--- schema_version: "library-reader-v1" source_type: "original_book" title: "认知 人行为背后的思维与智能" author: null edition: null publisher: null year: null isbn: "9787300273921" library_document_id: "dde4e586-1def-4457-8ec5-0287b0b0511d" source_sha256: "9ea7aabb884ad79ae97c4d79875bcad4ba5e980fe584b43696b6b5155aa6fa49" pdf_physical_page_count: 290 pdf_physical_page_index_base: 0 range_start: 50 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/dde4e586-1def-4457-8ec5-0287b0b0511d?start=50&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/dde4e586-1def-4457-8ec5-0287b0b0511d.md?start=50&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/dde4e586-1def-4457-8ec5-0287b0b0511d.md?start=40&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/dde4e586-1def-4457-8ec5-0287b0b0511d.md?start=60&limit=10" --- # 认知 人行为背后的思维与智能 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=50 | PRINTED_PAGE=39 人在识别一个对象时，也要利用记忆中保存的很多网络来进行多次检验。通过这样的辨别网络，人们可以认识许多东西。如果每次检验只是区别是和否两种情况，且有10层检验，那么就能分辨出1024个项目；如果有20层检验，就能分辨出约100万（220）个项目。如果每次检验用10毫秒，那么，只用200毫秒就可辨别出100万个项目。这种假设有很大的可能性，人在很短的时间内就能辨别许多事物，而每一次检验又都是无意识进行的，速度很快。在开始学习做一件事时，可能是有意识的辨别，如一个人刚学认字，或科学家初次分辨动植物时都是有意识的。但熟悉了之后，就可以自动化、无意识地进行分辨了。另外，每次检验不一定都是二分的。有时一次检验可以有许多分支，例如在辨别一个字的偏旁时，就可以检验它是“”字旁、“”(三点水)，还是“木”字旁。现在还没有足够的证据说明辨别网络是如何工作的。 第二章 人类认知系统的结构 39 ## PDF_PHYSICAL_PAGE_INDEX=51 | PRINTED_PAGE=40 我们可以把EPAM的辨别网络比作查字典的索引。当遇到一个字时，开始我们只知道它像什么，但不知它是什么。这时，我们就可以查索引，看这个字是什么偏旁，是“木”字旁、“”，还是“”字旁？第一次检验完了，再看看这个偏旁的另一边是什么。这样一层一层的检查就是多层次、多分支的检验方法。我们可以把字典前的偏旁索引比作人的再认记忆，字典中的主要部分比作要找的数据。如果我们有一个足够大的辨别网络，那么就可以分辨、认识很多东西。 现在的问题是，当人在学第一句话的时候，他的脑子里还没有这样一个网络，那么这个网络又是怎样产生的呢?例如，我们开始学习文字时，脑内已有一点网络，当看到“木”就要问：“这是不是木字?”如果木字边上还有东西，它就不是木，而是木字旁的别的字了，这时我们还要根据经验去检验，看“木”的右边是个“奇”字，还是个“可”字，然后就可以识别这个汉字是“椅”字，而不是“柯”字了（见图2-3)。我们就是这样一步步地学会分辨很多汉字的。人在认识汉字时总是根据已有的知识不断提出检验。这个检验是逐层进行的。在检验中来进行再认，这同时也就发展了辨别网络。把这个过程编成一个计算机程序，在技术上并不太难。这个程序就是EPAM程序。EPAM程序是人的再认记忆模型。 认知 40 ## PDF_PHYSICAL_PAGE_INDEX=52 | PRINTED_PAGE=41 EPAM程序的学习内容 EPAM程序的学习内容有两种： （1）根据上述内容编成一层层测验的程序，用它来辨别不同的项目。 (2) 建立联合对偶。 在计算机上进行这套网络的活动是需要时间的。我们可以计算出在每一层网络上所用的时间，以及建立一个联合对偶所用的时间。这个时间是8秒。计算机学习所用的时间与人所用 第二章 人类认知系统的结构 41 ## PDF_PHYSICAL_PAGE_INDEX=53 | PRINTED_PAGE=42 的时间基本上是一样的。 EPAM程序学习联合对偶时，如学习CEF-DAX，首先要认识那些最简单的字母符号，然后再学会把三个字母放在一起(CEF)作为一个刺激，再和DAX建立联系。这些字母不是一个熟悉的单元，即不是一个组块，因此学习CEF用3×8=24(秒)，学习DAX用24秒，然后CEF与DAX建立联系用8秒，共用8×7=56(秒)。如果我们把上述的无意义音节换成两个熟悉的单词CAT-DOG，这样就成了三个组块，只需24秒就学会了。让计算机学习无意义音节的联合对偶和学习有意义的字词联合，所花的时间与人所用的时间是类似的。 EPAM程序学习上述字词和无意义音节所用的时间比例也是1:3。如果刺激呈现很快，那么每次学的内容就少；如果刺激呈现很慢，学习的内容就多。因此在研究学习时，只记录学习的次数是不够的，呈现的时间也很重要。如果刺激呈现得太快，人就什么也学不会。同样情形，在刺激呈现太快时，EPAM程序也学不会。这是因为EPAM的每一步程序都没有足够的时间来进行活动了。可见，EPAM程序可以和人类的学习活动相类比。 EPAM能证实的现象 EPAM能证实五种现象： 认知 42 ## PDF_PHYSICAL_PAGE_INDEX=54 | PRINTED_PAGE=43 1. 加工时间。 加工一个组块所需的时间是8秒。 2. 意义性效应。 学习材料的意义影响学习所需的时间。将有意义的组块CAT-DOG联系起来所用的时间是将无意义音节CEF-DAX联系起来所用的时间的1/3。 3. 符号相似性的影响。 如果我们用XET和XEG作为两个组块建立联合对偶，由于它们的相似性比较大，EPAM网络需要增加一些测验才能进行辨别。在联合对偶实验中，两个刺激词之间和两个反应词之间都可以有相似性。若L代表低相似性，H代表高相似性，则有三种组合情况：L-L，L-H和H-L。人和计算机实验结果的比较如表2-3所示： 由此可以看出，当我们根据人的活动方式，编制程序输入计算机，让其模拟人的活动时，人和机器完成同样任务所需的时间是相近的。 4. 一次学习和多次学习。 行为主义与格式塔学说之间有一个争论，即行为主义主张人类的学习是经过多次尝试错误而学会的；格式塔学说则主张人类是一次就学会的。实际上人既可以一次学会，也可以多次学会。EPAM程序能够告诉人们，何种条件下要多次学习，何种条件下可以一次学会。这要依赖两种因素： 第二章 人类认知系统的结构 43 ## PDF_PHYSICAL_PAGE_INDEX=55 | PRINTED_PAGE=44 （1）学习材料的难度。 (2) 学习者的策略。 这方面的实验是用系列刺激进行的。例如，给被试呈现一个刺激系列C-F-A-G-H，然后要求被试在出现一个刺激时即预计下面要出现的是什么刺激。被试若能预计第二个字母，便继续呈现下一个。一般来说，被试很少一次就能学会。如果被试预计错了，便更换另外一个刺激系列，如C-F-W-G-H。人要学会一个组块，必须要8秒。若呈现给被试的刺激是一个熟悉的或有意义的组块，或者呈现时间多于8秒，那么被试一遍就能学会。EPAM程序能够预测出实验的结果。如果每个符号的呈现时间少于8秒，被试就不可能学会。如果刺激系列是3个字母的无意义音节，被试的学习时间就得24秒，否则就学不会。因此EPAM理论就提出刺激难度与学习时间成正比。难度大，花时间多；难度小，花时间少。 被试使用的策略是影响学习的第二个因素。如果总的呈现时间太短，被试就不可能学会任何一个字词。如果训练被试使用如下策略：并不平均分配注意，只注意学会字表中的一对字母，而不管其他的刺激，如只注意C-F-M-G-H中的F-M。这样，即使时间少，被试也能学会这对字母。照这种办法，被试就可以先注意学会这一对，再注意学会另一对。材料比较容易时是一次学会的，材料难度大时就是多次学会的。根据EPAM理论可以设计出不同的实验，以得知用什么刺激和多少呈现时间可以一次学会，在什么情况下则要多次学会。 认知 44 ## PDF_PHYSICAL_PAGE_INDEX=56 | PRINTED_PAGE=45 当我们对人类的复杂认识活动做实验时，应该注意到各种条件，例如，如何呈现刺激及呈现的速度，也应注意到被试使用的策略。认知心理学研究人在解决复杂问题时最好的策略是什么。 为了说明策略如何影响人的行为，下面可以再举一个例子：让被试做 $1 0 2 \times 9 8 = ?$ 的乘法题。一个被试可能会这样做： $$ \begin{array} { r } { { 1 0 2 } } \\ { { \times \underbrace { \phantom { - } 9 8 } } } \\ { { \phantom { - } \frac { 9 1 6 } { 9 9 9 6 } } } \end{array} $$ 如果我们知道被试做一位数乘法和一位数加法所需的时间，便可预计他解此题所需的时间。 另一个聪明的被试可能会这样来解题： $$ \begin{array} { r } { 1 0 2 \times 9 8 = ( 1 0 0 + 2 ) ( 1 0 0 - 2 ) } \\ { = 1 0 0 ^ { 2 } - 2 ^ { 2 } = 9 9 9 6 } \end{array} $$ 第二章人类认知系统的结构 45 ## PDF_PHYSICAL_PAGE_INDEX=57 | PRINTED_PAGE=46 这个被试使用了另外一种认知加工策略，他的计算速度就快得多。乘法这个例子说明被试使用的策略不同，加工方式不同，其效果也不同。 5. 系列位置效应。 多年前人们就注意到这样一个事实，即如果让被试学习12个无意义音节，最先学会的是第一个和最后一个音节。中间的音节学得慢，而且错误多。在回忆效果上是两端好，中间差。如把这一结果绘制成图，就是“U”形曲线（见图2-4曲线a)。 如果刺激是一系列的字母，如C-F-M-B-X。首尾的字母C、X似乎起着关键的作用，其他字母都向这两个字母联系。M向下联系，F向C联系，C是首端。我们发现，计算机的学习结果与人在实验室里学习的结果一样。我们认为这种现象是由于注意分配造成的，是被试在学习时把一个字母与首尾两端的字母联系的结果。我们可以改变策略，以防止出现这种现象。文献上有两个实验可以借鉴。 实验1：把中间的字母印成红色，将所有其他的字母都印成黑色。原来两头的字母是关键点，现在中间的红字便成为关键点了。结果就使原来的倒“U”形曲线变成中间低的双峰曲线了(见图2-4曲线b)。这种现象叫作莱斯托夫（Von Restorff)效应。 实验2:事先让某些被试把注意集中在刺激的前面部分； 认知 46 ## PDF_PHYSICAL_PAGE_INDEX=58 | PRINTED_PAGE=47 让另一些被试把注意集中在刺激的中间部分；又让一些被试注意刺激的后面部分。实验的总时间是固定的，只是让被试注意的部分不同。在这种情况下，被试所注意的部分错误就减少。这说明人使用不同的策略，就会出现不同的系列位置效应。 由上可见，计算机程序可以严格、确切地表现出人的心理活动，同时也可以数量化地预测人的行为表现。 系列加工与平行加工 视觉刺激作用于视网膜，再传入大脑，产生视觉。视觉刺激进入视网膜后其能量有个积累的过程，这个过程所积累的时间是100毫秒。视网膜上的信息量可以用比特来加以测量。我们可以把视网膜想象成一个平面，它是一个平行加工的机器，大量的信息可以在这里积累起来。信息从视网膜平行地进入皮层的第17、18区。信息到大脑皮层后会有很大的损失。大脑皮层的短时记忆是系列加工的。人有意识地控制自己的行为也是一种系列加工活动。这就产生了一个问题，人脑有上亿个神经元，如果在大脑里进行的主要是系列加工的话，那么，除了对信息进行加工的神经元以外，剩下的神经元起什么作用呢？答案是，大多数神经元虽然不处于活动状态，不是在处理信息，但它们却都保存着信息。 第二章 人类认知系统的结构 47 ## PDF_PHYSICAL_PAGE_INDEX=59 | PRINTED_PAGE=48 很多人对视觉的遗觉像感兴趣。一些人，特别是儿童，把一页书在他面前呈现很短的时间以后，他能够在头脑里逐字逐句地把这页书重新呈现出来。从遗觉像这种情况看来，似乎从视网膜到脑的加工是平行的。但是，EPAM理论认为人要8秒才能加工一个组块，是不是EPAM理论不能解释遗觉像的问题呢?哈伯（R.N.Haber）把遗觉像的刺激按组块进行计算，结果证明有遗觉像的人是很少的。在实验室里对那些所谓有遗觉像的儿童进行严格控制的实验，结果这些儿童表现不出遗觉像来，他们也只有一般的短时记忆的容量。事实上，同时把许多东西平行记住是不可能的。如果在实验室里证明人确实有遗觉像，那么用信息加工理论来解释就很困难。 声音传到耳朵里是平行加工的，耳朵可以同时加工各种频率、各种强度的声音。从耳朵进入回声箱（echobox）是短时记忆部分，短时记忆能保留3\~5秒。声音是由双耳听到的，双耳听觉是否也是平行加工的呢?第二次世界大战以后，英国的心理学家做了许多双耳听觉的实验，他们用一个仪器把不同的刺激分别作用于两只耳朵，使两耳同时听不同的声音信息。实验结果如下： 认知 48 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/dde4e586-1def-4457-8ec5-0287b0b0511d.md?start=60&limit=10)