用眼动跟踪范式界定语言在婴儿对象分类中的作用

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。