Summary
在这里, 我们提出了一个熟悉测试范式的协议, 它提供了婴儿分类的直接测试, 并有助于定义语言在早期类别学习中的作用。
Abstract
评估婴儿类别学习是研究婴儿认知的一个具有挑战性但至关重要的方面。通过采用熟悉测试范式, 我们直接衡量婴儿在学习一个新的类别方面的成功, 同时只依靠他们的长相行为。此外, 该范式可以直接衡量不同听觉信号对不同年龄婴儿分类的影响。例如, 我们评估了2岁儿童是如何在各种标签环境中学习类别的: 在我们的任务中, 2岁的孩子在所有样本都贴上标签或前两个样本被标记时成功地学习了分类, 但他们没有在什么时候进行分类。没有标记样本, 也没有标记最后的两个样本。为了确定婴儿在这些任务中的成功, 研究人员可以检查婴儿在每种情况下表现出的总体偏好, 以及婴儿在测试阶段的观察模式, 使用眼动仪提供细粒度的时间过程数据.因此, 我们提出了一个强大的范式, 以确定语言或任何听觉信号在婴儿的对象类别学习中的作用。
Introduction
分类是人类认知的一个基本组成部分: 婴儿的分类能力在婴儿期早期就出现, 并随着年龄的增长而变得越来越复杂。1,2,3研究还揭示了语言在婴儿分类中的强大作用: 从3个月大的年龄开始, 婴儿在类别样本与语言配对时学习类别会更成功。4 个,5,6此外, 到第一年结束时, 婴儿已经适应了计数名词标签在分类中的作用。将类别示例与一致的标签短语 ("这是一个 vep!") 配对, 以促进婴儿的类别学习, 相对于为每个样本提供一个独特的标签 ("这是一个 vep", "这是一个 dax," 等) 或一个非标签短语 ("看看这个")。7.,8,9
然而, 在婴儿的日常经历中, 他们遇到的绝大多数物体很可能会保持没有标签。没有一个照顾者可以给婴儿看到的每一个物体贴上标签, 更不能提供适用于每一个物体的标签 (例如, "malamute"、"狗"、"宠物"、"动物")。这就提出了一个悖论: 我们如何调和婴儿分类中标签的力量与婴儿日常生活中相对稀缺的力量?
为了回答这个问题, 我们开发了一个协议来评估婴儿如何在各种不同的学习环境中学习类别, 包括当他们收到标记和未标记的样本的混合物。具体来说, 我们建议, 即使在学习之初接受一些标记的样本, 也可以通过提高婴儿从后续的、未贴上标签的样本中学习的能力来促进分类。这种使用少量标记样本作为学习大量未标记样本的基础的策略已在机器学习领域得到广泛实施, 从而产生了一个半监督学习系列 (ssl)算法10,11,12。当然, 不同类型的学习者所实施的学习策略并不相同: 在机器学习中, 算法通常会接触到更多的示例, 对每个示例进行明确的猜测, 并学习多个类别同时。然而, 机器和婴儿学习者都可能受益于成功地整合标记和未标记的样本, 以便在稀疏的标签环境中学习新的类别。
我们的设计重点是2岁的孩子, 在获取许多新类别的单词的过程中, 是否有能力进行这种半监督学习。我们采用标准的婴儿分类措施: 熟悉测试任务。在这个范式中, 2岁的孩子在熟悉阶段接触到了一系列来自新类别的榜样。每个样本都与不同的听觉刺激配对, 具体取决于条件 (即标签或非标记短语)。然后, 在测试中, 所有2岁的孩子都看到了两个新的物体在沉默中呈现: 一个来自现在熟悉的类别, 一个来自一个新的类别。
如果2岁的孩子在熟悉阶段成功地形成了这个类别, 那么他们应该区分在测试中提出的两个样本。重要的是, 由于对新颖或熟悉的测试图像的系统偏好反映了区分它们的能力, 熟悉和新奇的偏好都被解释为成功分类的证据。请注意, 在给定的任务中, 这种偏好的性质是婴儿对刺激材料的处理效率的函数, 与效率较低的刺激处理4,13相关的熟悉偏好,14,15,16,17. 在沉默中提出测试阶段, 可以直接评估婴儿在对象分类方面的成功, 以及这种成功如何根据熟悉情况期间样本所附信息的不同而有所不同。因此, 这种范式提供了一个引人注目的检验标准, 即不同类型的语言环境如何影响类别学习。如果贴标签可以在半监督和完全监督的环境中增强类别学习, 那么在这些环境中, 2岁的孩子应该比其他环境中的婴儿表现出更强的测试偏好。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
这里描述的所有方法都得到了西北大学机构审查委员会的批准。
1. 刺激创造
注: 以下所报告的代表性设计中使用的视觉刺激 (见图 1) 最初是在 hay 和 waxman (2016年)18开发的, 可在 https://osf.io/n6uy8/下载。
- 要创造一个新的连续类别, 首先设计一对新颖的数字图像。接下来, 将这对图像变形在一起, 使用软件 (例如, 参见材料表) 在两个原始图像之间形成一个连续的示例。以这种方式创建至少两个类别, 以便一个可以作为要学习的类别, 而另一个可以为测试试验提供新的类别范例。
- 在每个学习的类别的连续体中, 以均匀的间隔选择熟悉示例 (例如, 0%、20%、40%、60%、80% 和100% 样本)。选择适当数量的示例 (例如, 六个)。与参与者的类别和年龄的困难相适应。
- 要为测试阶段创建样本, 请选择熟悉类别连续体和新颖类别连续体 (即50% 样本) 的中点。然后使用图像处理程序 (例如, 请参见材料表) 将新样本的颜色与熟悉的样本的颜色进行匹配。
- 记录由以英语为母语的女性在隔音摊位上制作的听觉刺激。如果可能, 使用相同的扬声器的标签短语 (即, "查看模式") 和非标签短语 (即, "看那个!")。
- 指导说话者在以婴儿或儿童为导向的讲话中产生所有的话语。
- 在各种条件下选择长度大致相同的话语, 每个短语可能约为 1, 500 毫秒。
2. 仪器
- 使用适当的眼动仪。为了收集足够的眼动追踪数据进行熟悉测试, 最广泛使用的眼动仪就足够了: 这些物体占据了屏幕的很大一部分, 数据分析调查的是长窗口的性能, 而不是个人的, 迅速发生的眼动, 如囊。
- 由于此任务需要眼动跟踪婴儿, 请确保系统符合多个要求。
- 首先, 使用远程跟踪模式的眼动仪, 它不需要婴儿把头放在休息的地方。确保眼动仪能够承受相对较大的头部运动或调整。
- 其次, 使用相对较大的屏幕向婴儿显示图像 (例如, 57 x 45 厘米)。
- 第三, 使用可扩展的手臂安装的眼睛跟踪器, 以方便数据收集, 让研究人员调整眼睛跟踪器的高度, 每个婴儿。
- 第四, 使眼动追踪设备不显眼, 将婴儿的注意力完全集中在显示屏上。例如, 一些系统将眼动追踪设备与显示器集成, 或将设备安装在显示器正下方。
- 请注意, 此任务也可以通过手工编码婴儿的外观行为的高质量视频数据来完成。虽然手工编码技术可能会给使用更精细的时间过程分析带来一些挑战, 但手工编码的数据完全足以进行聚合查看分析。
3. 任务设计
- 在眼动仪的相关软件 (例如, 请参见 "材料表") 中, 创建四个不同的条件: 完全监视、无监督、半监督和反向半监视。确保这些条件是分开的, 这样每个婴儿只能看到一个条件。
- 生成至少两个学习示例的伪随机顺序, 但约束是连续体同一侧的不超过两个样本 (0-40 或 60-100%) 可以连续显示。
- 创建熟悉视频, 根据每个条件的情况, 将听觉刺激与视觉刺激配对。
- 将视觉和听觉刺激结合在视频编辑软件中 (例如, 请参见材料表)。在同一背景上显示所有图像。将听觉刺激的开始设定到适当的范围, 在视觉刺激开始后500毫秒到 1, 500 毫秒之间。使用此短延迟, 以减轻婴儿的处理负荷19。
- 例如, 在完全监督的情况下, 将每个熟悉的示例与标签短语配对。
- 在无监督条件下, 将每个熟悉的样本与非标记短语配对。
- 在半监督条件下, 仅将每个订单中的前两个样本与标记短语配对, 其余的与非标记短语配对。
- 对于 "反转半监督" 条件, 将最后两个示例与标记短语配对, 但将前四个与非标记短语配对 (请参见图 1)。
- 将这些视频上传到眼动器软件中, 按伪随机顺序订购熟悉视频。
- 在熟悉后, 上传屏幕中央显示的简短 (10秒或更少) 吸引眼球的动画: 这将确保大多数婴儿在测试阶段开始时都将查找屏幕中央。
- 最后, 对于每个学习类别, 设计两个测试试验, 每个试验都有两个并排显示的示例。确保在这两个测试试验中, 一个样本将代表现在熟悉的类别的中点, 而另一个样本则代表新类别的中点。
- 平衡试验, 使新颖的样本在测试试验中的左/右定位在视频中被逆转。
- 将这些测试试用版上载到眼动仪软件, 并在熟悉后的注意力吸引者之后对其进行定位。平衡这些试验的表现, 让每个婴儿都有平等的机会看到左小说或正确的小说试验。
- 确保测试试验至少持续 5秒, 最长为 20秒, 以便孩子们最初把目光移开, 积累足够的目光。
[将图1放置在此处]
4. 学习程序
- 在婴儿到来之前, 设置眼动仪。
- 随机将婴儿分配给一个条件和一个订单。
- 打开眼动仪软件, 选择分配的条件/订单对。
- 现在输入此录制的参与者编号。
- 执行同意程序后, 将婴儿和照顾者带到眼动追踪室。确保房间适度照明, 墙壁上没有任何分散注意力的装饰。
- 将椅子放在眼睛跟踪器前面的适当距离, 以便使用眼动仪的型号。让照顾者坐在这把椅子上, 婴儿坐在照顾者的腿上。如果婴儿不愿意坐在照顾者的腿上, 他们可以自己坐, 也可以坐在汽车座椅上。
- 如果婴儿坐在照顾者的腿上, 指示照顾者不要以任何方式偏颇婴儿的行为, 而是尽量让婴儿集中在照顾者的腿上。为照顾者提供一副被打得面目全非的太阳镜, 使他们看不到刺激。
- 让婴儿看一下眼动仪屏幕;考虑展示引人入胜的图像或视频, 以吸引他们的注意力。将屏幕放置, 使婴儿的眼睛位于校准窗口内。
- 执行眼动仪的校准过程。如果可能, 请使用五点校准, 但不太全面的校准也可能是足够的。当校准图像是带有听觉伴奏的动画时, 婴儿通常会有更好的反应。
- 如果婴儿通过校准, 则开始实验。如果没有, 请重新校准, 直到成功为止。任何无法校准的婴儿均不被排除在外。
- 如果连续运行多个实验, 或者单个实验相当长, 请考虑在每个部分之后重新校准。
5. 数据分析
- 使用数据分析软件执行此分析 (例如, 请参阅材料表)。
- 在屏幕左侧和右侧的示例位置周围创建感兴趣的区域 (aoi)。
- 对于熟悉试验, 请使用适当的 aoi 评估婴儿在每次试验中查看样本所花费的时间。排除任何婴儿谁没有显示持续寻找大部分的样本 (例如, 要求婴儿参加4个可能的6个熟悉样本的样本, 至少25% 的这些试验)。
- 对于测试试验, 只包括婴儿的前5个累积外观。对于3至12个月大的幼儿, 请考虑使用较长的窗口, 如10秒的累积外观。考虑将那些对测试表现出不足的持续观察 (例如, 积累不到2.5秒的观察) 或没有同时看两个样本的婴儿排除在外。
- 现在, 通过将寻找小说样本的时间除以寻找两个样本的总时间, 为每个婴儿的测试试验创建一个偏好分数。要分析这些比例, 首先用经验逻辑或弧新平方根转换它们, 使它们适合用线性模型进行分析。
- 对于婴儿在测试中的观察行为进行时间过程分析, 将数据分成小垃圾桶 (例如, 在10至100毫秒之间), 并计算每个婴儿在每个垃圾桶内的偏好分数。
- 对时间过程数据进行分析, 测试婴儿在整个试验过程中的观察模式是否因情况而异。请注意, 多种形式的分析可能会回答这个问题, 包括基于集群的置换分析20, 如下所示, 以及增长曲线建模。21
- 对于基于群集的排列分析, 选择与所需 alpha 级别相对应的 t 值阈值 (建议的 alphas 范围从. 01 到. 20 不等; 请注意, 此 alpha 值并不表示整个测试的 alpha 级别, 而只是过阈值的单个时间箱)。求和超过所选 t 阈值的每个连续时间箱的 t 统计信息;这些累积 t 统计信息指示数据中条件之间差异的大小。
- 要确定这些差异是否偶然超过预期, 请使用随机洗牌的条件标签执行至少 1, 000个模拟。评估未洗牌的数据与此基于时间的分布的差异。
注: 正是这种最初偏离与基于机会的分布的比较, 决定了分析的假阳性率, 而不是进行 t 测试的时间箱的数量, 甚至不是选择的 t 值阈值。这些初始 t 测试。因此, 这种分析提供了一个保守的替代方法, 即直接报告跨预定时间箱的多个 t 测试的结果 (例如, 每500毫秒进行一次测试)。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
使用上面的协议, 我们做了两个实验22。对眼科程序包23 进行了分析, 数据和代码可在 https://github.com/sandylat/ssl-in-infancy。在第一个实验中, 我们将完全受监督的条件 (n = 24, m年龄= 26.8 m) 进行了对比, 该条件仅带有标记的样本, 具有无监督条件 (n = 24, m年龄= 26.9 mb), 仅具有 "仅" 样本 "条件未标记的示例。
完全监管的环境与无监督环境
在完全监管的婴儿 (m = 13.86 s, sd = 3.00) 和无人监督的情况下 (m = 14.94 s, sd = 1.91) 在熟悉期间对样本的注意没有差别, t(46) = 1.91, p =. 14, d =. 43。
在测试中, 处于完全监督状态的2岁儿童 (m =. 59, sd =. 15) 显示出对新类别范例的明显偏好, t(23) = 3.05, p =. 006, d =. 62, 表明他们已成功形成类别。相反, 处于无人监督状态的2岁儿童 (m =. 49, sd =. 18) 在测试对象之间大致相等, t(23) =. 39, p =. 70, d = . 08。这些条件 t (46) = 2.27, p=. 028, d =. 66) 之间的性能差别很大 (见图 2)。最后, 基于集群的对测试模式的观察过程的排列分析揭示了这两个条件 ( p =. 038) 之间的显著差异, 从3450毫秒到 3 850 毫秒 (见图 3)。
半监督与反向半监督环境
接下来, 我们研究2岁儿童是否可以通过集成标记和未标记的样本来在半监督环境中学习类别。我们预测, 在熟悉半监督条件 (n = 24, m年龄= 27.3, 12名女性) 的开始时收到标记的样本, 其中贴有标签的样本可以为学习未贴标的样本提供基础, 这将促进类别学习, 而接受标记的样本在熟悉结束时, 在一个相反的半监督条件 (n = 24, m年龄= 27.2, 13名女性) 不会。也就是说, 首先收到贴有标签的样本应该能让2岁的孩子从未贴上标签的样本中学到更多的东西, 而不是在看到未贴上标签的样本后, 从贴有标签的样本中获得更多的知识。
处于半监督状态 (n = 24, m = 13.23 s, sd = 3.35 s) 和反转半监督状态的婴儿 (n = 24, m = 12.58 s, sd = 2.78) 在熟悉过程中对样本的关注程度相似, t(46) =. 73, p =. 47, d =. 21。
然而, 在测试中, 处于半监督状态的婴儿 (m =. 59, sd =. 14) 表现出显著的新颖性偏好, t(23) = 3.11, p =. 005, d =. 63, 而在反转半监督状态的婴儿条件 (m =. 52, sd =. 13) 在偶然性水平上执行, t(23) =. 76, p = 45, d =. 16。婴儿的偏好在 t ( 46) = 1.80、p =. 08、 d =. 52 这两个条件之间略有不同 (见图 2)。此外, 我们还对婴儿在测试中的观察行为进行了基于聚类的排列分析, 发现半监督条件比3450毫秒和 38 50 毫秒之间的反转 ssl 条件表现出更强烈的新颖性偏好, p =. 047 (见图 3)。这与完全监督状态偏离无监督状态的时间完全相同, 这表明婴儿在半监督状态下学习这类疾病的成功程度与在完全监督状态下的学习一样成功.
图 1: 示例任务设计.熟悉阶段包括6个试验, 每个试验呈现一个类别成员搭配一个标签或一个非标记短语。测试阶段同时为婴儿提供了一个来自现在熟悉的类别的样本和一个来自新类别的样本。条件代表代表性结果部分中提出的四个条件。这一数字已从 a.、waxman、s. r. 的 latourrette 公司修改。小标签有很长的路要走: 婴儿期的半监督学习。科学发展.e12736 (2018年)。请点击这里查看此图的较大版本.
图 2: 跨条件的平均偏好得分.在完全监管和半监督条件下的婴儿表现出明显高于机会的新颖性偏好,第. 05 <。处于无监督和反向 ssl 条件下的婴儿在机会级别执行。错误条表示平均值的标准错误。这一数字已从22个修改。请点击这里查看此图的较大版本.
图 3: 婴儿在测试过程中的外观模式.在完全监督和不受监督的条件下 (在左边) 和半监督和倒置的半监督条件 (右), 婴儿寻找样本的模式在 3 450 毫秒和 3 850 毫秒之间分化。每个图形中的灰色阴影条形图表示此发散周期。每个条件周围的彩色阴影区域表示平均值的标准误差。这一数字已从22个修改。请点击这里查看此图的较大版本.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
在这里, 我们提出了一个评估标签在分类中的作用的过程。通过向2岁的孩子提供一个有标签和无标签的标签样本的现实组合, 我们证明了非常年幼的孩子有能力在半监督的环境中学习, 扩大与成人和年龄较大的儿童 24,25岁的工作.因此, 这种方法提供了一个解决方案, 上面提出的悖论: 即使几个标记的样本可以激发类别学习, 那么标签可以是罕见的和强大的。
这一范式的关键方面包括使用新颖的人工刺激和短期试验, 这两者都使这项任务对2岁的孩子具有适当的挑战性和吸引力。此外, 使用眼动仪, 而不是手工编码婴儿的外观行为, 提供了更丰富和更精确的数据, 参与者的眼睛凝视;这种丰富和精确使时间过程度量的实现成为可能, 例如基于集群的置换分析。
熟悉测试范式的核心优势是它对类别学习的直接评估和简单作为被动的外观任务。也就是说, 任务直接测试类别学习, 而不是依靠更复杂的度量, 如命名行为或归纳推断 3, 26,27.此外, 由于熟悉测试任务可以在广泛的发展范围内进行管理 (例如, 3个月至 3年), 因此它们为确定发展连续性和变化提供了机会。
事实上, 这里介绍的熟悉测试范式是为2岁的孩子设计的, 但类似的设计已经被广泛用于婴儿出生后的第一年4,6, 7, 9,当然, 对于这些年龄较小的婴儿来说, 任务必须简化: 更长时间地接触熟悉情况的样本、更多的样本、更简单的类别和更长的考试窗口, 都可能提高任务对幼儿的敏感性.更广泛地说, 这里使用的熟悉测试范式可以很容易地扩展到评估任何听觉信号对婴儿认知的影响, 包括沉默、正弦波音调、非人类灵长类声音和其他非语言声音5 13,29,30。
这项任务的局限性主要来自于它使用了一个单一的结果变量: 婴儿在测试中的偏好。这使得这项任务不适合于有关每个熟悉样本如何改变婴儿类别学习或婴儿用来学习类别的特殊功能等问题。时间过程分析 (如基于集群的置换分析) 可以极大地丰富此范式提供的洞察。然而, 虽然这些分析使我们能够得出更有力的结论, 当两个条件在性能不同, 他们也提出了重要的问题, 是什么因素驱动婴儿的注意力模式在整个测试阶段, 一个有希望的领域未来的工作。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这里报告的研究得到了国家卫生研究院国家儿童健康和人类发展研究所的支持, 该研究所的奖项号为 r01hd083310, 并得到了国家科学基金会研究生研究研究金的支持。DGE‐1324585, 我的时间, 我的内容完全由作者负责, 不一定代表国家卫生研究院或国家科学基金会的官方观点。
Materials
Name | Company | Catalog Number | Comments |
Final Cut Pro X | Apple | N/A | Video editing, composition software |
MorphX | Norrkross | N/A | Image-morphing software |
PhotoShop | Adobe | N/A | Image-editing software |
R | R Core Team | N/A | Statistical analysis software |
T60XL Eyetracker | Tobii Pro | Discontinued | Large, arm-mounted eyetracker suitable for work with infants and children |
Tobii Pro Studio | Tobii Pro | N/A | Software directing eyetracker display, data collection |
References
- Eimas, P. D., Quinn, P. C. Studies on the Formation of Perceptually Based Basic-Level Categories in Young Infants. Child Development. 65 (3), 903-917 (1994).
- Madole, K. L., Oakes, L. M. Making sense of infant categorization: Stable processes and changing representations. Developmental Review. 19 (2), 263-296 (1999).
- Gelman, S. A., Markman, E. M. Categories and induction in young children. Cognition. 23 (3), 183-209 (1986).
- Ferry, A. L., Hespos, S. J., Waxman, S. R. Categorization in 3- and 4-month-old infants: An advantage of words over tones. Child development. 81 (2), 472-479 (2010).
- Fulkerson, A. L., Waxman, S. R. Words (but not Tones) Facilitate Object Categorization: Evidence From 6- and 12-Month-Olds. Cognition. 105 (1), 218-228 (2007).
- Balaban, M. T., Waxman, S. R. Do words facilitate object categorization in 9-month-old infants? Journal of Experimental Child Psychology. 64 (1), 3-26 (1997).
- Waxman, S. R., Braun, I. Consistent (but not variable) names as invitations to form object categories: New evidence from 12-month-old infants. Cognition. 95 (3), B59-B68 (2005).
- Balaban, M. T., Waxman, S. R. An examination of the factors underlying the facilitative effect of word phrases on object categorization in 9-month-old infants. Proceedings of the 20th Boston University Conference on Language Development. 1, 483-493 (1996).
- Waxman, S. R., Markow, D. B. Words as invitations to form categories: evidence from 12- to 13-month-old infants. Cognitive Psychology. 29 (3), 257-302 (1995).
- Zhu, X. Semi-supervised learning literature survey. , (2005).
- Chapelle, O., Scholkopf, B., Zien, A. Semi-supervised learning: Adaptive computation and machine learning. , MIT Press. Cambridge, Mass., USA. (2006).
- Zhu, X., Goldberg, A. B. Introduction to semi-supervised learning. Synthesis lectures on artificial intelligence and machine learning. 3 (1), 1-130 (2009).
- Ferry, A. L., Hespos, S. J., Waxman, S. R. Nonhuman primate vocalizations support categorization in very young human infants. Proceedings of the National Academy of Sciences of the United States of America. 110 (38), 15231-15235 (2013).
- Hunter, M. A., Ames, E. W. A multifactor model of infant preferences for novel and familiar stimuli. Advances in infancy research. , (1988).
- Rose, S. A., Feldman, J. F., Jankowski, J. J. Infant visual recognition memory. Developmental Review. 24 (1), 74-100 (2004).
- Wetherford, M. J., Cohen, L. B. Developmental changes in infant visual preferences for novelty and familiarity. Child Development. , 416-424 (1973).
- Perone, S., Spencer, J. P. Autonomous visual exploration creates developmental change in familiarity and novelty seeking behaviors. Frontiers in psychology. 4, 648 (2013).
- Havy, M., Waxman, S. R. Naming influences 9-month-olds’ identification of discrete categories along a perceptual continuum. Cognition. 156, 41-51 (2016).
- Althaus, N., Plunkett, K. Timing matters: The impact of label synchrony on infant categorisation. Cognition. 139, 1-9 (2015).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- Raudenbush, S. W., Bryk, A. S. Hierarchical Linear Models: Applications and Data Analysis Methods. SAGE. , (2002).
- LaTourrette, A., Waxman, S. R. A little labeling goes a long way: Semi-supervised learning in infancy. Developmental Science. , e12736 (2018).
- Dink, J., Ferguson, B. eyetrackingR: An R library for eyetracking data analysis. , (2015).
- Kalish, C. W., Zhu, X., Rogers, T. T. Drift in children's categories: When experienced distributions conflict with prior learning. Developmental Science. 18 (6), 940-956 (2015).
- Gibson, B. R., Rogers, T. T., Zhu, X. Human semi-supervised learning. Topics in Cognitive Science. 5 (1), 132-172 (2013).
- Keates, J., Graham, S. A. Category Markers or Attributes Why Do Labels Guide Infants' Inductive Inferences? Psychological Science. 19 (12), 1287-1293 (2008).
- Booth, A. E., Waxman, S. R. A horse of a different color: Specifying with precision infants’ mappings of novel nouns and adjectives. Child development. 80 (1), 15-22 (2009).
- Perszyk, D. R., Waxman, S. R. Listening to the calls of the wild: The role of experience in linking language and cognition in young infants. Cognition. 153, 175-181 (2016).
- Althaus, N., Mareschal, D. Labels direct infants’ attention to commonalities during novel category learning. PLoS ONE. 9 (7), e99670 (2014).
- Fulkerson, A. L., Haaf, R. A. The influence of labels, non-labeling sounds, and source of auditory input on 9- and 15-month-olds’ object categorization. Infancy. 4 (3), 349-369 (2003).