데이터 출처 편집

조절의 이론적 문제에 대한 실험은 대부분 척추 동물, 특히 쥐와 비둘기에서 이루어졌습니다. 그러나 컨디셔닝은 무척추 동물에서도 연구되었으며, 컨디셔닝의 신경 기반에 대한 매우 중요한 데이터는 바다 민달팽이 Aplysia에 대한 실험에서 나왔습니다. 대부분의 관련 실험은 클래식 컨디셔닝 절차를 사용했지만 도구 (연산) 컨디셔닝 실험도 사용되었으며 클래식 컨디셔닝의 강도는 컨디셔닝 억제 (위의 현상 섹션 참조) 및 자동 성형에서와 같이 연산 효과를 통해 측정되는 경우가 많습니다.

자극-대체 이론 편집

Pavlov에 따르면, 컨디셔닝은 새로운 행동의 획득을 포함하는 것이 아니라 반응하는 경향을 포함합니다. 새로운 자극에 대한 오래된 방법. 따라서 그는 CS가 반사 반응을 불러 일으키는 데 단지 미국을 대신한다고 이론화했습니다. 이 설명을 조건화의 자극 대체 이론이라고합니다 .84 자극 대체 이론의 중요한 문제는 CR과 UR이 항상 동일하지는 않다는 것입니다. Pavlov 자신은 CR로 생성 된 개의 타액이 UR로 생성 된 것과 구성이 다르다는 것을 관찰했습니다. CR은 때때로 UR의 반대이기도합니다. 예를 들어, 전기 충격에 대한 무조건적인 반응은 심박수 증가입니다. 전기 충격과 짝을 이룬 CS는 심박수를 감소시킵니다. (그러나 UR이 중추 신경계를 포함하지 않는 경우에만 CR과 UR 반대가된다고 제안되었습니다.)

Rescorla–Wagner modelEdit

Rescorla–Wagner (R–W) 모델은 비교적 간단하면서도 강력한 컨디셔닝 모델입니다. 여러 가지 중요한 현상을 예측하지만 중요한 방식으로 실패하여 많은 수정 및 대안 모델로 이어집니다. 그러나 지난 40 년 동안 컨디셔닝에 대한 이론적 연구의 대부분이이 모델 또는 이에 대한 반응에 의해 시작 되었기 때문입니다. 여기에서 R–W 모델에 대한 간략한 설명이 필요합니다. : 85

Rescorla-Wagner 모델은 두 자극의 쌍에서 발생할 수있는 컨디셔닝의 양에 제한이 있다고 주장합니다. 이 제한의 한 가지 결정 요인은 미국의 특성입니다. 예를 들어, 종을 육즙이 많은 스테이크와 짝을 이루는 것은 종을 마른 빵 조각과 짝을 이루는 것보다 타액 분비를 일으킬 가능성이 더 높으며, 마른 빵은 판지 조각보다 더 잘 작동 할 수 있습니다. R–W 모델의 핵심 아이디어는 CS가 미국에 신호를 보내거나 예측한다는 것입니다. 컨디셔닝하기 전에 주제가 미국에 놀란다고 말할 수 있습니다. 그러나 컨디셔닝 후 CS는 미국의 도래를 예측하기 때문에 더 이상 놀라지 않습니다. (모델은 수학적으로 설명 할 수 있으며 예측, 놀라움 및 기대와 같은 단어는 모델을 설명하는 데만 사용됩니다.) 여기서 모델의 작동은 획득, 소멸 및 차단에 대한 간략한 설명과 함께 설명됩니다. 이 모델은 또한 여러 다른 현상을 예측합니다. 모델에 대한 주요 기사를 참조하십시오.

EquationEdit

이것은 Rescorla-Wagner 방정식입니다. 조건이없는 자극 (US)이있는 조건화 자극 (CS)의 단일 쌍에서 발생하는 학습량을 지정합니다. 위의 방정식은 이러한 많은 시도를 통해 학습 과정을 예측하기 위해 반복적으로 해결됩니다.

이 모델에서 학습 정도는 CS가 미국을 얼마나 잘 예측하는지에 의해 측정되며, 이는 “연관 강도”로 주어집니다. “의 CS. 방정식에서 V는 CS의 현재 결합 강도를 나타내고 ∆V는 주어진 시도에서 발생하는이 강도의 변화입니다. ΣV는 상황에 존재하는 모든 자극의 강도를 합한 것입니다. λ는 주어진 미국이 지원할 최대 결합 강도입니다. 그 값은 일반적으로 미국이있을 때 시험에서 1로 설정되고 미국이 없을 때 0으로 설정됩니다. α와 β는 주어진 미국에 대한 CS의 중요성과 학습 속도와 관련된 상수입니다. 방정식이 다양한 실험 결과를 예측하는 방법은 다음 섹션에서 설명합니다. 자세한 내용은 모델의 주요 기사를 참조하십시오. : 85–89

R–W 모델 : AcquisitionEdit

R–W 모델은 “연관 강도”를 할당하여 컨디셔닝을 측정합니다. CS 및 기타 국소 자극에. CS가 컨디셔닝되기 전에 연관 강도가 0입니다. CS와 미국을 페어링하면 CS의 연관 강도가 점진적으로 증가합니다. 이러한 증가는 미국의 특성 (예 : 강도)에 따라 결정됩니다.: 85–89 단일 CS-US 쌍을 이루는 동안 발생하는 학습량은 CS와 상황에 존재하는 다른 자극 (방정식의 ΣV)의 총 결합 강도와 미국에서 설정 한 최대 값 간의 차이에 따라 달라집니다 ( 방정식에서 λ). CS와 미국의 첫 번째 페어링에서 이러한 차이가 크고 CS의 연관 강도가 크게 향상되었습니다. CS-US 페어링이 누적됨에 따라 미국은 예측 가능성이 높아지고 각 시험에서 연관 강도의 증가는 점점 더 작아집니다. 마지막으로 CS의 연관 강도 (다른 자극에 발생할 수있는 강도 포함)와 최대 강도 간의 차이는 0에 도달합니다. 즉, 미국이 완전히 예측되고 CS의 연관 강도가 증가하지 않고 컨디셔닝이 완료됩니다.

R–W 모델 : extinctionEdit

R–W 모델에서 설명하는 연관 프로세스도 멸종을 설명합니다 (위의 “절차”참조). 멸종 절차는 CS의 긍정적 인 연관 강도로 시작되며, 이는 CS가 미국이 발생할 것이라고 예측한다는 것을 의미합니다. 멸종 재판에서 미국은 CS 이후에 발생하지 않습니다. 이 “놀라운”결과의 결과로 CS의 연관 강도는 한 단계 낮아집니다. CS의 강도가 0에 도달하면 멸종이 완료되고 미국이 예측되지 않고 미국이 발생하지 않습니다. 그러나 동일한 CS가 미국없이 제시되었지만 잘 확립 된 컨디셔닝 억제제 (CI), 즉 미국의 부재를 예측하는 자극 (RW 용어로 음의 연관 강도를 가진 자극)과 함께 제공되면 RW는 CS가 그렇지 않을 것이라고 예측합니다. 멸종을 겪습니다 (V는 크기가 줄어들지 않습니다).

R–W 모델 : blockingEdit

가장 중요하고 새로운 기여 R-W 모델의 경우 CS의 컨디셔닝이 CS 단독 및 미국과의 관계뿐만 아니라 컨디셔닝 상황에 존재하는 다른 모든 자극에 의존한다는 가정입니다. 미국은 컨디셔닝 상황에 존재하는 모든 자극의 연관 강도의 합으로 예측됩니다. 이온. 학습은이 총 결합 강도와 미국이 지원하는 강도의 차이에 의해 제어됩니다. 이 강도의 합이 미국에서 설정 한 최대 값에 도달하면 방금 설명한대로 컨디셔닝이 종료됩니다. : 85–89

차단 현상에 대한 R–W 설명은 방금 설명한 가정의 한 가지 결과를 보여줍니다. 차단 (위의 “현상”참조)에서 CS1은 컨디셔닝이 완료 될 때까지 US와 쌍을 이룹니다. 그런 다음 추가 컨디셔닝 시험에서 두 번째 자극 (CS2)이 CS1과 함께 나타나고 둘 다 미국이 뒤 따릅니다. 마지막으로 CS2에 대한 학습이 CS1에 대한 초기 학습에 의해 “차단”되었기 때문에 CS2를 테스트하고 응답을 생성하지 않는 것으로 나타났습니다. R–W 모델은 초기 조건화 후 CS1이 미국을 완전히 예측한다고 말함으로써이를 설명합니다. 예상되는 것과 발생하는 것의 차이, CS1 + CS2를 사용한 추가 시험에서 새로운 학습이 발생하지 않으므로 나중에 CS2는 응답을 제공하지 않습니다.

Rescorla–Wagner 모델에 대한 이론적 문제 및 대안 편집

R–W 모델의 중요성에 대한 주된 이유 중 하나는 상대적으로 간단하고 명확한 예측을하기 때문입니다. 이러한 예측에 대한 테스트를 통해 여러 가지 중요한 새로운 발견과 컨디셔닝에 대한 이해가 크게 향상되었습니다. 일부 새로운 정보가 이론을 뒷받침했지만 많은 부분이 그렇지 않으며 이론이 기껏해야 너무 단순하다는 데 일반적으로 동의합니다. 일부 관련 이론적 문제의 양자리.

학습 내용 편집

R–W 모델은 CS와 US의 연관성에 대한 조건을 줄이고 연관성이라는 단일 숫자로이를 측정합니다. CS의 힘. 많은 실험 결과는 이것보다 더 많은 것을 배웠 음을 나타냅니다. 이 중에는이 기사의 앞부분에서 설명한 두 가지 현상이 있습니다.

• 잠재 억제 : 대상이 컨디셔닝이 시작되기 전에 CS에 반복적으로 노출되면 컨디셔닝이 더 오래 걸립니다. R–W 모델은 사전 노출이 CS의 강도를 0으로 유지하기 때문에이를 설명 할 수 없습니다.
• 멸종 후 반응 회복 : 멸종 후에도 남아있는 것이 몇 가지 절차로 인해 연관 강도가 0으로 감소한 것으로 보입니다. 추가 컨디셔닝없이 재현에 반응합니다.

학습에서주의의 역할 편집

잠재 억제는 대상이 미국과 짝을 이루기 전에 자주 보이는 CS에 초점을 맞추지 않기 때문에 발생할 수 있습니다.사실, CS에 대한 관심의 변화는 R–W 모델에 어려움을주는 실험 결과에 대처하려는 두 가지 저명한 이론의 핵심입니다. Nicholas Mackintosh가 제안한이 중 하나에서 컨디셔닝 속도는 CS에 전념하는주의의 양에 따라 달라지며,이주의는 CS가 미국을 얼마나 잘 예측하는지에 따라 달라집니다. Pearce와 Hall은 서로 다른주의 원리를 기반으로 한 관련 모델을 제안했습니다. 두 모델 모두 광범위하게 테스트되었으며 모든 실험 결과를 설명하는 것도 아닙니다. 결과적으로 여러 저자들이 두 가지주의 과정을 결합한 하이브리드 모델을 시도했습니다. 2010 년 Pearce와 Hall은 주의력있는 아이디어를 통합했으며 Rescorla-Wagner 방정식을 통합 모델에 통합 할 가능성도 제안했습니다.

ContextEdit

앞서 언급했듯이 컨디셔닝의 핵심 아이디어입니다. CS가 미국에 신호를 보내거나 예측한다는 것입니다 (위의 “우발 상황 제로 절차”참조). 그러나 예를 들어, 컨디셔닝이 이루어지는 방은 미국이 발생할 수 있다고 “예측”합니다. 그럼에도 불구하고 그 방은 실험적 CS 자체보다 훨씬 덜 확실하게 예측한다. 왜냐하면 그 방은 미국이 없을 때 실험적 시도 사이에도 있기 때문이다. 이러한 맥락의 역할은 파블로프의 실험에서 개가 CS를 보거나 듣기 전에 실험 장치에 접근 할 때 때때로 침을 흘리기 시작한다는 사실로 설명됩니다. 이러한 소위 “맥락”자극은 항상 존재합니다. 이들의 영향은 다른 수수께끼의 실험 결과를 설명하는 데 도움이됩니다. 컨텍스트 자극의 연관 강도는 Rescorla-Wagner 방정식에 입력 할 수 있으며 아래에 설명 된 비교기 및 계산 이론에서 중요한 역할을합니다.

비교 이론 편집

배운 내용을 알아 보려면 시험 상황에서 어떻게 든 행동 ( “성능”)을 측정해야합니다. 그러나 학생들이 모두 잘 알고 있기 때문에 시험 상황에서의 성과가 항상 그렇지는 않습니다. 학습 된 내용에 대한 좋은 척도입니다. 조건화에 관해서는 차단 실험의 피험자가 “차단 된”CS에 대해 학습하지만 일반적으로 테스트를받는 방식 때문에이 학습을 보여주지 못한다는 증거가 있습니다. d.

컨디셔닝에 대한 “비교 자”이론은 “성능 기반”입니다. 즉, 테스트 시점에서 진행되는 일을 강조합니다. 특히 그들은 테스트 중에 존재하는 모든 자극과 이러한 자극에 의해 획득 된 연관성이 어떻게 상호 작용할 수 있는지 살펴 봅니다. 다소 단순화하기 위해 비교 이론은 컨디셔닝하는 동안 주제가 CS-US 및 컨텍스트 -US 연관성을 모두 획득한다고 가정합니다. 테스트시 이러한 연관성을 비교하고 CS-US 연관이 context-US 연관보다 강한 경우에만 CS에 대한 응답이 발생합니다. CS와 US가 단순 획득에서 반복적으로 쌍을 이루면 CS-US 연관성은 강하고 컨텍스트 -US 연관성은 상대적으로 약합니다. 이는 CS가 강력한 CR을 이끌어 냄을 의미합니다. “제로 우발성”(위 참조)에서는 문맥-미국 연관이 CS-US 연관만큼 강하기 때문에 조건 응답이 약하거나 부재합니다. 차단 및 기타 미묘한 현상도 비교 이론으로 설명 할 수 있습니다. 다시 말하지만, 그들은 모든 것을 설명 할 수 없습니다.

계산 이론 편집

미래 사건을 예측하기위한 유기체의 욕구는 현대 조건화 이론의 핵심입니다. 대부분의 이론은 이러한 예측을 처리하기 위해 자극 간의 연관성을 사용합니다. 예 : R–W 모델에서 CS의 연관 강도는 CS가 미국을 얼마나 강력하게 예측하는지 알려줍니다. Gallistel & Gibbon (2000, 2002)이 제안한 것과 같은 모델에서 예측에 대한 다른 접근 방식을 제안합니다. 여기서 응답은 연관 강도에 의해 결정되지 않습니다. 대신 유기체는 CS와 US의 발병 및 오프셋 시간을 기록하고이를 사용하여 미국이 CS를 따를 확률을 계산합니다. 많은 실험에서 인간과 동물이 시간 이벤트를 배울 수 있으며 (동물 인식 참조) Gallistel & Gibbon 모델은 다양한 실험 데이터에 매우 우수한 정량적 적합도를 제공합니다. 그러나 최근 연구에 따르면 기간 기반 모델은 연관 모델뿐만 아니라 일부 경험적 결과를 설명 할 수 없습니다.

요소 기반 모델 편집

Rescorla-Wagner 모델은 자극을 다음과 같이 취급합니다. 단일 엔티티이며, 그 숫자에 어떻게 도달했는지에 대한 기록이없는 하나의 숫자가있는 자극의 연관 강도를 나타냅니다. 위에서 언급했듯이 이로 인해 모델이 여러 실험 결과를 설명하기가 어렵습니다. 자극이 내부적으로 요소 모음에 의해 표현된다고 가정하면 더 많은 유연성이 제공되며, 각 요소는 하나의 연관 상태에서 다른 상태로 변경 될 수 있습니다.예를 들어, 한 자극과 다른 자극의 유사성은 두 자극이 공통 요소를 공유한다고 말함으로써 표현 될 수 있습니다. 이러한 공유 요소는 자극 일반화 및 일반화에 의존 할 수있는 기타 현상을 설명하는 데 도움이됩니다. 또한 동일한 집합 내의 다른 요소는 서로 다른 연결을 가질 수 있으며, 활성화 및 연결은 다른 시간과 다른 속도로 변경 될 수 있습니다. 이를 통해 요소 기반 모델은 설명 할 수없는 일부 결과를 처리 할 수 있습니다.

SOP modelEdit

요소 접근 방식의 대표적인 예는 Wagner의 “SOP”모델입니다. 도입 이후 다양한 방법으로 정교화되었으며 이제는 매우 다양한 실험 결과를 원칙적으로 설명 할 수 있습니다. 모델은 주어진 자극을 대규모 요소 집합으로 표현합니다. 다양한 자극이 제시된 시간, 요소의 상태 , 요소 간의 상호 작용은 모두 연관 과정의 과정과 컨디셔닝 실험 중에 관찰 된 동작을 결정합니다.

단순 컨디셔닝의 SOP 설명은 SOP 모델의 몇 가지 필수 사항을 예시합니다. 우선 모델 CS와 US가 각각 큰 그룹의 요소로 표현된다고 가정합니다. 이러한 각 자극 요소는 다음 세 가지 상태 중 하나 일 수 있습니다.

• 1 차 활동 (A1)-대략적으로 말하자면, 자극 “참석자”입니다. ( “주의”에 대한 언급은 이해를 돕기위한 것이며 모델의 일부가 아닙니다.)
• 이차 활동 (A2)-자극이 “주변에 집중됩니다.”
• 비활성 (I) – 자극이 “관심이 없습니다.”

주어진 순간에 단일 자극을 나타내는 요소 중 일부는 A1 상태, 일부는 A2 상태 일 수 있습니다. 일부는 상태 I에 있습니다.

자극이 처음 나타날 때 일부 요소는 비활성 I에서 기본 활동 A1로 이동합니다. A1 상태에서 점차적으로 A2로 감소하고 마지막으로 I로 돌아갑니다. 요소 활동 이러한 방식으로 만 변경 될 수 있습니다. 특히 A2의 요소는 A1로 직접 돌아갈 수 없습니다. CS와 미국의 요소가 동시에 A1 상태에 있으면 두 자극 간의 연관성을 학습합니다. 즉, 나중에 CS가 미국보다 먼저 표시되고 일부 CS 요소가 A1에 들어가면 이러한 요소가 일부 미국 요소를 활성화합니다. 그러나 이러한 방식으로 간접적으로 활성화되는 US 요소 A2 상태로만 부스트됩니다. (이것은 CS가 실제만큼 강하지 않은 미국의 기억을 불러 일으키는 것으로 생각할 수 있습니다.) CS-US 시험을 반복하면 점점 더 많은 요소가 연관되고 점점 더 많은 미국 요소가 A2로 이동합니다. CS가 켜질 때. 이것은 미국 자체가 나타날 때 A1에 들어갈 수있는 미국 요소를 점점 더 적게 남깁니다. 결과적으로 학습 속도가 느려지고 한계에 도달합니다. 미국이 “완전히 예측”되거나 “놀랍지 않다”고 말할 수 있습니다. 그 이유는 거의 모든 요소가 CS가 시작될 때 A2에만 들어갈 수 있기 때문에 새로운 연관성을 형성 할 수있는 요소가 거의 없기 때문입니다.

모델은 설명 할 수 있습니다. Rescorla-Wagner 모델에 의해 설명 된 결과 및 여러 추가 결과도 포함됩니다. 예를 들어, 대부분의 다른 모델과 달리 SOP는 시간을 고려합니다. 요소 활성화의 상승과 붕괴를 통해 모델은 CS가 미국 바로 앞에 올 때 컨디셔닝이 가장 강력하다는 사실과 CS가 미국 이후에 올 때 ( “역 컨디셔닝”) 결과와 같은 시간 종속 효과를 설명 할 수 있습니다. 종종 억제 성 CS입니다. 다른 많은 미묘한 현상도 설명됩니다.

요소 표현을 통합하는 다른 여러 강력한 모델이 최근에 등장했습니다. 여기에는 종종 연관성이 네트워크의 네트워크를 포함한다는 가정이 포함됩니다. 자극, 반응 및 중간 상호 연결의 하나 이상의 “숨겨진”계층을 나타내는 “노드”간의 연결. 이러한 모델은 신경망, 인공 지능 및 기계 학습에 대한 현재 폭발적인 연구와 접촉합니다.