Диссертация (1147682), страница 20
Текст из файла (страница 20)
Не было обнаружено статистически значимого влияния критерия наэффективность генерации в обоих условиях генерации. Единственным значимымэффектом было трёхфакторное взаимодействие: С, Условие генерации и Группа, B= 1,17, t(152) = 2,29, p = 0,024. Оно говорит о большей разнице во взаимосвязимежду критерием и генерацией во включающей и исключающей генерациии в ЭГ1 по сравнению с контрольной группой. Этот паттерн результатов представлен нарисунке 11.
В исключающей генерации корреляция между критерием и генерациейбыла r = 0,09, p = 0,668 в КГ, r = –0,10, p = 0,559 в ЭГ-2 и r = –0,28, p = 0,185 в ЭГ1. Во включающей генерации коэффициенты корреляции были r = –0,07p = 0,739 вКГ, r = –0,19, p = 0,272 в ЭГ-2 и r = 0,61, p = 0,002 в ЭГ-1. Таким образом былполучен обратный знак взаимосвязи между С и объёмом неконтролируемого иконтролируемого знания, что согласуется с нашей гипотезой. Однако, это было тактолько для ЭГ-1.111Рисунок 11. Линии регрессии с 95% доверительными интервалами для предсказания генерациипо критерию в трёх группах.
Верхняя часть демонстрирует связь между критерием и объёмомнеконтролируемого знания (генерация в исключающем тесте). Нижняя часть демонстрируетсвязь между критерием и объёмом контролируемого знания (генерация во включающейгенерации).Детерминанты классификационных сужденийМы проанализировали, какие характеристики стимулов сильнее всего влиялина суждения испытуемых о классификации строк как грамматических.
Кромепростой оценки грамматичности, были выбраны три статистики, отражающиеструктурную частотную схожесть между тестовыми и обучающими строками. Этоассоциативная сила чанка (АСЧ): глобальная — посчитанная по всем чанкамстроки, и краевая — посчитанная по четырём крайним чанкам (первым двум ипоследним двум), а также ПАСЧ, описанная выше.Была использована логистическая регрессия с мерами структурного сходстваи группой в качестве предикторов и классификационным суждением в качествебинарной зависимой переменной. Полное описание результатов моделирования112представлено в приложении И.
Здесь приведём основные результаты. Модельпоказывает, что испытуемые всех групп опирались на частотность буквосочетаний,которые встречались в начале и конце стимулов. То есть чем больше конечные иначальные буквосочетания тестовых стимулов были похожи на конечные иначальные буквосочетания стимулов из обучающей серии, тем с большейвероятностью испытуемые классифицировали строчку как грамматическую. В тоже время испытуемые всех групп опирались на дополнительные источникиинформации, не исчерпывающиеся частотностью встреченных буквосочетаний, ипредположительно относящиеся к самой грамматической структуре стимулов. Приэтом испытуемые ЭГ-1 опирались на эти дополнительные источники информациив большей мере, чем испытуемые КГ.
Таким образом, было установлено, чтоиспытуемыеЭГ-1классификациисформулировалистрок.Можнокакие-топредположить,вербализованные гипотезы о структуре грамматики.дополнительныечтоэтобылипринципынекоторыеРазные атрибуции в ЭГ-1Количество разных атрибуций в ЭГ-1 представлено в таблице 6.Таблица 6. Характеристики проб, отнесённых к разным основаниям принятия решенийв ЭГ-1.КолТочность классификацииПроцент ответовво«Да, строчка грамматическая»Наугад5158,8 (6,9)47,1 (7,1)Интуиция21571,2 (3,1)35,3 (3,3)Знание правил17377,4 (3,2)27,2 (3,4)Припоминание52171,9 (1,9)56,6 (2,2)Мы ожидали, что критерий будет связан с тем, какая атрибуция используетсячеловеком, так как и атрибуции, и критерий предположительно являютсяиндикатором уровня сознательного контроля, который в свою очередь связан с113используемой стратегией обработки информации.
Мы предположили, чтоиспытуемые будут классифицировать строки как грамматические чаще, когда онивыбирают атрибуции, скорее относящиеся к имплицитному знанию (ответ наугади интуиция), чем к эксплицитным (правила и припоминание). Была использованалогистическая регрессия со смешанными эффектами с классификационнымсуждением в качестве бинарной зависимой переменной и типом атрибуции вкачестве категориального предиктора. Для каждого испытуемого в модель былдобавлен случайный свободный член. Полное описание модели представлено вприложении К. Моделирование статистически подтвердило то, что видно изтаблицы 6: когда испытуемые атрибутировали свои ответы знанию правил, онидемонстрировали наиболее консервативный критерий принятия решения.
По-видимому, вербализованные испытуемыми правила характеризуют скореепринципы отвержения строчек (то есть описывают неграмматические строчки) —поэтому испытуемые реже всего говорят «Да», когда атрибутируют свои ответызнанию правил.Мы провели такой же анализ взаимосвязи между да-уровнем и выбираемымииспытуемыми атрибуциями, как и в эксперименте 1. Испытуемые с высоким дауровнем намного чаще использовали эксплицитные атрибуции, чем имплицитные.В отличие от предыдущего эксперимента эта разница была ниже у испытуемых снизким да-уровнем, χ2(1) = 8,7, p = 0,003 (см. рисунок 12). Однако в этомэксперименте испытуемые с высоким да-уровнем оказались также более точными:они классифицировали правильно в среднем 75,0% стимулов, испытуемые снизким да-уровнем — 69,2% стимулов.
Однако, это различие значимо только науровне статистической тенденции, t(22) = -1,7, p = 0,098.114Рисунок 12. Количество атрибуций разных типов у испытуемых с высоким и низким да-уровнем.Сравнение атрибуций, использованных испытуемыми в эксперименте 1 и 2ЧастотаиспользованияразныхатрибуцийиспытуемымиЭГ-1эксперименте 2, и испытуемыми ЭГ в эксперименте 1 представлена на рис. 13.в115Рисунок 13. Частота (доля) использования разных атрибуций (а) и типов атрибуций (б)испытуемыми ЭГ-1 в эксперименте 2, и испытуемыми ЭГ в эксперименте 1.На рисунке 13б видно, что испытуемые чаще используют опору наосознаваемые переживания при принятии решения. Тест хи-квадрат показывает,что распределение имплицитных и эксплицитных атрибуций в эксперименте 3статистически значимо отличается от распределения атрибуций в эксперименте 2,χ2(1) = 13,11, p < 0,001.
Иными словами, использование более простой грамматикиспособствовало тому, что испытуемые смогли обосновывать большее количествоответов, опираясь на эксплицитные знания.Разные оценки уверенности (ставки) в ЭГ-2Разница в использовании рейтингов на шкалах уверенности представлена втаблице 7 и на рисунке 14. Две шкалы значимо различались по распределениюрейтингов, χ2(3) = 228.51, p < 0.001. Испытуемые в подгруппе «уверенность» редкоиспользовали самый низкий рейтинг, а испытуемые подгруппы «ставки» избегалиделать самую высокую ставку.116Таблица 7. Распределение и точность разных рейтингов по шкалам уверенности и ставок.В скобках приведены стандартные ошибки среднего.ГруппаРейтинг/ставкаЧисло наблюденийПроцентправильных ответов1«Уверенность»67,7 (8,5)33063,3 (2,7)21524167310«Ставки»312030402062251816855,9 (4,0)77,8 (3,2)65,5 (3,3)68,0 (3,1)69,0 (3,4)85,3 (4,3)Рисунок 14.
Распределение оценок уверенности и ставок в ЭГ-2На рис. 14 видно, что распределения ответов Да и Нет по разным оценкамуверенности и ставкам похожи. Выделяются самая низкая оценка уверенности(испытуемые имеют тенденцию отвечать «Нет») и самая высокая ставка(испытуемые чаще отвечают «Да»). Логистическая регрессия, в которой в качествезависимой переменной выступает ответ (Да/Нет), а в качестве независимых —группа и оценка уверенности (ставка), подтвердила это наблюдение: при самойнизкой оценке уверенности (и самой низкой ставке) ответы «Нет» давались117значимо чаще, чем при других оценках (p = 0,012). Модель также показала, что присамой высокой ставке ответы «Да» даются на уровне статистической тенденциичаще, чем ответы «Нет» (p = 0,063).
Полное описание модели приведено вприложении Л. Модель не показала значимых различий в соотношении ответов Даи Нет при разных метакогнитивных оценках в двух группах.Так как испытуемые давали субъективные оценки своей эффективности, мыможем исследовать взаимосвязь этих оценок с поведением. Была построеналогистическая регрессия с ответом (правильный / неправильный) в качествезависимой переменной, рейтингом (1 — 4 для обеих шкал) и подгруппой(уверенность / ставки) в качестве независимых переменных.
Свободный член иугловой коэффициент для каждого испытуемого были добавлены в модель вкачестве случайных эффектов. В качестве базового уровня в модели использовалсярейтинг 1 (самая низкая степень уверенности / самая низкая ставка),соответственно, все эффекты отсчитывались от него.Свободный член (пробы с самой низкой ставкой) для подгруппы«уверенность» оказался статистически не отличим от случайного уровня (B = -0,16,z = -0,66, p = 0,513), то есть, оценивая свою уверенность в ответах очень низко,испытуемые в действительности отвечали случайно.
При этом связь рейтинга иточности оказалась статистически значимой (B = 0,44, z = 3,75, p < 0,001), то естьпри повышении степени уверенности, точность в ответах росла. Взаимодействие сфактором подгруппы говорит об отличии от указанных тенденций в подгруппе«ставки». Было обнаружено значимое взаимодействие по свободному члену (z =2,43, p = 0,015), что говорит о том, что, делая самую низкую ставку, испытуемыевсё равно отвечали правильно чаще случайного. Взаимодействие коэффициентарейтинга с подгруппой оказалось не значимым. То есть при повышении ставокточность ответов испытуемых тоже росла.Эффектвзаимосвязирейтингауверенностииточностиотражаетметакогнитивную чувствительность — способность к мониторингу своих118когнитивных процессов.
Обе группы продемонстрировали метакогнитивнуючувствительность: точность ответов испытуемых тем выше, чем выше оценкауверенности (ставка) в данных ответах. Используемая регрессионная модельпозволяет оценить, насколько обнаруженная закономерность проявляется укаждого отдельного испытуемого, то есть проанализировать индивидуальнуюметакогнитивнуючувствительностьиспытуемых.Метакогнитивнаячувствительность испытуемых, измеренная таким образом, варьировалась от-0,49 до 0,43 со средним в -0,01 (значение близко к нулю, так как индивидуальнаяметакогнитивная чувствительность отражает отклонение от основного эффекта).Корреляция между метакогнитивной чувствительностью и критерием составила r= 0,2, t(32) = 1,13, p = 0,26.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
