Apprendimento statistico visivo

Fonte: Laboratorio di Jonathan Flombaum—Johns Hopkins University

L'ambiente visivo contiene enormi quantità di informazioni che coinvolgono le relazioni tra oggetti nello spazio e nel tempo; alcuni oggetti hanno maggiori probabilità di apparire in prossimità di altri oggetti. L'apprendimento di queste regolarità può supportare una vasta gamma di elaborazioni visive, incluso il riconoscimento degli oggetti. Non sorprende quindi che gli esseri umani sembrino imparare queste regolarità automaticamente, rapidamente e senza consapevolezza cosciente. Il nome di questo tipo di apprendimento implicito è apprendimento statistico visivo. In laboratorio, viene studiato con un paradigma di codifica incidentale: i partecipanti osservano un flusso di oggetti senza senso e completano un compito di copertura, un compito non correlato alla struttura statistica sottostante nel flusso. Ma la struttura statistica è presente, e dopo un breve periodo di esposizione – breve come 10 minuti in alcuni esperimenti – un test di familiarità rivela la portata dell'apprendimento da parte dei partecipanti.

Questo video dimostrerà i metodi standard per indurre e testare l'apprendimento statistico visivo.

1. Genera una serie di oggetti senza senso e disponili in una struttura tripletta.

1. Spesso l'apprendimento statistico visivo viene studiato con oggetti semplici come il set qui sotto. Generare un insieme di oggetti e quindi raggrupparli in terzine (Figura 1).
   
   Figura 1. Stimoli campione raggruppati in terzine per l'apprendimento statistico visivo. Nel segmento di apprendimento di un esperimento, le terzine appariranno in ordine casuale, ma gli elementi all'interno di una tripletta appariranno sempre in ordine, con l'elemento a sinistra che apparirà per primo seguito successivamente dagli elementi alla sua destra.

2. Sequenziare l'esperimento.

1. Sequenzia l'esperimento con software come e-Prime o utilizzando una libreria di routine come Psychophysics Toolbox in MATLAB o PsycoPy per Python.
2. Gli oggetti senza senso vengono visualizzati al centro dello schermo, uno alla volta, per 250 ms ciascuno.
3. Istruire il programma a mostrare sempre i membri di una tripletta in sequenza e a scegliere quale tripletta mostrare successivamente in modo casuale, finendo con sequenze simili alla Figura 2.
   
   Figura 2. Sequenza di apprendimento di esempio per l'apprendimento statistico visivo. Le terzine appaiono in un ordine casuale tale che la probabilità di transizione per gli elementi in sequenze diverse è di circa 0,33, mentre la probabilità di transizione all'interno di una sequenza è 1.
4. Si noti che, poiché le terzine appaiono sempre in sequenza, la probabilità di transizione tra gli elementi di una tripletta è sempre 1. Ma poiché le transizioni tra triplette sono selezionate in modo casuale, le probabilità di transizione tra elementi non correlati sono considerevolmente più basse, di solito inventate per essere circa 0,33.
5. Infine, costruisci un'attività di copertura. Indicare al programma di eseguire il rendering di uno degli oggetti in ROSSO, anziché in grigio. Il programma lo farà circa 20 volte nel corso di un esperimento di 10 minuti, selezionando i momenti in modo casuale. Il compito del partecipante sarà quello di premere un tasto ogni volta che un oggetto viene mostrato in grigio, ma di trattenere una risposta ogni volta che è rosso. Questo li manterrà impegnati negli stimoli.

3. Test di familiarità

1. Scrivere un programma separato per il test di familiarità. In ogni prova del test, il programma seleziona casualmente una delle terzine effettive e genera casualmente una nuova tripletta dai costituenti delle terzine effettive. Queste terzine generate casualmente sono chiamate "lamine".
2. Vengono visualizzati fianco a fianco e il partecipante deve indicare quale è più familiare premendo un tasto.
3. L'esperimento dovrebbe includere circa 30 prove di test di familiarità.
4. Le istruzioni per il test di familiarità sono importanti. Devono includere qualcosa del genere: "Vorrei che tu facessi un altro compito prima che l'esperimento sia finito. Dovrebbero volerci solo cinque minuti. Probabilmente non l'hai notato, ma nella sequenza di forme che hai appena visto, alcune forme avevano maggiori probabilità di apparire dopo altre. Ora ti mostrerò due serie di forme dall'esperimento e devi solo premere il tasto 1 o il tasto 2 per farmi sapere quale raggruppamento ti sembra più familiare. Potresti non sentire di riconoscere neanche. In tutte le prove, voglio che tu vada con il tuo istinto e indovini se devi".

Poiché ogni test di familiarità include una tripletta e una lamina (una non tripletta generata casualmente), le prestazioni di probabilità complessive sono del 50%. Segna ogni prova in termini di se il partecipante ha scelto la tripletta o la lamina come più familiare, e la selezione delle terzine più della metà delle volte costituisce una dimostrazione dell'apprendimento statistico. Dopo aver testato 10-20 partecipanti, media insieme il tasso di scelta della tripletta familiare tra tutti i partecipanti. Un semplice grafico a barre è un buon modo per visualizzare l'effetto principale (Figura 3).

Figura 3. Tasso di apprendimento statistico misurato mediante identificazione tripletta in un test di familiarità. Il 50% è la prestazione casuale, uguale familiarità sia con le terzine che con i foil.

L'apprendimento statistico visivo è stato utilizzato come punto di partenza per indagare una varietà di problemi nell'apprendimento, nella percezione e nella memoria. Questi includono l'influenza e la necessità di attenzione per l'apprendimento, le aree cerebrali coinvolte nella memoria visiva implicita e nel riconoscimento degli oggetti, nonché le differenze e le somiglianze nell'apprendimento della struttura spaziale rispetto a quella temporale. Si pensa anche che l'apprendimento statistico visivo sia un esempio di una classe più ampia di meccanismi di apprendimento statistico, compresa la statistica uditiva, che si pensa supporti l'apprendimento precoce delle lingue nei neonati e nei bambini perché i suoni e le lettere in una lingua tendono ad apparire con relazioni statistiche altamente affidabili.