언어 습득에 관한 통계 학습

Statistical learning in language acquisition

통계적 학습은 인간과 다른 동물들이 환경에 대해 배우기 위해 주변의 세계로부터 통계적 규칙성을 추출하는 능력이다.통계학 학습은 현재 일반화된 학습 메커니즘으로 생각되지만, 이 현상은 인간의 유아 언어 습득에서 처음 확인되었다.

이러한 통계적 학습 능력에 대한 가장 초기의 증거는 제니 사프란, 리처드 아슬린, 그리고 엘리사 뉴포트의 연구에서 나왔는데, 이 연구에서 생후 8개월 된 유아들은 말도 안 되는 단조로운 말들을 반복했다.각 스트림은 무작위로 반복되는 4개의 3음절 "의사 코드"로 구성되었습니다.2분 동안 음성 스트림에 노출되면, 유아들은 "비단어"가 아닌 "비단어"를 듣는 것에 대해 다르게 반응했다. 비단어는 유아들이 노출되었던 것과 같은 음절로 구성되었지만 순서가 달랐다.이것은 유아가 언어에 대한 노출이 매우 제한적이더라도 음절 사이의 통계적 관계를 배울 수 있다는 것을 암시한다.즉, 유아들은 어떤 음절이 항상 짝을 이루는지 그리고 어떤 음절이 단지 함께만 발생하는지 비교적 드물게 배우게 되는데, 이것은 그들이 두 개의 다른 단위에 속한다는 것을 암시한다.이 학습 방법은 아이들이 어떤 음절 그룹이 개별 [citation needed]단어를 형성하는지 학습하는 한 가지 방법이라고 생각된다.

어휘 습득에서 통계 학습의 역할을 처음 발견한 이후, 동일한 메커니즘이 비언어 영역뿐만 아니라 음운론적 획득, 구문적 획득 요소에도 제안되어 왔다.추가 연구는 또한 통계 학습이 시각 정보뿐만 아니라 청각 정보, 영장류와 비원생동물 모두에서 발생하는 영역 일반, 심지어 종 일반 학습 메커니즘일 가능성이 높다는 것을 보여주었다.

어휘 취득

언어 습득에서 통계적 학습의 역할은 어휘 [1]습득 영역에서 특히 잘 입증되었다.유아들이 연속적인 언어 흐름에서 단어를 세분화하는 것을 이해하는 데 한 가지 중요한 기여는 환경에서 들리는 [1]언어의 통계적 규칙성을 인식할 수 있는 능력이다.많은 요인이 중요한 역할을 하지만 이 특정 메커니즘은 강력하며 [1]단기간에 작동할 수 있습니다.

원래의 조사 결과

"19세기"라는 구절을 말하는 남성 화자의 스펙트로그램.한 단어가 끝나고 다음 단어가 시작되는 명확한 구분은 없다.

문어와 달리 구어는 단어 사이에 명확한 경계가 없다는 것은 잘 확립된 발견이다. 구어는 [2]침묵을 사이에 둔 개별 단어보다는 연속적인 소리의 흐름이다.언어 단위 간의 이러한 세분화 부족은 언어를 배우는 어린 아이들에게 문제를 야기합니다.[3] 어린 아이들은 연속적인 음성 스트림에서 개별 단위를 선택할 수 있어야 합니다.아이들이 어떻게 이 문제를 해결할 수 있는지에 대한 제안된 방법 중 하나는 그들이 그들 [2][3]주변의 세계의 통계적 규칙성에 주의를 기울이는 것이다.예를 들어, "pretty baby"라는 구절에서, 아이들은 ty와 ba의 [3]소리를 함께 듣는 것보다 그들 주변의 전체 어휘 입력 중에 함께 듣기 전과 ty의 소리를 들을 가능성이 더 높다.성인 참가자들을 대상으로 한 인공 문법 학습 연구에서, Saffran, Newport, Aslin은 참가자들이 과도기적 확률만을 기반으로 단어 경계를 찾을 수 있다는 것을 발견했는데, 이는 성인들이 언어 학습 과제에서 [4]통계적 규칙성을 사용할 수 있다는 것을 암시한다.이것은 널리 [1]복제되어 온 견고한 결과입니다.

어린 아이들이 이러한 능력을 가지고 있는지 확인하기 위해 사프란 아슬린과 뉴포트는 8개월 된 유아들을 인공 [3]문법에 노출시켰다.그 문법은 네 개의 단어로 구성되었고, 각각은 세 개의 난센스 음절로 구성되었다.실험하는 동안, 유아들은 이 단어들의 연속적인 말투를 들었다.중요한 것은, 연설이 통계 확률 이외의 단어 경계에 대한 단서(일시정지, 억양 등) 없이 단조로 제시되었다는 점이다.단어 내에서 두 음절 쌍의 과도 확률은 1.0이었다. 예를 들어, 단어 bidaku에서, 음절 bi 직후의 음절 da를 들을 확률은 100%였다.단, 단어 사이에 음절쌍이 들릴 확률은 훨씬 낮았다.예를 들어, 어떤 단어(예: 비다쿠)가 나온 후, 세 단어 중 하나(이 경우, 파도티, 골라부, 투피로)가 뒤따를 수 있기 때문에, 구 후에 어떤 음절이 들릴 확률은 33%에 불과했다.

유아가 통계 정보를 습득하고 있는지 여부를 판단하기 위해, 각 유아는 인공 문법의 단어 또는 같은 음절로 구성된 비단어를 무작위 순서로 여러 번 제시하였다.시험 단계에서 비단어를 제시받은 영아는 인공문법의 단어를 제시받은 영아보다 이 단어들을 훨씬 오래 들어 새로운 비단어에 대한 새로운 선호도를 보였다.그러나 테스트의 구현은 유아가 단어 사이의 과도 확률을 실제로 학습하지 않고 연속 순서 정보를 학습하기 때문일 수도 있다.즉, 시험에서는 갓난아기들은 배울 때 전혀 제시되지 않았던 다피쿠나 틸라도 같은 현을 들었다. 즉, 그들은 단순히 음절의 [3]파이를 따라가지 않았다는 것을 알 수 있었을 것이다.

이 문제를 좀 더 자세히 보기 위해, 사프란 아슬린과 뉴포트는 유아들이 인공 문법을 사용하여 같은 훈련을 받았지만 단어나 [3]비단어보다는 단어나 부분 단어 중 하나를 제시받는 또 다른 연구를 수행했다.파트 워드는 한 단어의 마지막 음절과 다른 단어의 첫 두 음절로 구성된 음절 순서였다(예: 쿠파도).파트워드는 아이들이 인공문법을 들을 때 들렸기 때문에, 이러한 파트워드를 우선적으로 듣는 것은 아이들이 연속순서 정보뿐만 아니라 특정 음절 시퀀스를 들을 수 있는 통계적 가능성까지 배우고 있음을 나타낼 것이다.다시, 유아는 새로운 단어(부분)에 더 많은 청취 시간을 보였으며, 이는 생후 8개월 된 유아가 연속적인 언어 흐름에서 이러한 통계적 규칙성을 추출할 수 있었음을 나타낸다.

상세 조사

이 결과는 어휘 습득 및 기타 영역에서 통계적 학습의 역할에 대한 훨씬 더 많은 연구의 원동력이 되었다( 참조[1]).원본 report,[3]의 후속 조치에서 Aslin, Saffran, 뉴포트가 할 때도 단어와 일부 단어들 동등하게 자주 그 연설 스트림에 있지만, 단어의 음절과 일부 단어 사이에 다른 이행 확률과, 유아는 여전히 통계적 규칙적인 패턴을 감지할 수 있었다 했었고 아직 그 nove을 듣는 것을 선호했으며 발생을 발견했다.l익숙해진 [5]단어에 대한 부분 단어이 발견은 유아가 단순히 개별 음절 시퀀스의 [1]빈도를 인지하는 것이 아니라 그들이 듣는 음성으로부터 과도기적 확률을 얻을 수 있다는 더 강력한 증거를 제공한다.

또 다른 후속 연구는 이러한 유형의 인공 문법 학습 동안 학습된 통계 정보가 유아들이 이미 모국어에 [6]대해 가지고 있을 수 있는 지식을 주입하는 정도를 조사했다.유아들은 부분 단어보다 단어를 듣는 것을 선호했지만, 난센스 프레임 상태에서는 큰 차이가 없었다.이 발견은 언어학 이전의 유아들도 실험실에서 학습한 통계적 신호를 이전에 습득한 언어에 [1][6]대한 지식에 통합할 수 있다는 것을 시사한다.다시 말해, 유아가 언어 지식을 습득하면, 이전에 습득한 학습에 새롭게 습득한 정보를 통합한다.

A관련 연구 결과는 약간 나이가 많은 유아 input,[7]의 단일 세트에서 그들은 언어의 구문을 r의 발견으로 통한다 두번째 형식(단서에 통계를 배우고 입력으로(는 단어 경계의 발견으로 통한다 단서)의 한 형식의 출력을 사용할 수 있고 있음을 보여 주고 문법적 규칙적인 패턴을 어휘를 획득할 수 있는지 여부를 나타내egu다량[1][7]시험에서, 12개월 된 사람들은 다른 (문법적이지 않은) 구조를 가진 문장보다 그들이 시험한 인공 언어와 같은 문법 구조를 가진 문장들을 듣는 것을 선호했다.문법적 규칙성을 배우는 것은 유아들이 개별 단어 사이의 경계를 결정할 수 있어야 하기 때문에, 이것은 통계학 학습이 놀이에서 강력한 메커니즘임을 나타내며, 아직 꽤 어린 유아들이 여러 단계의 언어 지식( 어휘와 구문학 모두)을 동시에 습득할 수 있다는 것을 나타낸다.n 언어 [1][7]학습

통계 학습이 어휘 습득에서 큰 역할을 하는 것처럼 보이지만, 유아가 단어 분할을 배우는 유일한 메커니즘은 아닐 것이다.통계 학습 연구는 일반적으로 단어 사이의 과도 확률 외에 단어 경계 정보에 대한 단서가 없는 인공 문법을 사용하여 수행된다.그러나 실제 음성에는 운율 정보와 음운 [8]정보를 포함하여 단어 경계에 대한 많은 다른 유형의 신호들이 있다.

이와 함께 언어 습득에 관한 통계 학습 연구 결과는 언어의 통계적 특성이 유아들이 모국어를 [1]배우는데 도움을 주는 강력한 신호라는 것을 보여준다.

음운학적 취득

통계학 학습이 주어진 언어에 어떤 음소가 중요한지, 그리고 어떤 음소 내에서 어떤 음소가 [9][10][11]중요한지를 발견하는 데 중요한 요소라는 증거가 많이 있다.이러한 지식을 가지는 것은 음성 인식과 음성 생성 양면에서 중요하다.

배포 학습

단어 학습에서 유아의 통계적 학습 능력이 발견된 이후, 언어 학습의 다른 측면에서도 동일한 일반적인 메커니즘이 연구되어 왔다.예를 들어, 유아들은 다양한 언어의 음소를 구별할 수 있지만,[12] 결국 모국어에 나타나지 않는 음소를 구별할 수 없게 된다는 것은 잘 알려져 있다. 하지만, 이러한 차별적 능력의 감소가 어떻게 일어났는지는 분명하지 않다.Maye 등은 책임이 있는 메커니즘이 유아가 모국어로 [12]소리의 분포 규칙성을 추적하는 통계 학습 메커니즘일 수 있다고 제안했다.이 아이디어를 테스트하기 위해, Maye 등.생후 6개월과 8개월 된 유아가 목소리의 정도에 따라 달라지는 연속적인 말소리에 노출되었다.유아가 들은 분포는 음성 연속체의 양끝에서 가장 많이 들린 바이모달(bimodal)이거나 분포의 중간에서 가장 자주 들린 유니모달(unimodal)이었다.그 결과 두 연령대의 유아들은 음소의 분포에 민감했다.테스트에서 유아는 연속체의 특정 음소에 대한 비교대적 노출(8 토큰 연속체에서 토큰 3 또는 6의 반복 샘플) 또는 교대적 노출(토큰 1과 8의 샘플)을 들었다.바이모달 분포에 노출된 영아는 비교체 시험보다 교대 시험을 더 오래 청취한 반면, 단일 분포에 노출된 영아는 청취 시간에 차이가 없었다.이 연구 결과는 양모달 분포를 노출한 유아가 나이에 관계없이 단모달 상태에 있는 유아보다 분포의 양 끝에서 소리를 더 잘 구별할 수 있음을 나타낸다.이러한 유형의 통계 학습은 유아에게 과도적 확률이 아닌 빈도를 추적하도록 요구하기 때문에 어휘 습득에 사용된 것과 다르다. 그리고 "분포 학습"[10]으로 명명되었다.

분포 학습은 또한 유아들이 처음에 구별하는 데 어려움을 겪는 두 개의 음소를 대조하는 데 도움을 주는 것으로 밝혀졌다.Maye, Weiss 및 Aslin은 초기에 구별하기 어려웠던 비원어민 대조도의 양모달 분포에 노출된 영아가 동일한 [13]대조도의 단일 분포에 노출된 영아보다 대조도를 더 잘 구별할 수 있다는 것을 발견했다.Maye 등은 또한 유아가 대조약의 특징(즉, 목소리 시작 시간)을 추상화하고 다른 관절 부위에서 동일한 유형의 대조약으로 일반화할 수 있다는 것을 발견했는데, 이는 성인에게서 발견되지 않았다.

음운론적 습득에 대한 분포 학습의 역할에 대한 검토에서, Werker 등은 분포 학습이 음성 범주를 [10]획득하는 유일한 메커니즘일 수 없다고 지적한다.그러나, 비록 연구가 [10]진행 중이지만, 이러한 유형의 통계 학습 메커니즘이 이 기술에 영향을 미칠 수 있다는 것은 분명해 보인다.

지각 자석 효과

음운학 취득에 관한 통계적 단서에 관한 관련 발견은 지각 자석 [14][15][16]효과로 알려진 현상이다.이 효과에서, 한 사람의 모국어의 원형 음소는 원형 음소와 같은 범주에 속하는 것으로 인식되는 유사한 음소의 "자석" 역할을 한다.이 효과의 최초 테스트에서 성인 참가자들은 특정 음소의 주어진 샘플이 참조 [14]음소와 다른지 여부를 나타내도록 요구받았다.참조 음소가 해당 언어의 비원형 음소인 경우, 성인 및 생후 6개월 된 유아 모두 소리 사이의 주관적 거리가 [14][16]동일하더라도 원형 음소에 비해 다른 소리에 대한 일반화가 덜 나타난다.즉, 성인과 유아 모두 특정 음소가 원형 표본인 경우보다 해당 참조 음소가 비원형 표본인 경우 참조 음소와 다르다는 것을 알아차릴 가능성이 높다.원형 자체는 분포 학습 과정을 통해 발견되는데, 이 과정에서 유아는 특정 소리가 발생하는 빈도에 민감하고 가장 자주 발생하는 소리를 언어의 [11]원형 음소로 취급한다.

구문 수집

통계 학습 장치는 또한 어린 [1][9][17]아이들을 위한 구문적 획득의 구성요소로 제안되었다.이 메커니즘에 대한 초기 증거는 주로 컴퓨터 모델링 연구나 자연어 [18][19]말뭉치의 분석에서 나왔다.이러한 초기 연구는 일반적으로 통계적 학습 메커니즘보다는 특히 분포 정보에 초점을 맞췄다.특히, 이러한 초기 논문에서 어린이가 이름 없는 단어 유형 범주(즉, 어린이가 범주에 이러한 레이블을 붙이지 않을지라도 명사 또는 동사)와 관련된 가능한 문장 구조의 템플릿을 만든다는 것이 제안되었다.아이들은 같은 카테고리의 단어가 나타나는 유사한 맥락을 추적함으로써 어떤 단어가 같은 카테고리에 속하는지 배울 수 있다고 생각되었다.

이후의 연구들은 인공 [9]문법에 노출된 어린이나 어른들의 실제 행동을 살펴봄으로써 이러한 결과를 확대시켰다.이러한 후기 연구는 또한 통계적 학습의 역할을 이전 연구보다 더 폭넓게 고려했으며, 그 결과를 어휘 습득과 같은 언어 학습의 다른 측면과 관련이 있다고 생각되는 통계적 학습 메커니즘의 맥락에 두었다.

실험 결과

Gomez와 Gerken에 의해 수행된 일련의 4가지 실험의 증거는 어린이들이 인공 [9][20]문법에 2분 미만의 노출로 문법 구조를 일반화할 수 있다는 것을 암시한다.첫 번째 실험에서, 11개월에서 12개월 된 유아들은 정해진 문법 구조를 가진 난센스 단어들로 구성된 인공 문법에 대한 훈련을 받았다.테스트에서, 유아들은 새로운 문법적 문장과 비문법적 문장을 모두 들었다.유아들이 이상의 문법적인 문장을 향해, 유아 일반적으로 시간의 언어의 자연 인스턴스보다 언어 e.g.,.[21]의 변형된 인스턴스기 위해 더 긴 금액 참신한 것이 기본 설정 일반적으로 word-learning 스터드에서 발견된(이런 친숙함 선호도 다른 동양을 이전의 연구에 따라 파악했다.ies어휘적 취득과 구문적 취득의 차이로 인해)이 발견은 어린 아이들이 최소한의 노출에도 언어의 문법 구조에 민감하다는 것을 보여준다.Gomez와 Gerken은 또한 이러한 민감도가 문장의 중간에 위치할 때 명백하다는 것을 발견했다. (문장의 처음과 끝에 모든 오류가 발생한 첫 번째 실험과 달리) 결과는 무언가에 의해 야기된 문법적인 문장에 대한 선천적인 선호에 기인할 수 없다.문법 이외에, 그리고 아이들은 문법 규칙을 새로운 어휘로 일반화할 수 있다.

이러한 연구들은 유아들이 [9][20]언어에 대한 제한된 노출에서도 상당한 양의 통사적 지식을 추출할 수 있다는 것을 보여준다.아이들은 시험 문장의 문법 위반이 문장의 끝부분에서 발생했는지, 문장의 중간에서 발생했는지를 문법적으로 이상하다고 느꼈던 것으로 보인다.또한 문법의 개별 단어가 바뀌어도 시험 단계에서 영아들은 여전히 문법적인 문자열과 비문법적인 문자열을 구별할 수 있었다.이 일반화는 유아들이 어휘 고유의 문법 구조를 배우는 것이 아니라, 그 문법의 일반적인 규칙을 추상화하고 그 규칙을 새로운 어휘에 적용한다는 것을 나타낸다.게다가, 네 번의 실험 모두에서, 문법 구조의 테스트는 인공 문법에 대한 초기 노출이 끝난 후 5분 후에 이루어졌는데, 이것은 유아들이 그들이 배운 문법 추상화를 조금 늦춘 후에도 유지할 수 있었다는 것을 암시한다.

유사한 연구에서 샤프란은 성인과 나이 든 어린이(1학년과 2학년 어린이)도 존재하는 [22]통계 규칙성 외에 구문에 대한 단서가 없는 인공 언어에 노출된 후 구문 정보에 민감하다는 것을 발견했다.참가자의 주된 목표가 언어를 듣는 동안 다른 작업을 완료하는 것이었던 "우발적인" 노출 조건에서도 성인과 어린이 모두 우연 이상의 비율로 문법적이지 않은 문장을 선택할 수 있었다.

구문 정보의 통계적 학습을 다루는 연구의 수는 제한적이지만, 이용 가능한 증거는 통계적 학습 메커니즘이 아이들의 [9][17]언어 학습 능력에 기여하는 요소일 가능성이 높다는 것을 보여준다.

이중언어 통계학습

통계적 학습 패러다임을 사용한 초기 작업의 대부분은 단일 언어 사용자 또는 학습자를 위한 언어 습득 프로세스와 일관되게 어린이 또는 성인의 [1]단일 언어 학습 능력에 초점을 맞췄다.그러나 세계인의 약 60~75%가 2개 [23]국어를 구사하는 것으로 추정된다.더 최근에, 연구원들은 두 개 이상의 언어를 구사하는 사람들을 위한 통계학 학습의 역할에 대해 연구하기 시작했다.이 주제에 대한 리뷰는 아직 없지만, 바이스, 제르펜, 미첼은 여러 인공 언어로부터 입력된 정보를 동시에 듣는 것이 어느 한쪽 또는 양쪽 [24]언어를 배우는 능력에 어떻게 영향을 미치는지 조사했다.네 번의 실험을 통해 바이스 외 연구진은 두 개의 인공 언어에 노출된 후, 성인 학습자들은 각 언어가 다른 화자에 의해 사용될 때 두 언어의 단어 경계를 결정할 수 있다는 것을 발견했다.하지만, 두 언어가 같은 화자에 의해 사용되었을 때, 참가자들은 두 언어가 "일치"할 때, 즉 한 언어의 단어 경계와 다른 언어의 단어 경계선이 일치할 때만 두 언어를 배울 수 있었다.한 언어의 단어 중간에 나타나는 음절이 다른 언어의 단어 끝에 나타나 한 명의 화자가 말할 때, 참가자들은 기껏해야 두 언어 중 하나를 배울 수 있었다.마지막 실험은 같은 목소리로 말하는 불일치 언어를 배우지 못하는 것은 언어들 사이의 음절이 겹쳐서가 아니라 다른 단어 경계 때문에 일어난다는 것을 보여주었다.

유사한 연구는 학습자가 추가 신호(이 [25]경우 두 개의 다른 남성 목소리)가 있을 때 두 세트의 통계 표현을 배울 수 있다는 결과를 복제한다.그들의 패러다임에서, 두 언어는 바이스 등의 [24]패러다임에서처럼 인터리빙이 아닌 연속적으로 제시되었고, 참가자들은 비록 두 언어 모두에서 참가자들의 성과가 기회 이상이었지만, 그들이 두 번째보다 더 잘 노출되었던 첫 번째 인공 언어를 배웠다.

통계학 학습은 다국어주의를 개선하고 강화하지만, 그 반대는 사실이 아닌 것으로 보인다.Yim과 Rudoy의[26] 연구에 따르면 단일 언어 아이와 이중 언어 어린이 모두 통계적 학습 과제를 똑같이 잘 수행하는 것으로 나타났다.

Antovich와 Graf[27] Estes는 14개월 된 이중언어 아이들이 과도기적 확률 신호를 사용하여 두 개의 다른 인공 언어를 분할하는 데 있어 단일언어 사용자보다 더 낫다는 것을 알아냈다.그들은 유아기의 2개 국어 환경이 어린이들이 통계적 규칙성에 의존하여 언어 흐름을 세분화하고 두 개의 어휘 시스템에 접속하도록 훈련한다고 제안한다.

통계학 학습의 제한

Word-Referent 매핑

단어의 의미를 학습하기 위한 통계적 학습 메커니즘도 제안되었다.구체적으로, 유와 스미스는 어른들이 사물의 사진에 노출되고 말도 안 되는 [28]단어들을 듣는 두 가지 연구를 수행했다.각각의 난센스 단어들은 특정한 목적어와 짝을 이뤘다.총 18개의 단어 참조 쌍이 있었고, 각 참가자는 상황에 따라 한 번에 2, 3, 또는 4개의 개체를 제시받았고, 이러한 개체 중 하나와 관련된 말도 안 되는 단어를 들었습니다.각 단어-기준 쌍은 훈련 시험 과정 동안 6번 제시되었습니다. 훈련 시험 완료 후 참가자들은 주어진 말도 안 되는 단어와 일치하는 올바른 지시자를 선택하도록 요구받는 강제 대체 테스트를 완료했습니다.저자에 따르면 참가자들은 우연히 발생하는 것보다 더 자주 올바른 항목을 선택할 수 있었으며, 이는 그들이 훈련 시험 전반에 걸쳐 공존 확률을 추적하기 위해 통계 학습 메커니즘을 사용하고 있음을 나타낸다.

대안 가설은 이러한 유형의 과제의 학습자가 통계적 학습 [29][30]메커니즘이 아닌 "제안하지만 검증" 메커니즘을 사용할 수 있다는 것이다.Medina 외 연구진과 Trueswell 외 연구진은 Yu와 Smith가 시험별로 지식을 추적하는 것이 아니라 훈련이 끝날 때만 지식을 추적하기 때문에 참가자들이 실제로 동시 발생(따라서 여러 가설을 동시에 유지하는 것)의 통계적 확률을 업데이트하는 것은 불가능하다고 주장한다.f, 대신에 그들은 단일 가설을 세우고 다음 [28][29][30]재판에서 그것을 확인하고 있었다.예를 들어, 참가자에게 개 사진과 신발 그림이 제시되어 있는데 vash라는 말도 안 되는 단어를 들으면 vash가 개를 가리킨다는 가설을 세울 수 있습니다.미래의 재판에서 그녀는 신발의 사진과 문의 사진을 보고 vash라는 단어를 다시 들을지도 모른다.통계적 학습이 단어-반대 매핑을 학습하는 메커니즘이라면, 신발이 100% 단어와 함께 나타났을 것이기 때문에 참가자는 문보다 신발의 그림을 더 많이 선택할 것이다.그러나 참가자들이 단순히 단일 가설을 형성하는 경우, 그들은 이전 바쉬 프레젠테이션의 맥락을 기억하지 못할 수 있다(특히 실험 조건과 같이 두 바쉬 프레젠테이션 사이에 다른 단어가 있는 다중 시행이 있는 경우). 따라서 이 두 번째 시행에서 우연한 기회가 될 수 있다.이 제안된 단어 학습 메커니즘에 따르면, 만약 참가자가 바쉬가 첫 번째 시도에서 신발을 언급했다고 정확히 추측했다면, 그녀의 가설은 다음 시도에서 확인될 것이다.

이 두 가지 가능성을 구별하기 위해, 트루즈웰 외 연구진은 참가자들에게 각 시험에서 단어-반복적 매핑의 선택을 나타내도록 요청하고,[28][30] 각 시험마다 하나의 개체 이름만 제시했다는 점을 제외하고, Yu와 Smith가 수행한 것과 유사한 일련의 실험을 수행했다.따라서 참가자들은 첫 번째 시도에서 선택을 강요 받을 때 우연한 기회를 얻었을 것이다.후속 시험의 결과는 참가자들이 이러한 실험에서 통계적 학습 메커니즘을 사용하지 않고, 대신에 한 번에 하나의 잠재적 가설만 염두에 두고 제안과 검증 메커니즘을 사용했음을 나타낸다.특히 참가자들이 무의미한 단어의 초기 프레젠테이션에서 잘못된 단어-기준 매핑을 선택했다면(가능한 5가지 선택 항목 표시에서), 그 단어의 다음 시도에서 올바른 단어-기준 매핑을 선택할 가능성은 여전히 우연, 즉 20%였다.그러나 참가자들이 의미 없는 단어의 첫 번째 프레젠테이션에서 올바른 단어-반복 매핑을 선택했다면, 그 단어의 후속 프레젠테이션에서 올바른 단어-반복 매핑을 선택할 가능성은 약 50%였다.이러한 결과는 참가자들이 두 가지 대안 중 하나만 선택하는 조건에서도 반복되었다.이러한 결과는 참가자들이 개별 프레젠테이션의 주변 맥락을 기억하지 못했기 때문에 단어-기준 매핑을 결정하기 위해 통계적 신호를 사용하지 않았음을 시사한다.대신 참가자들은 단어-기준 매핑에 관한 가설을 세우고 그 단어의 다음 프레젠테이션에서 그에 따라 가설을 확인하거나 거부한다.

전반적으로, 메디나 등의 유사한 결과와 함께, 이러한 실험의 통계적 학습 메커니즘을 통해 단어 의미를 학습할 수 없다는 것을 나타낸다. 이 메커니즘은 참가자들에게 첫 번째 발생(즉,[29] 교차 상황이 아님)에서도 매핑 가설을 세우도록 요구한다.그러나 제안-그러나 검증 메커니즘이 통계 학습 메커니즘과 비교되었을 때, 전자는 개별 학습 궤적을 재현할 수 없었고 [31]후자만큼 적합하지도 않았다.

사회적 상호작용의 필요성

또한, 통계적 학습만으로는 언어 습득의 큰 역할을 하는 것을 설명할 수 없다.예를 들어, Kul, Tsao, 그리고 Liu는 원어민과 함께 실험실에서 시간을 보낸 영어를 배우는 어린 아기들이 [32]통제 상태에 있던 아기들과 달리, 중국어는 있지만 영어는 아닌 음소를 구별할 수 있다는 것을 발견했다.이 대조군 상태의 영아는 실험 조건의 영아만큼 자주 실험실에 왔으나 영어에만 노출되었다. 나중에 테스트했을 때, 그들은 중국어 음소를 구별할 수 없었다.두 번째 실험에서, 저자들은 유아들에게 만다린 스피커의 오디오 또는 시청각 녹음을 보여주고 유아들이 만다린 음소를 구별하는 능력을 테스트했다.이 상태에서는, 유아들은 외국어 음소를 구별하지 못했다.이 결과는 사회적 상호작용이 언어 학습의 필수 요소이며, 유아에게 언어를 듣는 원시 데이터가 제공되더라도 사회적 [11]상호작용을 경험하지 않으면 해당 데이터에 존재하는 통계적 신호를 이용할 수 없음을 나타낸다.

도메인 일반성

비록 통계학 학습 현상이 언어 습득의 맥락에서 처음 발견되었고 그 목적에서 그것의 역할에 대한 많은 증거가 있지만, 최초의 발견 이후 연구는 통계학 학습이 도메인 일반 기술일 수 있고 [3][33]인간에게 고유하지 않을 수 있다는 것을 시사했다.예를 들어, Saffran, Johnson, Aslin, Newport는 성인 및 유아 모두 다른 음색을 연주함으로써 만들어진 "단어"의 통계적 확률을 배울 수 있다는 것을 발견했다(즉, 참가자들은 훈련 중에 제시된 음표 D, E, F를 함께 듣고 테스트에서 이 음표들을 다른 음표와 비교하여 하나의 단위로 인식할 수 있었다.함께 [34]제시되지 않은 노트)non-auditory 도메인에는 증거는 인류 통계적 시각 있는지에 대한 정보를 그 정보를 공간, e.g.,[35]이나 시간을 가로질러 제시된다 배울 수 있고, 통계적 학습의 e.g.,.[36]증거는 다른 영장류, e.g.,[37]과 일부 제한된 통계적 학습 능력에서 발견되었다non-primat에서도 발견됐다는 것이다.쥐처럼 에스s.[38] 이러한 연구결과는 통계학 학습이 언어 습득에 이용될 수 있는 일반화된 학습 메커니즘일 수 있음을 시사하며, 이는 학습 메커니즘일 수 있음을 시사한다.

영역 일반 통계 학습에 대한 추가 증거는 코넬 대학 심리학부를 통해 유아기의 시각 통계 학습에 관한 연구에서 제안되었다.이 연구의 연구원들은 유아기 통계 학습의 영역 일반성이 시각 정보를 사용하여 보여질지 여부에 대해 질문했다.통계적으로 예측 가능한 패턴의 영상을 처음 본 후, 유아들은 동일한 자극 성분의 새로운 시퀀스 외에 동일한 익숙한 패턴에 노출되었다.시각에 대한 관심은 연구자들이 "보는 시간"이라고 이름 붙인 자극을 아이가 본 시간에 의해 측정되었다.모든 연령의 유아 참가자들은 익숙한 시퀀스에 비해 새로운 시퀀스에 더 많은 관심을 보였다.(원래 자극의 그룹을 정의한 과도적 확률을 위반하는) 새로운 시퀀스에 대한 선호도를 입증할 때, 연구 결과는 [39]유아기에 영역 일반 통계 학습의 가능성을 뒷받침한다.

레퍼런스

  1. ^ a b c d e f g h i j k l Saffran, Jenny R. (2003). "Statistical language learning: mechanisms and constraints". Current Directions in Psychological Science. 12 (4): 110–114. doi:10.1111/1467-8721.01243. S2CID 146485087.
  2. ^ a b Brent, Michael R.; Cartwright, Timothy A. (1996). "Distributional regularity and phonotactic constraints are useful for segmentation". Cognition. 61 (1–2): 93–125. doi:10.1016/S0010-0277(96)00719-6. PMID 8990969. S2CID 16185790.
  3. ^ a b c d e f g h Saffran, J. R.; Aslin, R. N.; Newport, E. L. (1996). "Statistical Learning by 8-Month-Old Infants". Science. 274 (5294): 1926–1928. Bibcode:1996Sci...274.1926S. doi:10.1126/science.274.5294.1926. PMID 8943209. S2CID 13321604.
  4. ^ Saffran, Jenny R.; Newport, Elissa L.; Aslin, Richard N. (1996). "Word Segmentation: The Role of Distributional Cues". Journal of Memory and Language. 35 (4): 606–621. doi:10.1006/jmla.1996.0032.
  5. ^ Aslin, R. N.; Saffran, J. R.; Newport, E. L. (1998). "Computation of Conditional Probability Statistics by 8-Month-Old Infants". Psychological Science. 9 (4): 321–324. doi:10.1111/1467-9280.00063. S2CID 14144332.
  6. ^ a b Saffran, Jenny R (2001a). "Words in a sea of sounds: the output of infant statistical learning". Cognition. 81 (2): 149–169. doi:10.1016/S0010-0277(01)00132-9. PMID 11376640. S2CID 14487666.
  7. ^ a b c Saffran, Jenny R.; Wilson, Diana P. (2003). "From Syllables to Syntax: Multilevel Statistical Learning by 12-Month-Old Infants". Infancy. 4 (2): 273–284. doi:10.1207/S15327078IN0402_07.
  8. ^ Mattys, Sven L.; Jusczyk, Peter W.; Luce, Paul A.; Morgan, James L. (1999). "Phonotactic and Prosodic Effects on Word Segmentation in Infants". Cognitive Psychology. 38 (4): 465–494. doi:10.1006/cogp.1999.0721. PMID 10334878. S2CID 17445419.
  9. ^ a b c d e f Gómez, Rebecca L.; Gerken, LouAnn (2000). "Infant artificial language learning and language acquisition". Trends in Cognitive Sciences. 4 (5): 178–186. doi:10.1016/S1364-6613(00)01467-4. PMID 10782103. S2CID 15933380.
  10. ^ a b c d Werker, J. F.; Yeung, H. H.; Yoshida, K. A. (2012). "How Do Infants Become Experts at Native-Speech Perception?". Current Directions in Psychological Science. 21 (4): 221–226. doi:10.1177/0963721412449459. S2CID 6132520.
  11. ^ a b c Kuhl, Patricia K. (2004). "Early language acquisition: cracking the speech code". Nature Reviews Neuroscience. 5 (11): 831–843. doi:10.1038/nrn1533. PMID 15496861. S2CID 205500033.
  12. ^ a b Maye, Jessica; Werker, Janet F; Gerken, LouAnn (2002). "Infant sensitivity to distributional information can affect phonetic discrimination". Cognition. 82 (3): B101–B111. doi:10.1016/S0010-0277(01)00157-3. PMID 11747867. S2CID 319422.
  13. ^ Maye, Jessica; Weiss, Daniel J.; Aslin, Richard N. (2008). "Statistical phonetic learning in infants: facilitation and feature generalization". Developmental Science. 11 (1): 122–134. doi:10.1111/j.1467-7687.2007.00653.x. PMID 18171374.
  14. ^ a b c Kuhl, Patricia K. (1991). "Human adults and human infants show a "perceptual magnet effect" for the prototypes of speech categories, monkeys do not". Perception & Psychophysics. 50 (2): 93–107. doi:10.3758/BF03212211. PMID 1945741.
  15. ^ Kuhl, P. K. (2000). "A new view of language acquisition". Proceedings of the National Academy of Sciences. 97 (22): 11850–11857. Bibcode:2000PNAS...9711850K. doi:10.1073/pnas.97.22.11850. PMC 34178. PMID 11050219.
  16. ^ a b Kuhl, P.; Williams, K.; Lacerda, F; Stevens, K.; Lindblom, B (1992). "Linguistic experience alters phonetic perception in infants by 6 months of age". Science. 255 (5044): 606–608. Bibcode:1992Sci...255..606K. doi:10.1126/science.1736364. PMID 1736364. S2CID 45721427.
  17. ^ a b Seidenberg, M. S. (1997). "Language Acquisition and Use: Learning and Applying Probabilistic Constraints". Science. 275 (5306): 1599–1603. doi:10.1126/science.275.5306.1599. PMID 9054348. S2CID 18564256.
  18. ^ Cartwright, Timothy A.; Brent, Michael R. (1997). "Syntactic categorization in early language acquisition: formalizing the role of distributional analysis". Cognition. 63 (2): 121–170. doi:10.1016/S0010-0277(96)00793-7. PMID 9233082. S2CID 43304896.
  19. ^ Redington, M (1998). "Distributional information: A powerful cue for acquiring syntactic categories". Cognitive Science. 22 (4): 425–469. doi:10.1016/S0364-0213(99)80046-9.
  20. ^ a b Gomez, Rebecca L; Gerken, LouAnn (1999). "Artificial grammar learning by 1-year-olds leads to specific and abstract knowledge". Cognition. 70 (2): 109–135. doi:10.1016/S0010-0277(99)00003-7. PMID 10349760. S2CID 7447597.
  21. ^ Hirsh-Pasek, Kathy; Kemler Nelson, Deborah G.; Jusczyk, Peter W.; Cassidy, Kimberly Wright; Druss, Benjamin; Kennedy, Lori (1987). "Clauses are perceptual units for young infants". Cognition. 26 (3): 269–286. doi:10.1016/S0010-0277(87)80002-1. ISSN 0010-0277. PMID 3677573. S2CID 31433274.
  22. ^ Saffran, Jenny R. (2001b). "The Use of Predictive Dependencies in Language Learning". Journal of Memory and Language. 44 (4): 493–515. doi:10.1006/jmla.2000.2759.
  23. ^ Schneider, Harry D.; Hopp, Jenna P. (2011). "The use of the Bilingual Aphasia Test for assessment and transcranial direct current stimulation to modulate language acquisition in minimally verbal children with autism". Clinical Linguistics & Phonetics. 25 (6–7): 640–654. doi:10.3109/02699206.2011.570852. PMID 21631313. S2CID 35308934.
  24. ^ a b Weiss, Daniel J.; Gerfen, Chip; Mitchel, Aaron D. (2009). "Speech Segmentation in a Simulated Bilingual Environment: A Challenge for Statistical Learning?". Language Learning and Development. 5 (1): 30–49. doi:10.1080/15475440802340101. PMC 3981102. PMID 24729760.
  25. ^ Franco, Ana; Cleeremans, Axel; Destrebecqz, Arnaud (2011). "Statistical Learning of Two Artificial Languages Presented Successively: How Conscious?". Frontiers in Psychology. 2: 229. doi:10.3389/fpsyg.2011.00229. PMC 3177082. PMID 21960981.
  26. ^ Yim, Dongsum; Rudoy, John (August 2012). "Implicit Statistical Learning and Language Skills in Bilingual Children". Journal of Speech, Language, and Hearing Research. 56 (1): 310–322. doi:10.1044/1092-4388(2012/11-0243). PMID 22896046.
  27. ^ Antovich, Dylan M.; Graf Estes, Katharine (January 2017). "Learning across languages: bilingual experience supports dual language statistical word segmentation". Developmental Science. 21 (2): e12548. doi:10.1111/desc.12548. PMC 6594691. PMID 28156032.
  28. ^ a b c Yu, C.; Smith, L. B. (2007). "Rapid Word Learning Under Uncertainty via Cross-Situational Statistics". Psychological Science. 18 (5): 414–420. doi:10.1111/j.1467-9280.2007.01915.x. PMID 17576281. S2CID 729528.
  29. ^ a b c Medina, T. N.; Snedeker, J.; Trueswell, J. C.; Gleitman, L. R. (2011). "How words can and cannot be learned by observation". Proceedings of the National Academy of Sciences. 108 (22): 9014–9019. Bibcode:2011PNAS..108.9014M. doi:10.1073/pnas.1105040108. PMC 3107260. PMID 21576483.
  30. ^ a b c Trueswell, John C.; Medina, Tamara Nicol; Hafri, Alon; Gleitman, Lila R. (2013). "Propose but verify: Fast mapping meets cross-situational word learning". Cognitive Psychology. 66 (1): 126–156. doi:10.1016/j.cogpsych.2012.10.001. PMC 3529979. PMID 23142693.
  31. ^ Kachergis, G. N.; Yu, C.; Shiffrin, R. M. (2012). "Cross-situational word learning is better modeled by associations than hypotheses". IEEE Conference on Development and Learning / EpiRob 2012: 1–6. doi:10.1109/DevLrn.2012.6400861. ISBN 978-1-4673-4965-9. S2CID 9317229.
  32. ^ Kuhl, P. K. (2003). "Foreign-language experience in infancy: Effects of short-term exposure and social interaction on phonetic learning". Proceedings of the National Academy of Sciences. 100 (15): 9096–9101. Bibcode:2003PNAS..100.9096K. doi:10.1073/pnas.1532872100. PMC 166444. PMID 12861072.
  33. ^ Turk-Browne, Nicholas B.; Jungé, Justin A.; Scholl, Brian J. (1 January 2005). "The Automaticity of Visual Statistical Learning". Journal of Experimental Psychology: General. 134 (4): 552–564. doi:10.1037/0096-3445.134.4.552. PMID 16316291.
  34. ^ Saffran, Jenny R; Johnson, Elizabeth K; Aslin, Richard N; Newport, Elissa L (1999). "Statistical learning of tone sequences by human infants and adults". Cognition. 70 (1): 27–52. doi:10.1016/S0010-0277(98)00075-4. PMID 10193055. S2CID 9931459.
  35. ^ Fiser, J.; Aslin, R. N. (2001). "Unsupervised Statistical Learning of Higher-Order Spatial Structures from Visual Scenes". Psychological Science. 12 (6): 499–504. doi:10.1111/1467-9280.00392. PMID 11760138. S2CID 2647150.
  36. ^ Fiser, József; Aslin, Richard N. (2002). "Statistical learning of higher-order temporal structure from visual shape sequences". Journal of Experimental Psychology: Learning, Memory, and Cognition. 28 (3): 458–467. doi:10.1037/0278-7393.28.3.458.
  37. ^ Newport, Elissa L.; Hauser, Marc D.; Spaepen, Geertrui; Aslin, Richard N. (2004). "Learning at a distance II. Statistical learning of non-adjacent dependencies in a non-human primate". Cognitive Psychology. 49 (2): 85–117. doi:10.1016/j.cogpsych.2003.12.002. PMID 15304368. S2CID 903539.
  38. ^ Toro, Juan M.; Trobalón, Josep B. (2005). "Statistical computations over a speech stream in a rodent". Perception & Psychophysics. 67 (5): 867–875. doi:10.3758/BF03193539. PMID 16334058.
  39. ^ Kirkham, Natasha Z; Slemmer, Jonathan A; Johnson, Scott P (2002). "Visual statistical learning in infancy: evidence for a domain general learning mechanism". Cognition. 83 (2): B35–B42. doi:10.1016/S0010-0277(02)00004-5. ISSN 0010-0277. PMID 11869728. S2CID 6203719.