经过一段较长时期的学习，这种网络在给出一个字素输入时99.9%地产生正确的义素模式。经学习后，移走词集单元中的任何一个单元，常常会引起几个不同单词的出错率的轻微升高，而不是完全失去一个单词。在别的分布式模型中也已观察到类似的结果(Wood1978)。在我们的模拟中，有些错误响应是相当有趣的。在对丢失一个词集单元的模型所做的10000次测试中，该模型未能恢复正确义素模式的例子有140个。其中有些是由失去的或额外的1或2个义素组成的，但是在出错情况中有83个恰好是某一别的单词的义素模式。这是义素单元之间相互协调作用的结果。如果来自词集单元的输人是噪声或不明因素，即与单元失去作用时的情况一样，那么清理的结果有可能定出一个相似的、但不正确的意义。
这一结果使人想起被称为严重诵读障碍的现象，它是成年人因为某种脑损伤而发生的。在出示一个单词并要求读出它时，受试者有时候会说一个意义非常近似的不同单词。这不正确的单词有时有着十分不同的发音和拼法。例如，当出示单词PEACH1时，受试者会说成APRICOT①。（有关后天诵读障碍的进一步的资料，见Coltheart，Patterson and Marshall 1980。)这类语义错误似乎是很奇怪的，因为看起来受试者在造成语义联系的错误时，肯定已经接触到了词条PEACH，可是如果他能够碰到这个词条，为什么不能说出它呢？（这些受试者也许知道并有能力说出他们读错的那些词。)采用分布式表述，我们就不必严格区分是否接触到一个单词了。在一个学习过单词PEACH的网络中，PEACH的字母表述将近似地使这些义素单元得到正确输入，所以义素层次上的相互作用恰好产生APRICOT的义素模式。另一个心理学上有趣的结果出现在网络破坏后又重新学习的时候。对每一个涉及词集单元的联结增加噪声，这个网络就会受到破坏。这样就使性能从99.3%正确降低到64.3%。[1]然后重新对这个网络进行训练，它就会出现十分快的重新学习过程，比它在性能是64.3%时原来的学习效率要快得多。几何学论据对这种快速恢复作出了预测，该论据表明，存在着有关一组联结强度的某种特殊的东西，这是通过向一组近似完备的联结强度增加噪声而生成的。最后得到的这组联结强度与表现出同样性能的其他组的联结强度有很大的不同。(进一步的讨论见第7章。）
11 分布式表述
[1] PEACH 意为桃子，APRICOT 意为杏子。——译者
293