Summary
Burada, Bebek kategori doğrudan bir test sağlamak ve erken kategori öğrenmede dil rolü tanımlamak için yardımcı olabilecek alışma-test paradigmalar için bir iletişim kuralı mevcut.
Abstract
Bebek kategori öğrenme değerlendirirken bir bebek biliş eğitim çok önemli yönü zordur. Bir deneme-sınama paradigma istihdam ederek, delikanlı bir roman kategori görünümlü davranışlarını sadece güvenerek öğrenme bebekler başarıyı ölçmek. Ayrıca, paradigma doğrudan yaş aralığında farklı işitsel sinyalleri bebek kategori üzerinde etkisini ölçebilirsiniz. Örneğin, nasıl 2 yaş ortamlar etiketleme çeşitli kategorilerde bilgi değerlendirildi: bizim görevimiz, 2 yaş başarıyla Kategoriler tüm türkü etiketli veya ilk iki türkü etiketli ama ne zaman kategorize etmek başarısız öğrendim hiçbir türkü etiketli veya yalnızca son iki türkü etiketli. Bebeklerde başarı gibi görevleri belirlemek için araştırmacılar tarafından bebeklerin hassas zamanlı kurs veri sağlamak için bir göz-İzleyicisi'ni kullanma her durumda ve test aşamasında boyunca görünümlü bebekler desen görüntülenen her iki genel tercihi inceleyebilirsiniz . Böylece, biz dil veya işitsel herhangi bir sinyal, bebeklerde nesne kategorisi rolü tanımlamak için güçlü bir paradigma mevcut öğrenme.
Introduction
Kategori olduğunu insan biliş temel bir yapı taşı: bebeklerde kategori yetenekleri erken bebeklik döneminde ortaya ve yaşla giderek karmaşık hale gelmektedir. 1 , 2 , 3 araştırma da bebek kategori dilde için güçlü bir rolü ortaya koymuştur: Kategori türkü diliyle eşleştirildiğinde 3 ay-in yaş, bebeklerde Kategoriler daha başarıyla öğrenin. 4 , 5 , 6 Ayrıca, ilk yıl sonunda bebekler kategori sayısı isim etiketlerinde rolü için de uyarlanmıştır. Kategori türkü tutarlı bir etiketleme ifade ile eşleştirme ("Bu bir vep!") her örnek için ya da farklı bir etiket sağlayan göre öğrenme bebekler kategori kolaylaştırır ("Bir vep bu" "Bu bir dax" vb) veya etiketleme sigara ifade ("Şuna bak."). 7 , 8 , 9
Bebeklerde gündelik deneyimlerini, ancak, karşılaştıkları nesneleri büyük çoğunluğu büyük olasılıkla etiketsiz kalır. Hiçbir caregiver her nesneye (örneğin, "malamute," "köpek," "evde beslenen hayvan," "hayvan") geçerli Etiketler sağlar çok daha az bir bebek gördüğü her nesne etiket olabilir. Bu bir paradoks sunuyor: nasıl bebek kategori etiketlerini bebekler günlük hayatımızda onların göreceli kıtlığı ile gücünü bağdaştırmak?
Bu soruyu cevaplamak için biz nasıl öğrenmek bebekler farklı öğrenme ortamları, etiketli ve etiketsiz türkü karışımı aldıklarında da dahil olmak üzere çeşitli kategorilerde değerlendirmek için bir iletişim kuralı geliştirilmiştir. Özellikle, hatta birkaç etiketli türkü öğrenme başında alma kategori kolaylaştırabilir önerdiğimiz — bebekler dan sonraki öğrenmek yeteneği güçlendirerek, türkü de etiketsiz. Etiketlenmemiş türkü daha çok sayıda öğrenme için bir temel yaygın olarak makine öğrenimi, yarı denetimli öğrenme (SSL) bir ailenin yumurtlama alanına uygulanan olarak etiketli türkü az sayıda kullanımının bu strateji algoritmalar10,11,12. Tabii ki, uygulanan öğrenme stratejileri farklı tür öğrenenler arasında özdeş değildir: makine öğrenimi algoritmaları genellikle çok daha fazla türkü maruz kalır, her suret hakkında açık tahminlerde ve birden çok kategoride bilgi aynı anda. Yine de, makine ve bebek öğrenenler başarıyla seyrek etiketleme ortamlarda yeni kategoriler öğrenmek etiketli ve etiketsiz türkü entegre üzerinden yararlanabilir.
Bizim tasarım 2 yaşındaki çocuk, çok sayıda yeni kategorinin, kelime edinme sürecinde yarı denetimli öğrenme bu tür yeteneğine sahiptirler üzerinde duruluyor. Biz bir çift bebek kategori ölçü istihdam: bir deneme-sınama görevi. Bu paradigmada, 2 yaş türkü bir dizi için bir deneme aşamasında yeni kategoriden maruz bırakıldı. Her suret (yani, bir etiketleme veya bir sigara etiketleme ifade) durumuna bağlı olarak farklı bir işitsel uyarıcı ile eşleştirilmiş. Sonra testi iki yeni nesne sessizlik içinde sunulan tüm 2-yaş gördüm: bir nesneyi şimdi-tanıdık kategori ve bir roman bir kategori.
2 yaş başarıyla kategori deneme aşamasında Eğer, o zaman onlar test sunulan iki örnekleri arasında ayırmak gerekir. Önemlisi, ya için sistematik bir tercih roman veya tanıdık sınama yansıması ayırt yeteneğini yansıtır, aşinalık ve yenilik tercihleri başarılı kategori kanıt olarak yorumlanır. Belirli bir görevde bir işlev bebekler işleme verimlilik ile aşinalık tercihleri 4,13, işleme daha az verimli uyarıcı ile ilişkili uyarıcı malzemeler için bu tercih doğası olduğunu unutmayın 14 , 15 , 16 , 17. sessizlik içinde test aşamasında sunulması doğrudan nesne kategori ve nasıl alışma sırasında türkü eşliğinde bilgilere göre bu başarı değişeceğini bebekler başarı değerlendirmek mümkün kılar. Böylece, Bu paradigma dilsel ortamları etkiler kategori öğrenme nasıl farklı türde zorlayıcı bir test sağlar. Etiketleme kategori öğrenme yarı denetimli ve tam denetimli ortamlarda artırır, 2 yaşındaki bu koşullarda bebeklerin daha güçlü test tercihleri diğer ortamlarda göstermelidir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm yöntem tanımlamak burada Northwestern Üniversitesi Kurumsal İnceleme Kurulu tarafından onaylanmıştır.
1. bir çekim gücü oluşturma
Not: temsilcisi tasarımında kullanılan (bkz. Şekil 1) görsel uyaranlara ve başlangıçta Havy ve Waxman (2016)18 geliştirilmiştir aşağıda rapor are elde edilebilir için download vasıl https://osf.io/n6uy8/.
- Sürekli yeni bir kategori oluşturmak için önce bir çift yeni dijital görüntülerin Tasarla. Daha sonra görüntüleri çifti birlikte, türkü iki orijinal görüntü arasında bir süreklilik oluşturmak için (bkz, örneğin, Tablo reçetesi) yazılımı kullanma morph. Bir diğer test deneme için roman kategori suret sağlarken öğrenilmesi gereken kategori olarak hizmet edebilir bu şekilde en az iki kategoriler oluşturun.
- Alışma türkü, eşit aralıklı aralıklarla öğrenilen her kategorinin continuum (örneğin, % 0, % 20, % 40, %60, % 80 ve % 100 türkü) arasında seçin. Türkü (örneğin, altı) uygun bir rakam seçin. Kategori zorluk ve katılımcıların yaş ile orantılı.
- Türkü için test aşamasında oluşturmak için orta tanıdık kategorinin süreklilik ve yeni kategorinin continuum (yani, % 50 suret) seçin. O zaman Roman suret (bkz, örneğin, tablo reçetesi) bir görüntü işleme programı kullanarak tanıdık suret olan için renk aynı.
- Kayıt işitsel uyaranlara bir kadın ana diliniz İngilizce bir ses geçirmez kulübesinde tarafından üretilen. Mümkünse, aynı hoparlör için etiketleme her iki ifadeler kullanın (yani, "modi bak") ve sigara etiketleme ifadeler (yani, "Şuna bak!").
- Bebek veya çocuk yönlendirilmiş konuşma tüm sözler üretmek için hoparlör talimat.
- Yaklaşık 1.500 ms ifade ücret koşulları, büyük olasılıkla yaklaşık aynı uzunlukta olan sözler seçin.
2. cihaz
- Bir uygun göz-İzleyici'yi kullanın. Deneme-sınama ölçü için yeterli göz izleme verilerini toplamak için en yaygın olarak kullanılan göz-izci yeterli olacaktır: nesneleri ekran büyük bölümlerini işgal ve veri analizi performans uzun bir pencere üzerinde inceler yerine bireysel, hızla meydana gelen göz hareketleri saccades gibi.
- Bu görevi göz izleme bebekler gerektirdiğinden, sistem için bazı gereksinimler uyumlu olduğundan emin.
- İlk olarak, hangi does değil istemek bebeklerin başlarını çene biraz yerleştirmek bir uzaktan izleme modu ile bir göz-İzleyici'yi kullanın. Göz-izci nispeten büyük baş hareketleri veya readjustments tolere edebilir emin olun.
- İkinci olarak, nispeten büyük bir ekran görüntüleri bebekler için (örneğin, 57 x 45 cm) görüntülemek için kullanın.
- Üçüncü olarak, göz-izci için uzatılabilir kol takma göz-izci her bebek için yüksekliğini ayarlamak araştırmacı izin vererek veri toplama kolaylaştırmak için kullanın.
- Dördüncü olarak, göz izleme cihazları göze batmayan, yalnızca görüntü ekranda bebekler dikkat odaklama yapmak. Örneğin, bazı sistemler göz izleme ekipmanları göstermek sınıf başkanı ile entegre veya ekipman ekranın hemen altında monte edin.
- Not Bu görevi de el kodlama yüksek kaliteli video verileri bebekler görünümlü davranış tarafından tamamlanabilir. El kodlama teknikleri daha iyi ayarlanmış zaman ders analizleri kullanmak için bazı sorunları oluşturabilecek, el kodlu veri analizleri seyir toplamak için tamamen yeterli vardır.
3. görev tasarım
- Göz-izci'nın ilişkili yazılım (bkz., örneğin, Tablo malzemeler), dört farklı koşullar oluşturun: tam denetimli, denetimsiz, yarı denetimli ve tersine çevrilmiş yarı denetimli. Her bebek sadece bir şartla görürsünüz bu koşullar ayrı, olduğundan emin olun.
- Kısıtlamayı içeren öğrenme türkü en az iki rasgele siparişler oluşturmak bu süreklilik aynı tarafta fazla iki türkü (0-%40 veya % 60-100) art arda gösterilebilir.
- Tanıtım videoları bu çifti işitsel uyaranlara uygun her koşul için görsel uyaranlara oluşturun.
- Video düzenleme yazılımı (bkz, örneğin, Tablo reçetesi) görsel ve işitsel uyaranlara birleştirin. Tüm resimler aynı arka plan üzerinde mevcut. İşitsel uyarıcı başlangıcı 500 ms ve 1.500 ms sonra görsel uyarıcı başlangıcı arasında uygun bir dizi için ayarlayın. Bu kısa gecikme bebekler işleme yükü 19kolaylaştırmak için kullanın.
- Örneğin, tam denetimli durumda her alışma suret etiketleme bir ifade ile eşleyin.
- Başıboş durumda her alışma suret sigara etiketleme ifade ile eşleyin.
- Yarı denetimli durumda çifti yalnızca ilk iki türkü ama geri kalanında sözcük öbekleri olmayan etiketleme ile etiketleme ile her sırada.
- Ters işlem yarı denetimli koşulu için ama sigara etiketleme ifadeler (bkz. Şekil 1) ile ilk dört çift etiketleme ile son iki türkü öbekleri.
- Pseudo-randomize sıraya göre belirlenen tanıtım videoları sipariş göz-izci yazılımı içine bu videoları yükleyebilir.
- Kısa bir upload (10 s veya daha az) ilgi çekici animasyon alışma sonra ekranın ortasında görüntülenen: Bu test aşamasında başladığında çoğu bebeklerde ekranın ortasında arıyoruz sağlayacaktır.
- Son olarak, her öğrenme kategorisi için tasarım iki deneme, test her iki türkü featuring yan yana görüntülenir. Diğer yeni kategori orta noktasını temsil ederken her iki test denemeler için orta noktası şimdi tanıdık kategori bir suret temsil edecek emin olun.
- Böylece deneme testinde roman suret sol/sağ konumlandırma videolar arasında ters bir denemeler dengelemek.
- Upload Bu denemeler sonrası alışma dikkat-işareti sonra konumlandırma göz-izci yazılım test. Her bebek sol-roman ya da sağ-roman test deneme görme eşit şans sahiptir, bu nedenle bu çalışmalarda sunu dengelemek.
- Bu test sağlamak denemeler son en az 5 s ve ilâ 20 s, başlangıçta uzakta yeterli seyir birikir isteyen çocuklar için sırada.
[ Resim 1 buraya koyun.
4. çalışma prosedürü
- Bebek gelmeden önce göz-izci kadar ayarla.
- Rastgele bebek bir koşul ve bir sipariş için atayın.
- Göz-izci yazılımını açın ve atanan durumu/sipariş çifti seçin.
- Şimdi bu kayıt için katılımcı numarası girin.
- Onay işlemi gerçekleştirdikten sonra bebek ve caregiver göz izleme odasına getir. Oda orta derecede rahatsız edici herhangi bir dekorasyon duvar olmadan aydınlatılmış emin olun.
- Göz-izci kullanılan modeli için uygun bir mesafede göz-izci önündeki bir sandalyeye koyun. Bu sandalye ve bebek bakıcı'nın kucağına caregiver koltuk. Bebek bakıcı'nın kucağına oturmak istemiyor, onlar kendi oturmak veya bir araba koltuğuna oturup olabilir.
- Bebek bakıcı'nın kucağına oturuyor, bebeklerde davranışını herhangi bir şekilde önyargı değil ama bebek bakıcı'nın kucağına merkezli tutmaya çalışın için caregiver isteyin. Bakıcılar karartılmış-out güneş gözlüğü uyaranlara göremezler bu yüzden giyecek bir çifti ile sağlar.
- Göz-izci ekrana bak bebek sormak; ilgi çekici bir görüntü ya da onların dikkatini çekmek için video görüntüleme göz önünde bulundurun. Bebeklerde gözleri kalibrasyon penceresi içinde belgili tanımlık perde konumlandırın.
- Göz-izci'nın kalibrasyon prosedürü gerçekleştirin. Beş nokta kalibrasyon mümkünse kullanın, ancak daha az kapsamlı Kalibrasyonlar da yeterli olması muhtemeldir. Bebekler genellikle daha iyi kalibrasyon görüntü bir animasyon işitsel eşliğinde ne zaman yanıt.
- Bebek kalibrasyon geçerse, o zaman deneme başlamak. Eğer değilse, başarılı olana yeniden kalibre. Kalibre edilmesi herhangi bir bebekler hariç tutulur.
- Birden çok deneyler arka arkaya çalıştırırsanız veya tek bir deney oldukça uzun ise, her bölümden sonra yeniden kalibrasyon düşünün.
5. veri analizi
- Bu analizi yapmak için veri analiz yazılımı kullanın (örneğin, bkz: malzemeler tablo).
- Suret pozisyonlar sol ve sağ taraflarındaki, ekranın etrafında (AOIs) ilgi alanları oluşturun.
- Alışma denemeler için kullanım zaman bebekler değerlendirmek için uygun AOI her duruşmada görüntülenen suret isteyen geçirdim. Türkü bir çoğunluğu için arıyorum sürekli görünmüyor herhangi bir bebek hariç (örneğin, bebeklerin olası 6 alışma türkü bu çalışmalarda en az % 25 için 4 ilgilenmem gerektirir).
- Test deneme için sadece bebekler ilk 5 dahil birikmiş aramaya, s. 12 ay-in yaş, 3 küçük bebekler için birikmiş aramaya 10 saniye gibi daha uzun bir pencere kullanmayı düşünün. Yetersiz göstermek bebekler hariç sürekli test arıyor düşünün (örneğin, daha az 2.5 biriken bakarak s) ya da kim başarısız her iki türkü için bakmak.
- Şimdi bir tercih puanı her bebeğin test için deneme için her iki türkü arıyorum toplam süreyi tarafından roman suret arıyorsunuz zaman harcanan miktarı bölerek oluşturun. Bu oranlar çözümlemek için onları ilk ampirik logit ya da arc-sin analizi ile doğrusal modeller için uygun olmaları için kök dönüşümü.
- Bir zaman ders Analizi testi, bebeklerde görünümlü davranışının için ayrı veri (örneğin, arasında 10 ve 100 ms) küçük depo gözlerinin içine ve her bebek için her depo gözü içinde tercih Puanını hesaplamak.
- Bir koşulu test deneme görünümlü bebekler desen değişir mi test zaman ders, veri çözümlemesi gerçekleştirin. Not birden fazla form analiz burada gösterildiği gibi bir permütasyon küme tabanlı analiz20, de dahil olmak üzere bu soruya cevap ve büyüme eğrisi modelleme. 21
- Permütasyon küme tabanlı analiz için istenen Alfa düzeyine karşılık gelen bir t-değerini eşik seçin (.01 için aralığından Alfalar önerilir. 20; Bu alfa değeri genel testin alpha düzeyi, sadece için gerekli düzeyi temsil etmiyor Not tek tek saat-eşiği aşan için depo gözü). Seçilen t-eşiğini aşan ardışık her zaman-bin için toplam t-istatistik; Bu toplu t-istatistik verileri koşullarda farklılıkları gidermek boyutunu gösterir.
- Bu farklılıkları gidermek şans eseri beklenenden daha büyük olup olmadığını belirlemek için en az 1000 simülasyonlar rasgele karıştırılır koşulu etiketlerle gerçekleştirin. Bu şans tabanlı dağıtım karşı unshuffled data'nın farklılıkları gidermek değerlendirin.
Not: Bu orijinal sapma analizi yanlış pozitif oranı belirler şans tabanlı dağıtım karşı bu karşılaştırılması, daha ziyade t-testleri yapılmıştır veya t-değerini eşik bile zaman-depo sayısı için seçilen Bu ilk t-testleri. Sonuç olarak, bu analiz doğrudan raporlama sonuçları birden çok t-testleri önceden belirlenmiş zaman-depo gözleri arasında (örneğin, iletken testleri her 500 ms) bir muhafazakar yapıyı kullanabilirsiniz.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Yukarıdaki protokolü kullanarak, biz iki deneyler22koştu. Analizleri ile eyetrackingR paket23yapılmıştır ve veri ve kod https://github.com/sandylat/ssl-in-infancy mevcuttur. İlk denemede biz tam denetimli bir koşul tezat (n = 24, Myaş 26.8 mo =), featuring yalnızca etiketli türkü, denetimsiz bir koşulu ile (n = 24, Myaş 26,9 mo =), sadece şekil etiketlenmemiş türkü.
Tam denetimli denetimsiz ortamlar
Tamamen gözetim altında bebeklerde (M 13,86 = s, SD = 3,00) ve denetimsiz (M 14,94 = s, SD 1.91 =) koşulları alışma sırasında t(46) türkü onların ilgisini hiçbir farklılık göstermiştir 1.48, p = = .14, d .43 =.
At testi, 2 tam denetimli durumda yaş (M .59, SD =.15 =) roman kategori suret, t(23) için önemli bir tercih görüntülenen 3,05, p =.006, d =.62, = başarıyla oluşturdular gösteren Kategori. Kontrast, 2 yaşındaki denetimsiz koşulu (M .49, SD =.18 =) kabaca eşit testi, t(23), nesneler arasındaki baktı.39, p =.70, d =.08 =. Performans farklılık önemli ölçüde bu koşullar arasında t(46) 2.27, p =.028, d =.66 = (bkz. Şekil 2). Son olarak, küme tabanlı permütasyon analizini saat seyir ders desenleri testi iki koşul, p arasında önemli bir sapma ortaya.038, 3.450 MS 3,850 (bkz. Şekil 3) MS =.
Tersine çevrilen yarı denetimli ortamlar vs yarı denetimli
2 yaş kategorileri yarı denetimli ortamlarda etiketli ve etiketsiz türkü entegre ederek öğrenebilirler daha sonra biz incelenmiştir. Tahmin ettiğimiz alma koşulu alışma içinde yarı denetimli başında türkü etiketli (n = 24, Myaş 27,3, = 12 kadın), etiketlenmemiş türkü, öğrenme için bir temel etiketli türkü sağlayabildikleri alma türkü alışma bir ters işlem sonunda yarı denetimli koşulu etiketli ise kategori öğrenme kolaylaştırmak (n = 24, Myaş 27,2, = 13 kadın)-cekti değil. Diğer bir deyişle, etiketli türkü alma ilk 2 etiketlenmemiş türkü bu türkü etiketlenmemiş türkü gördükten sonra etiketli alma daha fazla öğrenmek yaş etkinleştirmeniz gerekir.
Bebeklerde yarı denetimli durumda (n 24, M = 13.23 = s, SD 3,35 =) ve ters işlem yarı denetimli (n = 24, M 12.58 = s, SD 2,78 =) koşulları gösterdi türkü dikkat benzer düzeyde tanıtım sırasında t (46).73, p =.47, d =.21 =.
Testi, ancak, bebeklerde yarı denetimli durumda (M .59, SD =.14 =), önemli yenilik tercih, t(23) görüntülenen 3.11, p =.005, d =.63, oysa = yarı denetimli ters işlem bebeklerde koşul (M .52, SD =.13 =) şans düzeylerinde, t(23) gerçekleştirilen.76, p = 45'lik, d =.16 =. Bebeklerde tercihleri marjinal iki koşul arasında t(46) farklı 1,80, p =.08, d =.52 = (bkz. Şekil 2). Ayrıca, biz de bir küme tabanlı permütasyon Analizi testi, bebeklerde görünümlü davranışının yarı denetimli durumu tersine SSL koşulu 3450ms ve 3850ms, p arasında daha güçlü bir yenilik tercih gösterdi açığa yapılan.047 (bkz: = Şekil 3). Tam olarak aynı süreyi sırasında bebeklerde olduğu gibi tamamen gözetim altında koşul yarı denetimli durumda kategori öğrenme başarılı düşündüren denetimsiz durum tamamen gözetim altında koşul diverged bu .
Şekil 1: örnek görev tasarım. Alışma evresi 6 denemelerin her bir etiketleme ya da bir sigara etiketleme ifade ile eşleştirilmiş bir kategori üye sunan oluşur. Test aşamasında bebekler şimdi-tanıdık kategorisinden bir suret ve bir roman bir kategori ile aynı anda sunuyor. Koşullar temsilcisi sonuçları bölümünde sunulan dört koşulları temsil eder. Bu rakam LaTourrette, A., Waxman, S.R. değiştirildi Küçük bir etiketleme uzun bir yol gidiyor: yarı denetimli bebeklik döneminde öğrenme. Dev. Sci. e12736 (2018). Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 2: koşullar arasında tercih puanları demek. Bebekler tam denetimli ve yarı denetimli koşullarında yenilik tercihleri önemli ölçüde şans, p <.05 yukarıda görüntülenen. Bebeklerde Unsupervised ve ters SSL koşullarda şans düzeyde gerçekleştirilen. Hata çubukları standart hataları ortalamaya temsil eder. Bu rakam22değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3: bebeğin seyir desen test sırasında (Solda) ve Unsupervised tam denetimli koşullarda ve (sağda) yarı denetimli ve tersine çevrilmiş yarı denetimli koşullarda bebeklerin desen örnekleri için bakarak 3,450ms ve 3,850ms arasında ayrılmaktadır. Her grafik gri gölgeli çubuğunda farklı bu dönem gösterir. Her koşul etrafında renkli gölgeli bölgeler ortalama standart hatasını gösterir. Bu rakam22değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Burada, sınıflandırma etiketleme rolü değerlendirilmesi için bir yordam mevcut. Etiketli ve etiketsiz türkü gerçekçi bir karışımı ile 2 yaş sunarak, biz çok küçük çocuklar yetişkin ve yaşlı çocuk24,25 ile iş uzanan yarı denetimli ortamlarda öğrenme yeteneğine sahiptirler göstermek . Böylece, bu yöntem yukarıda poz paradoks bir çözüm sunuyor: hatta birkaç etiketli türkü kategori öğrenme kıvılcım olabilir, o zaman etiketleri nadir ve güçlü olabilir.
Bu paradigma kritik yönlerini roman yapay uyaranlar ve kısa denemeler, ikisi de uygun şekilde zorlu ve 2 yaşındakiler için ilgi çekici görev yapmak kullanımını içerir. Buna ek olarak, bir göz-izci el kodlama bebek davranış, seyir sağlar daha zengin ve daha kesin veri katılımcı gözde bakışları yerine kullanarak; Bu zenginliği ve hassas küme tabanlı permütasyon çözümlemesi gibi zaman ders önlemlerin uygulanmasına olanak verir.
Merkezi deneme-sınama paradigma kategori öğrenme ve sadeliği onun basit değerlendirilmesi pasif bir seyir görev olarak avantajları. Yani görev doğrudan davranış veya indüktif çıkarımlar3,26,27adlandırma gibi daha karmaşık önlemler dayanarak yerine, öğrenme kategori sınar. Ayrıca, çünkü deneme-sınama görevleri (örneğin, üzerinden 3 yıl 3 ay) gelişimsel geniş yönetilebilen, gelişimsel süreklilik belirlemek ve değiştirmek için bir fırsat sunuyoruz.
Nitekim, burada sunulan alışma-test paradigma 2 yaşındakiler için tasarlanmıştır, ancak benzer tasarımları yaygın bebekler ile hayat4,6,7,9, ilk yıl içinde kullanılmıştır 28. bu küçük bebekler için tabii ki, görevi kolaylaştırmak gerekir: alışma türkü, daha fazla türkü, daha basit kategorileri ve test bakarak uzun bir pencere daha uzun maruz tüm geliştirmek görevin hassasiyeti genç bebekler için . Daha geniş, burada istihdam alışma-test paradigma kolayca bebek biliş, sessizlik, sinüs dalga sesleri, insan dışı primat vocalizations ve diğer non-dilsel sesleri5 de dahil olmak üzere herhangi bir işitsel sinyal etkisini değerlendirmek için uzatılabilir ,13,29,30.
Bu görev sınırlamaları kaynaklanıyor öncelikle bir tek sonuç değişken kullanımı: bebeklerde tercih testi. Bu görev hakkında Örneğin, nasıl bebekler her alışma suret değiştirir sorular için uygun olmayan hale getirir kategori öğrenme veya belirli özellikleri bebekler kategori öğrenmek için kullanın. Zaman-ders analizleri, küme tabanlı permütasyon çözümlemesi gibi önemli ölçüde Bu paradigma tarafından sunulan Insight zenginleştirebilirsiniz. Bu analizler bize ne zaman farklı iki koşul performansı hakkında daha güçlü sonuçlara ulaşmak izin iken, ancak, onlar da ne faktörler bebeklerde dikkatte desen boyunca test aşamasında, gelecek vaat eden bir alan için sürücü hakkında önemli soru zam yapılacak çalışmalar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
Rapor burada araştırma Ulusal Çocuk Sağlığı Enstitüsü tarafından desteklenen ve Ulusal Sağlık Enstitüleri Ödülü numarası R01HD083310 altında insan gelişimi ve bir Ulusal Bilim Vakfı Yüksek Lisans Araştırma Bursu altında Hayır verin. DGE‐1324585. İçeriği yalnızca yazarlar sorumludur ve mutlaka Ulusal Sağlık Enstitüleri ya da Ulusal Bilim Vakfı resmi görüşlerini temsil etmiyor.
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.
- 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.
- 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.
- 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).
