论文部分内容阅读
在社会生活中,虽然不乏确定性现象,但大部分现象都是不确定的概率事件。在关系推理中,当我们面对确定性的自然现象时,往往会呈现出一种线性传递推理。但事物间的相互关系在很大概率上是不确定的,需要进行非线性传递推理,也是一种社会性环性传递推理。本研究使用非社会性和社会性关系结构材料,探究环/线性传递结构是否能够分离,以及环性传递结构是否存在概率学习优势。
研究一:使用非社会性埃弗隆骰子模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
研究二:使用社会性面孔模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构在模块4(51-200试次)达到匹配概率,比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
研究三:使用社会性家庭人物关系模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构在模块1(1-50试次)达到匹配概率,比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
在三组实验中,与研究一的非社会性网络相比,研究二和研究三的社会性网络的结构学习较快;与线性传递结构相比,环性传递结构出现了明显的概率学习优势。本文在概率学习的基础上,探究环/线性传递结构的分离,以及环性传递结构的概率学习优势,并且更加生态化地揭示了社会性和非社会性刺激在学习网络拓扑结构能力上的个体差异。
研究一:使用非社会性埃弗隆骰子模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
研究二:使用社会性面孔模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构在模块4(51-200试次)达到匹配概率,比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
研究三:使用社会性家庭人物关系模型,采用博弈游戏范式,探究环/线性传递结构分离。结果发现:环性传递结构和线性传递结构的准确率存在显著性差异,且环性传递结构在模块1(1-50试次)达到匹配概率,比线性传递结构学习得更快,表明在概率学习中,环/线性传递结构得到了分离,环性传递结构具有概率学习优势。
在三组实验中,与研究一的非社会性网络相比,研究二和研究三的社会性网络的结构学习较快;与线性传递结构相比,环性传递结构出现了明显的概率学习优势。本文在概率学习的基础上,探究环/线性传递结构的分离,以及环性传递结构的概率学习优势,并且更加生态化地揭示了社会性和非社会性刺激在学习网络拓扑结构能力上的个体差异。