin havaintoihin ja huomattavasti parempaan ymmärrykseen ehdollistumisesta. Jotkut uusi tieto on tukenut teoriaa, mutta paljon ei ole, ja on yleisesti yhtä mieltä siitä, että teoria on parhaimmillaankin liian yksinkertainen, mutta mikään yksittäinen malli ei näytä selittävän kaikkia kokeiden tuottamia ilmiöitä. Seuraavassa on lyhyt yhteenveto liittyy joihinkin liittyviin teoreettisiin kysymyksiin.

learningEdit -sisältö

RW-malli vähentää ehdollistumista CS: n ja USA: n yhdistämiseen ja mittaa tämän yhdellä numerolla, assosiatiivisella CS: n vahvuus. Useat kokeelliset havainnot osoittavat, että opitaan enemmän kuin tämä. Näiden joukossa on kaksi ilmiötä, jotka on kuvattu aiemmin tässä artikkelissa.

• Latentti esto: Jos kohde altistetaan toistuvasti CS: lle ennen ehdollistamisen aloittamista, hoito kestää kauemmin. R – W-malli ei voi selittää tätä, koska esivalotus jättää CS: n voimakkuuden muuttumattomaksi nollaan.
• Reagoinnin palautuminen sukupuuton jälkeen: Vaikuttaa siltä, että jotain, joka on jäljellä sukupuuton jälkeen, on vähentänyt assosiatiivista voimaa nollaan, koska useat menettelyt aiheuttavat vastaaminen ilmestyy uudelleen ilman lisäkäsittelyä.

Huomion merkitys learningEdit

Piilevää estoa saattaa ilmetä, koska kohde lopettaa keskittymisen CS: ään, joka nähdään usein ennen kuin se yhdistetään Yhdysvaltoihin.Itse asiassa muutokset huomiossa CS: ssä ovat kahden tunnetun teorian ytimessä, jotka yrittävät selviytyä kokeellisista tuloksista, jotka aiheuttavat R – W-mallin vaikeuksia. Yhdessä näistä, Nicholas Mackintoshin ehdottamasta, käsittelynopeus riippuu CS: lle osoitetun huomion määrästä, ja tämä huomion määrä riippuu puolestaan siitä, kuinka hyvin CS ennustaa Yhdysvaltoja. Pearce ja Hall ehdottivat aiheeseen liittyvää mallia, joka perustuu eri huomioperiaatteeseen. Molempia malleja on testattu laajasti, eivätkä kumpikaan selitä kaikkia kokeellisia tuloksia. Tämän seurauksena eri kirjoittajat ovat yrittäneet hybridimalleja, joissa yhdistyvät nämä kaksi huomioprosessia. Pearce ja Hall integroivat vuonna 2010 tarkkaavaiset ajatuksensa ja ehdottivat jopa mahdollisuutta sisällyttää Rescorla-Wagner-yhtälö integroituun malliin.

ContextEdit

Kuten aiemmin todettiin, keskeinen ajatus ehdollistamisessa on, että CS antaa signaalin tai ennustaa Yhdysvaltoja (katso ”nollavarausmenettely” yllä). Kuitenkin esimerkiksi huone, jossa ilmastointi tapahtuu, ”ennustaa” myös Yhdysvaltojen esiintymistä. Silti huone ennustaa paljon vähemmän varmuudella kuin itse kokeellinen CS, koska huone on siellä myös kokeellisten kokeiden välillä, kun Yhdysvaltoja ei ole. Tällaisen kontekstin roolia kuvaa se tosiasia, että Pavlovin kokeessa koirat alkoivat joskus sylkeä, kun he lähestyivät kokeellista laitetta, ennen kuin he näkivät tai kuulivat mitään CS: tä. Tällaisia ns. ”Kontekstin” ärsykkeitä on aina läsnä, ja Niiden vaikutus auttaa selittämään joitain muuten hämmentäviä kokeellisia löydöksiä. Kontekstimäräysten assosiatiivinen vahvuus voidaan syöttää Rescorla-Wagner-yhtälöön, ja niillä on tärkeä rooli jäljempänä esitetyissä vertailija- ja laskennateorioissa.

Comparator theoryEdit

Saadaksesi selville, mitä on opittu, meidän on jotenkin mitattava käyttäytymistä (”suorituskykyä”) testitilanteessa. Koska opiskelijat tietävät aivan liian hyvin, suorituskyky testitilanteessa ei kuitenkaan aina ole hyvä mitata siitä, mitä on opittu. Ehdollistamisen suhteen on todisteita siitä, että estokokeessa olevat oppineet oppivat jotain ”estetystä” CS: stä, mutta eivät näytä tätä oppimista tavan vuoksi, että he ovat testejä d.

”Comparator” -teoriat ovat ”suorituskykyyn perustuvia”, toisin sanoen ne korostavat testin aikana tapahtuvaa. Erityisesti he tarkastelevat kaikkia testauksen aikana esiintyviä ärsykkeitä ja sitä, kuinka näiden ärsykkeiden saamat assosiaatiot voivat olla vuorovaikutuksessa. Hieman yksinkertaistamiseksi vertailuteoriat olettavat, että potilas saa ehdollistamisen aikana sekä CS-USA: n että kontekstin ja Yhdysvaltojen välisiä assosiaatioita. Testin aikana näitä assosiaatioita verrataan, ja vastaus CS: ään tapahtuu vain, jos CS-USA-assosiaatio on vahvempi kuin konteksti-USA-assosiaatio. Kun CS ja USA ovat toistuvasti pariliitetty yksinkertaisessa hankinnassa, CS-USA-yhdistys on vahva ja konteksti-USA-assosiaatio on suhteellisen heikko. Tämä tarkoittaa, että CS saa aikaan vahvan CR: n. ”Nolla kontingenssissa” (katso edellä) ehdollinen vastaus on heikko tai puuttuu, koska konteksti-USA-assosiaatio on suunnilleen yhtä vahva kuin CS-USA-assosiaatio. Esto ja muut hienovaraisemmat ilmiöt voidaan kuitenkin selittää myös vertailuteorioilla, taaskään he eivät voi selittää kaikkea.

Laskennallinen teoriaEdit

Organismin tarve ennustaa tulevia tapahtumia on keskeinen tekijä nykyaikaisissa ehdollistusteorioissa. Useimmat teoriat käyttävät ärsykkeiden välisiä assosiaatioita näiden ennusteiden hoitamiseksi. Esimerkiksi: R – W-mallissa CS: n assosiatiivinen vahvuus kertoo meille, kuinka voimakkaasti CS ennustaa Yhdysvaltoja. Erilaista lähestymistapaa ennustamiseen ehdottavat mallit, kuten Gallistel & Gibbon (2000, 2002). Tällöin vastausta eivät määrää assosiatiiviset vahvuudet. Sen sijaan organismi tallentaa CS: ien ja Yhdysvaltojen alkamis- ja siirtymisajat ja käyttää niitä laskemaan todennäköisyyden, että Yhdysvallat seuraa CS: ää. Useat kokeet ovat osoittaneet, että ihmiset ja eläimet voivat oppia ajoittamaan tapahtumia (katso Eläinten kognitio), ja Gallistel & Gibbon-malli tuottaa erittäin hyvät kvantitatiiviset sopimukset erilaisiin kokeellisiin tietoihin. Viimeaikaiset tutkimukset ovat kuitenkin ehdottaneet, että kestoperusteisissa malleissa ei voida ottaa huomioon joitain empiirisiä havaintoja sekä assosiatiivisia malleja.

Elementtipohjaiset mallitEdit

Rescorla-Wagner -malli käsittelee ärsykettä yksi kokonaisuus, ja se edustaa ärsykkeen assosiaatiovahvuutta yhdellä luvulla, ilman tietoa siitä, kuinka luku saavutettiin. Kuten edellä todettiin, tämän vuoksi mallin on vaikea ottaa huomioon useita kokeellisia tuloksia. Lisää joustavuutta saadaan olettaen, että ärsyke on sisäisesti edustettu joukolla elementtejä, joista kukin voi muuttua yhdistyksen tilasta toiseen.Esimerkiksi yhden ärsykkeen samankaltaisuus toiseen voidaan esittää sanomalla, että näillä kahdella ärsykkeellä on yhteisiä elementtejä. Nämä jaetut elementit auttavat ottamaan huomioon ärsykkeiden yleistymisen ja muut ilmiöt, jotka voivat riippua yleistymisestä. Saman ryhmän eri elementeillä voi myös olla erilaisia assosiaatioita, ja niiden aktivaatiot ja assosiaatiot voivat muuttua eri aikoina ja eri nopeuksilla. Tämä antaa elementtipohjaisille malleille mahdollisuuden käsitellä muuten selittämättömiä tuloksia.

SOP modelEdit

Näkyvä esimerkki elementtilähestymistavasta on Wagnerin ”SOP” -malli. kehitetty eri tavoin sen käyttöönoton jälkeen, ja se voi nyt periaatteessa selittää hyvin monenlaisia kokeellisia löydöksiä. Malli edustaa mitä tahansa ärsykettä, jolla on suuri kokoelma elementtejä. Eri ärsykkeiden esitysaika, niiden elementtien tila ja elementtien välinen vuorovaikutus määräävät kaikki assosiatiivisten prosessien kulun ja ehdollistuskokeiden aikana havaitut käyttäytymismuodot.

Yksinkertaisen ehdollistamisen SOP-tili kuvaa esimerkkejä SOP-mallin olennaisista osista. olettaa, että CS: tä ja USA: ta edustavat kumpikin suuri joukko elementtejä. Jokainen näistä ärsyke-elementeistä voi olla jossakin kolmesta tilasta:

• ensisijainen aktiivisuus (A1) – karkeasti sanottuna ärsyke on ”läsnä”. (Viittaukset ”huomioon” on tarkoitettu vain ymmärtämisen helpottamiseksi, eivätkä ne ole osa mallia.)
• toissijainen aktiivisuus (A2) – Ärsyke on ”perifeerisesti hoidettu”.
• passiivinen (I) – Ärsykkeeseen ”ei kiinnitetä huomiota”.

Niistä elementeistä, jotka edustavat yhtä ärsykettä tiettynä ajankohtana, jotkut voivat olla tilassa A1, jotkut tilassa A2, ja jotkut tilassa I.

Kun ärsyke ilmestyy ensimmäisen kerran, osa sen elementeistä siirtyy passiivisuudesta I ensisijaiseen aktiviteettiin A1. A1-tilasta ne hajoavat vähitellen A2: ksi ja lopulta takaisin I. Elementin aktiivisuuteen voivat muuttua vain tällä tavalla; etenkään A2: n elementit eivät voi palata suoraan takaisin A1: een. Jos sekä CS: n että USA: n elementit ovat A1-tilassa samanaikaisesti, kahden ärsykkeen välillä opitaan assosiaatio. tarkoittaa, että jos CS esitetään myöhemmin Yhdysvaltojen edessä ja jotkin CS-elementit tulevat A1: ään, nämä elementit aktivoivat joitain USA: n elementtejä. vain nostetaan A2-tilaan. (Tämän voidaan ajatella CS: n herättävän Yhdysvaltojen muistin, joka ei ole yhtä vahva kuin todellinen asia.) Toistuvien CS-USA-kokeiden yhteydessä liittyy yhä enemmän elementtejä, ja yhä useammat yhdysvaltalaiset elementit menevät A2: een. kun CS tulee. Tämä jättää vähitellen vähemmän Yhdysvaltain elementtejä, jotka voivat tulla A1: een, kun Yhdysvallat itse ilmestyy. Tämän seurauksena oppiminen hidastuu ja lähestyy rajaa. Voidaan sanoa, että Yhdysvallat on ”täysin ennustettu” tai ”ei ole yllättävää”, koska melkein kaikki sen elementit voivat kirjoittaa A2: n vasta CS: n tullessa, jolloin muutamat muodostavat uusia assosiaatioita.

Malli voi selittää havainnot, jotka on otettu huomioon Rescorla-Wagner-mallissa, sekä useita muita havaintoja. Esimerkiksi toisin kuin useimmat muut mallit, SOP ottaa huomioon ajan. Elementin aktivoinnin nousu ja rappeutuminen antaa mallille mahdollisuuden selittää ajasta riippuvia vaikutuksia, kuten se, että ehdollistaminen on vahvinta, kun CS tulee juuri ennen Yhdysvaltoja, ja että kun CS tulee Yhdysvaltojen jälkeen (”taaksepäin ehdollistaminen”) tulos on usein estävä CS. Selitetään myös monia muita hienovaraisempia ilmiöitä.

Viime vuosina on ilmestynyt joukko muita voimakkaita malleja, jotka sisältävät elementtien esityksiä. Näihin sisältyy usein oletus, että assosiaatioihin liittyy verkosto yhteydet ”solmujen” välillä, jotka edustavat ärsykkeitä, vastauksia ja ehkä yhtä tai useampaa ”piilotettua” välikerrosten yhdistelmäkerrosta. Tällaiset mallit ovat yhteydessä hermoverkkojen, tekoälyn ja koneoppimisen tutkimuksen nykyiseen räjähdykseen.