EFECTUL CUNOŞTIINŢELOR ANTERIOARE
ÎN ÎNVĂŢAREA SIMULTANĂ A DOUĂ SAU
TREI CATEGORII
cercetător
ştiinţific,
Institutul de Cercetări
Socio-Umane,
Cluj-Napoca, Romania
ABSTRACT. Scopul experimentului prezentat este investigarea influenţei
cunoştinţelor anterioare în învăţarea simultană a
două, respectiv a trei categorii. În viaţa de zi cu zi
învăţăm categorii conţinând atât trăsături pe
care le putem asocia cu entităţi învăţate anterior, cât
şi trăsături isolate. Subiecţii au învăţat
două, respectiv trei categorii, după care au avut sarcina de a
clasifica trăsăturile prezentate individual. Rezultatele
sugerează că subiecţii reuşesc să integreze
trăsăturile, chiar dacă numărul ridicat al categoriilor
conduce la diminuarea ritmului de învăţare.
Cuvinte cheie: învăţarea categoriilor, cunoştinţe
anterioare.
Categoriile constituie o
bază solidă pentru diferitele procesări cognitive. Utilizăm
categoriile în rezolvarea de probleme, în predicţii, inferenţe,
inducţie, etc. (Ross, 2000; Spalding & Ross, 2000; Murphy & Ross,
2000; Yamauchi & Markman, 2000a; Yamauchi & Markman, 2000b; Smith &
Minda, 2000; Kaplan & Murphy, 2000). Mai mult, pentru a ne îndeplini
eficient sarcinile trebuie să învăţăm categorii noi în
continuu (inclusiv noi categorizări ale entităţilor deja
cunoscute). Deşi, la prima lectură, termenul “categorii noi”
sugerează – greşit, de altfel – că în procesul
învăţării utilizăm numai informaţii complet noi, în
realitate ne bazăm în primul rând pe cunoştinţele noastre
anterioare. Prin cunoştinţe anterioare înţelegem
cunoştinţe privind categoriile învăţate anterior,
cunoştinţe generale şi cunoştinţe specifice unui
anumit domeniu (Murphy & Medin, 1985; Wattenmaker, 1999; Kaplan &
Murphy, 1999). Atunci când învăţăm categorii noi, ne
influenţează atât cunoştinţele generale şi specifice
despre categoriile similare ca structură şi conţinut, cât
şi exemplarele noilor categorii, observate în momentul
învăţării. Cunoştinţele anterioare, chiar şi
într-o cantitate minimă, ajută învăţarea – cel puţin
învăţarea unor trăsături legate în mod direct de acestea.
În general, cunoştinţele anterioare sunt legate doar de câteva
trăsături, facilitând învăţarea acestora, fără
însă a interfera cu învăţarea altor trăsături, numite
trăsături izolate. Utilizăm termenul trăsături
izolate (Kaplan & Murphy, 1999, 2000) pentru a desemna acele
trăsături care nu pot fi legate în mod direct de cunoştinţele
anterioare, şi astfel, sunt învăţate mecanic.
Există mai multe
forme prin care cunoştinţele anterioare şi informaţiile noi
pot interacţiona. Cunoştinţele anterioare pot fi activate prin
utilizarea explicită a etichetelor categoriilor, sau alte informaţii-reper.
Odată activate, cunoştinţele anterioare pot fi “copiate”,
transpuse în conceptul nou, sau pot servi atât la asocierea
trăsăturilor actuale cu trăsături învăţate
anterior, cât şi la integrarea trăsăturilor legate de
cunoştinţe respectiv cele izolate. În modelul integrării
categoriilor, Evan Heit (1994, 1998, 2000) prezintă o propunere
similară, dar referitoare la învăţarea cu observaţiile
curente, iar pe da altă parte cu exemplarele categoriilor
învăţate anterior. Însă, indiferent care exemplarelor.
Afirmaţia de bază a modelului este că atunci când o
persoană învaţă un exemplar nou, acest exemplar este comparat pe
de o parte ar fi unitatea de analiză (trăsături sau exemplare),
câteva probleme importante rămân nerezolvate în continuare. Cum anume
utilizează subiectul cunoştinţele sale anterioare pentru a
facilita învăţarea, cum poate care sunt cunoştinţele utile
şi când se dovedesc ele a fi utile, în ce direcţie îşi
exercită influenţa cunoştinţele anterioare?
Majoritatea categoriilor
întâlnite în situaţiile cotidiene compuse dintr-o mixtură de
trăsături legate de cunoştinţe precum şi
trăsături izolate. Este evident că atunci când avem acces la
cunoştinţe anterioare relevante, trăsăturile legate de le
vor fi învăţate eficient. În ceea ce priveşte
trăsăturile izolate, avem mai multe posibilităţi de a le
învăţa. Le putem asocia direct cu eticheta categoriei,
învăţându-le mecanic; le putem asocia cu trăsături legate
de cunoştinţe, găsind o explicaţie pentru această
legătură; sau, le putem asocia cu cunoştinţele anterioare
activate de context. Sumarizând rezultatele unor studii anterioare, Kaplan
& Murphy (2000) prezintă patru mecanisme prin care
cunoştinţele anterioare intervin în învăţarea categoriilor.
O posibilitate este că aceste cunoştinţe anterioare
activează structurile de cunoştinţe, atenţia fiind astfel
direcţionată către acestea, iar învăţarea
trăsăturilor izolate fiind inhibată (Murphy & Medin, 1985;
Wisniewski, 1995). Sau, cunoştinţele pot facilita învăţarea
trăsăturilor izolate, de vreme ce trăsăturile legate de
cunoştinţe sunt rapid învăţate la începutul efectuării
sarcinii. Folosirea acestora din urmă în efectuarea sarcinii de
categorizare permite alocarea resurselor de procesare pentru învăţarea
trăsăturilor izolate. O altă alternativă este că
subiecţii nu utilizează toate trăsăturile/dimensiunile în
efectuarea sarcinii de categorizare, mai degrabă, se bazează pe
câteva dintre ele. Datorită cunoştinţelor anterioare, ei pot
descoperi diferite explicaţii pentru a asocia trăsăturile cu
aceste cunoştinţe, ceea contribuie desigur la învăţarea
categorizării (Murphy & Allopenna, 1994). (Atenţie, nu este vorba
de învăţarea conţinutului categoriilor, ci a operaţiei de
categorizare a exemplarelor!) În acest caz, competiţia între
trăsături “se termină înainte de a începe”. O ultimă
posibilitate este ca subiecţii să încerce să stabilească
câteva asocieri între diferitele trăsături, o asociere nu
neapărat sistematică, deşi apariţia acelor trăsături
este arbitrară.
În majoritatea
experimentelor se cere subiecţilor învăţarea simultană a
numai două categorii. În acelaşi timp, subiecţii primesc (în
majoritatea cazurilor) exclusiv informaţii relevante din punct de vedere
al sarcinii. Totuşi, în situaţiile cotidiene trebuie să
învăţăm simultan mai mult de două categorii. Atunci când
învăţăm doar două categorii, sarcina noastră este
oarecum mai puţin dificilă din cauza numărului limitat şi
natura exclusivă a posibilităţilor. Subiecţii trebuie
să aleagă între două posibilităţi (“terţul este
exclus”), astfel încât clasificarea unei trăsături ca aparţinând
uneia dintre categorii nu implică în mod necesar că ea a fost
asociată irevocabil cu categoria corespunzătoare. Răspunsul
corect poate fi dat de asemenea prin învăţarea trăsăturilor
specifice doar uneia dintre categorii, decidând apoi că
trăsătura în cauză nu aparţine acestei categorii, deci
aparţine în mod obligatoriu celeilalte categorii. Introducerea celei de a
treia categorii face imposibilă utilizarea acestei strategii. Din
această cauză în experimentul de faţă s-a manipulat tocmai
numărul de categorii ce trebuie învăţate. În acest caz, desigur,
datorită numărului mai ridicat de trăsături utilizate
ritmul învăţării va descreşte, dar fără ca
eficienţa învăţării să fie afectată în alte
privinţe. Dacă în cazul învăţării a trei categorii,
cunoştinţele anterioare facilitează aceeaşi
măsură învăţarea trăsăturilor legate de ele ca
şi în cazul învăţării a două categorii, atunci
subiecţii vor învăţa la fel de eficient în ambele condiţii
datorită eliberării unei părţi a capacităţii de
prelucrare. Pe de altă parte, dacă trăsăturile “sunt în
competiţie”, învăţarea trăsăturilor legate de
cunoştinţe ar fi mai puţin eficientă în cazul a trei
categorii din cauza distribuţiei mai accentuate a resurselor
atenţionale spre numărul mai ridicat a trăsăturilor. În
acelaşi timp, acesta conduce la inhibiţia mai accentuată a
trăsăturilor izolate (ignorate), şi astfel şi la
scăderea eficienţei învăţării.
Metoda
Participanţi. Au participat 22 de
persoane, fiind incluşi la întâmplare în una din condiţiile de
învăţare (învăţarea simultană a două categorii –
învăţarea simultană a trei categorii).
Materiale şi design
experimental.
În experiment am folosit
două, respectiv trei categorii de romane (romane istorice şi de
dragoste, respectiv romane istorice, de dragoste şi poliţiste).
Structura factorială a categoriilor este prezentată în tabelul 1.
Fiecare categorie conţine 5 exemplare, li fiecare exemplar are 5
trăsături definite pe 5 dimensiuni. Dimensiunile folosite au fost
selectate anterior pe baza preferinţelor a cinci persoane (care nu au
participat la experimentul propriu-zis). Sarcina lor a fost de a selecta
dimensiunile pe baza cărora ar descrie o carte (indicând precis ordinea
importanţei lor). Astfel, cele mai frecvent selectate dimensiuni au fost
(1) conţinutul cărţii, (2) culoarea coperţii, (3) vârsta
medie a personajului principal, (4) mărimea (formatul) cărţii
şi (5) tipul de fonturi utilizate. Conţinutul cărţii se
referă la (a) tema principală, (b) titlul cărţii, (c)
logo-ul cărţii, (d) deznodământul, sau (e) un moment cheie all
acţiunii. Aceste dimensiuni au fost grupate ca dimensiuni tematice sau
legate de cunoştinţe (T1-T5 în tabelul 1) şi dimensiunile
trăsăturilor izolate (D1-D4 în tabelul 1).
|
|
Cărţi GAMON (categoria A) |
Cărţi MIRKO (categoria B) |
Cărţi LIKER (categoria C) |
||||||||||||||
|
Dimensiuni |
T |
D1 |
D2 |
D3 |
D4 |
T |
D1 |
D2 |
D3 |
D4 |
T |
D1 |
D2 |
D3 |
D4 |
||
|
Două categorii
învăţate |
Exemplare |
1 |
T1 |
1 |
1 |
1 |
1 |
|
T1 |
2 |
2 |
2 |
2 |
||||
|
2 |
T2 |
2 |
1 |
1 |
1 |
T2 |
1 |
2 |
2 |
2 |
|||||||
|
3 |
T3 |
1 |
2 |
1 |
1 |
T3 |
2 |
1 |
2 |
2 |
|||||||
|
4 |
T4 |
1 |
1 |
2 |
1 |
T4 |
2 |
2 |
1 |
2 |
|||||||
|
5 |
T5 |
1 |
1 |
1 |
2 |
T5 |
2 |
2 |
2 |
1 |
|||||||
|
Trei categorii
învăţate |
Exemplare |
1 |
T1 |
1 |
1 |
1 |
1 |
T1 |
2 |
2 |
2 |
2 |
T1 |
3 |
3 |
3 |
3 |
|
2 |
T2 |
2 |
1 |
1 |
1 |
T2 |
3 |
2 |
2 |
2 |
T2 |
1 |
3 |
3 |
3 |
||
|
3 |
T3 |
1 |
3 |
1 |
1 |
T3 |
2 |
1 |
2 |
2 |
T3 |
3 |
2 |
3 |
3 |
||
|
4 |
T4 |
1 |
1 |
2 |
1 |
T4 |
2 |
2 |
3 |
2 |
T4 |
3 |
3 |
1 |
3 |
||
|
5 |
T5 |
1 |
1 |
1 |
3 |
T5 |
2 |
2 |
2 |
1 |
T5 |
3 |
3 |
3 |
2 |
||
Table 1. Structura
factorială a categoriilor utilizate.
Fiecare exemplar (1-5) are o
trăsătură legată de cunoştinţe (tematică,
T1-T5)
şi patru trăsături izolate
(D1-D4).
Am considerat că
dimensiunea cea mai corespunzătoare pentru dimensiunea tematică este conţinutul
cărţii datorită legăturii sale evidente cu
cunoştinţele anterioare. Trăsăturile definite pe celelalte
patru dimensiuni nu sunt specifice nici unui gen de carte, deci acestea trebuie
învăţate într-adevăr “mecanic”, eventual prin asociere
forţată cu trăsăturile tematice. În cazul dimensiunii tematice
am conceput separat diferite trăsături tematice pentru fiecare
exemplar a categoriei. Trăsăturile izolate au fost identice pentru
fiecare exemplar, dar au fost amestecate între ele, după cum reiese
şi din tabelul 1. Singura excepţie o constituie primul exemplar din
fiecare categorie, acesta având toate categoriei corespunzătoare. Acest
exemplar a constituit prototipul respectivei categorii. Lista completă a
trăsăturile utilizate este prezentat în Anexă.
Procedură. Subiecţii din grupa
două-categorii au învăţat două categorii (romane istorice
şi romane de dragoste), în timp ce subiecţii din grupa trei-categorii
au învăţat toate cele trei categorii. Categoriile au primit
următoarele denumiri: romane istorice – Gamon, romane poliţiste –
Mirko, romane de dragoste – Liker. Experimentul a decurs în două faze: faza de învăţare şi faza de clasificare a
trăsăturilor.
În faza de
învăţare, stimuli au fost prezentaţi pe calculator. fiecare
prezentare a constat din descrierea unui exemplar din cele două, respectiv
trei categorii. Numele categoriilor au fost prezentate sub fiecare exemplar.
Prezentarea celor 10, respectiv 15 exemplare a constituit un bloc de învăţare. Atât ordinea
exemplarelor în blocurile de învăţare, cât şi ordinea
trăsăturilor în descrierea exemplarelor a fost randomizat. Astfel
fiecare prezentare al unui exemplar a fost “unică” pentru a se preveni
utilizarea ordinii dimensiunilor ca reper în învăţarea categoriilor.
Fiecare exemplar a fost
prezentat 10 secunde. Între fiecare prezentare s-a inclus o pauză de 3
secunde. Astfel, participanţii au avut 10 secunde pentru a decide
cărei categorii aparţine itemul prezentat. Subiecţii au indicat
răspunsul lor pe cale verbală şi în funcţie de
răspunsuri au primit imediat feed-back (correct sau incorect)
din partea conducătorului experimentului. Feed-back-ul s-a dat în pauza de
3 secunde, deci după ce exemplarul prezentat anterior a dispărut de
pe ecran. Faza de învăţare a continuat până când
participanţii au clasificat corect toate exemplarele unui bloc de învăţare.
În faza de clasificare a
trăsăturilor, am prezentat o singură trăsătură
din cele învăţate anterior. Subiecţii au avut sarcina de a
decide în care categorie a apărut cel mai frecvent această
trăsătură. Participanţii au fost atenţionaţi
că este important să răspundă corect şi într-un timp
cât mai scurt. Ei au răspuns apăsând pe tastele “dreapta” sau
“stânga”, taste care indicau categoria corespunzătoare scrisă
deasupra. Au fost două blocuri de prezentare individuală a
trăsăturilor. Fiecare bloc de prezentare cuprindea toate cele 18,
respectiv 27 de trăsături. Ordinea trăsăturilor a fost
aleatoare. S-a înregistrat numărul blocurilor de învăţare,
răspunsurile şi timpurile de reacţie.
Rezultate
Conform
aşteptărilor, subiecţii din grupa două-categorii au
învăţat categoriile semnificativ mai repede faţă de
subiecţii din grupa trei-categorii (M=2.3 blocuri, respectiv M=6.0
blocuri; t=4.52, p<0.0012). De fapt, 66% din subiecţii grupei
două-categorii au avut nevoie doar de 2 blocuri de învăţare.
Analizele preliminare au
indicat că
Preliminary analyses indicated that there were no significant differences
between reaction times (RTs) for correct single-feature classifications on the
corresponding dimensions due to the three different categories (Gamon, Mirko
vs. Liker). Thus, assuming that the categories were equivalents, we report
averaged reaction times for both knowledge-related and rote features. First,
reaction times were entered in a repeated measures analysis of variance (ANOVA)
with learning condition (two-category vs. three-category) as between-subjects
factor, and testing block (first trial vs. second trial) as a within-subjects
factor. There was an overall main effect of testing blocks showing
significantly shorter reaction times in the second testing trial
[F(1,20)=25.56, p<0.001]. Both groups completed their tasks significantly
faster on the second trial on both feature types (Table 2.). Some of the
effects were similar in both cases; however, we treated separately data from
the two testing blocks. For example, although there was no effect of learning
conditions over trials, when we treated features types separately, we found a
slight learning condition effect for the knowledge-related features
[F(1,20)=3.804, p<0.064]. In the second trial, subjects in the two-category
condition performed marginally better on classifying knowledge-related features
then those in the three-category condition (t=2.191, p<0.039). This
tendency, however, was not detectable in the first trial. No such effects were
found for the rote features.
|
Trăsături |
ÎNVĂŢARE |
|
|
Grupa 2-categorii |
Grupa 3-categorii |
|
|
Tematice (prima
prezentare) |
2,307 |
2,682 |
|
Tematice (a doua
prezentare) |
1,839 |
2,282 |
|
Izolate (prima
prezentare) |
3,005 |
3,206 |
|
Izolate (a doua
prezentare) |
2,610 |
2,674 |
Tabelul 2.
Timpuri de reacţie (milisecunde).
Another repeated measures analysis of variance with learning condition
(two-category vs. three-category) and feature type (knowledge-related vs. rote
features) indicated a significant main effect of feature type [for the first
trial: F(1,20)=9.913, p<0.005; for the second trial: F(1,20)=22.676,
p<0.001). No significant interaction between the two factors was found. In
both trials, subjects were significantly faster at classifying
knowledge-related features than they were at classifying rote features (see
Figure 1.). Nevertheless, in the first trial subjects in the two-category
condition were just moderately faster at classifying knowledge-related features
than they were at classifying rote features (t=2.065, p<0.063), while
subjects in the three category-condition were significantly faster completing
the same task (t=2.745, p<0.19).
Figura 1.
Timpuri de reacţie (milisecunde) pentru trăsături tematice
şi trăsături izolate
(timpuri de reacţie înregistrate în
primul bloc de prezentare).
As regards the
single-feature classifications error proportions, repeated measures analysis of
variance with learning condition (two-category vs. three-category) and feature
type (knowledge-related vs. rote features) showed a main effect for the feature
type [for the first trial: F(1,20)=9.697, p<0.011; for the second trial:
F(1,20)=11.305, p<0.007). In both trials subjects performed better on
classifying knowledge-related features than they performed on classifying rote
features (see Table 3.). No significant effects were found due to testing
trials or learning condition.
|
Trăsături |
ÎNVĂŢARE |
|
|
Grupa 2-categorii |
Grupa 3-categorii |
|
|
Tematice (prima
prezentare) |
0,03 |
0,04 |
|
Tematice (a doua
prezentare) |
0,07 |
0,01 |
|
Izolate (prima
prezentare) |
0,13 |
0,21 |
|
Izolate (a doua
prezentare) |
0,15 |
0,19 |
Tabelul 3.
Rata erorilor pentru cele două grupuri.
Discussion and
Conclusion
One major question
addressed here was whether the increased number of categories influences
category-learning performances. As predicted, subjects were largely influenced
by prior knowledge. Due to the knowledge-related features they gained an
advantage in learning even when they had to learn additional features. Not
surprisingly, however, learning speed was reduced in this case. It also seems
that the attentional focus hypotheses (Murphy & Medin, 1985) do not account
for our findings. In the three-category condition subjects performed equally
well at learning both knowledge-related features and rote features as their
colleagues in the two-category condition. If subjects had learned
knowledge-related features at the expense of the rote features, the increased
number of the former ones should have inhibited the learning of the rote
features more than it did in the two-category learning. Still there was no
evidence that subjects in the three-category condition learned less efficiently
the rote features than subjects did in the two-category condition. As regards
the knowledge-related features there was an exception, however; here we found
that subjects in the two-category condition performed marginally better in the
second trial of single-feature classification, but not in the first testing
trial. Yet, this does not necessarily contradict our explanation – on the
second testing trial subjects performed better because of overlearning of the
knowledge-related features. It is worth mentioning that repetition of rote
features did not lead to better performance compared to the three-category
condition.
One reason why both
knowledge-related features and rote features were equally well learned in the
three learning condition is that – although subjects had some extra features to
learn – they also had the more opportunities to learn them than subjects in
two-category condition. An alternative explanation suggested by studies of
Kaplan & Murphy (2000) may also account for our results. Knowledge-related
features triggered to the same extent prior knowledge in both learning
conditions. These knowledge structures obviously made easier learning features
related to them, which in turn allowed subjects to allocate more processing
capacity for learning rote features. On the other hand, in the two-category
condition the very limited number and exclusive nature of classification
alternatives allowed subjects to “keep away” from learning features of both
categories, since it was possible to make correct classifications learning
solely one set of features, and knowing that features which are not from this
(single) set have to belong to the other set. As we have suggested earlier,
this strategy does not necessary imply that both sets of features were
associated with the corresponding category. The use of this strategy is also
suggested by the fact that on the first testing trial subjects in the
two-category condition were only moderately faster at classifying
knowledge-related features than in the second trial. Introducing a third category
make the use of this strategy impossible. In the present experiment, the third
category may have compelled subjects to try to use more features as cues and
thus, they made more associations between knowledge-related features and rote
features (compared to the amount of such associations if they had relied only
on learning knowledge-related features). If this is the case, than
paradoxically the additional features did not impeded learning. Instead, it
forced subjects to integrate the two types of features, and to apply a more
elaborate learning strategy, which is presumably more similar to strategies we
use in everyday category learning.
The present experiment
cannot provide clear evidence for the use of such strategies; it merely
suggests that we use different strategies in order to deal with different
category learning conditions. The finding that prior knowledge aids learning of
knowledge-related features and, especially, learning of rote features even if
the number of categories is increased leads to further questions. Does either
the amount or complexity of the material to be learned differently influence
which knowledge structures and in what form will be used in learning? Further
investigation of such topics will provide perhaps ecologically more valid models
of category learning.
References
Heit, E. (1994). Models
of the effects of prior knowledge on category learning. Journal of
Experimental Psychology: Learning, Memory, and Cognition, 24, 712-731.
Heit, E. (1998). Influences of prior knowledge on selective weighting of
category members. Journal of Experimental Psychology: Learning, Memory, and
Cognition, 20, 712-731.
Heit, E., & Bott, L. (2000).
Knowledge selection in category learning. In D. L. Medin (Ed.), Psychology of
Learning and Motivation, (Vol. 39), 163-199. San Diego: Academic Press.
Kaplan, A.S., Murphy,
G.L. (1999). The acquisition of category structure in unsupervised learning.
Memory & Cognition, 27(4), 699-712.
Kaplan, A.S., Murphy,
G.L. (2000). Category learning with minimal prior knowledge. Journal of
Experimental Psychology: Learning, Memory, and Cognition, 26(4),829-846.
Murphy, G.L., Medin, D.L.
(1985). The role of theories in conceptual coherence. Psychological
Review, 92, 289-316.
Murphy, G.L., Allopenna, P.D. (1994). The
locus of knowledge effects in concept learning. Journal of Experimental
Psychology: Learning, Memory, and Cognition, 20, 904-919.
Murphy G.L., Ross, B.
(2000). Induction with cross-classified categories. Memory &
Cognition, 27(6), 1024-1041.
Ross, B. (2000). The
effects of category use on learned categories. Memory & Cognition,
28(1), 51-63.
Smith, J.D., Minda, J.P.
(2000). Thirty categorisation results in search of a model. Journal of
Experimental Psychology: Learning, Memory, and Cognition, 26(1),3-27.
Spalding, T., Ross, B.
(2000). Concept learning and feature interpretation. Memory &
Cognition, 28(3), 439-451.
Wattenmaker, W. D.
(1999). The influence of prior knowledge in intentional versus incidental
concept learning. Memory & Cognition, 27(4), 685-698.
Wisniewski, E.J. (1995).
Prior knowledge and functionally relevant features in concept learning. Journal
of Experimental Psychology: Learning, Memory, and Cognition, 21, 449-468.
Yamauchi, T., Markman,
A.B. (2000a). Learning categories composed of varying instances: The effect
of classification, inference and structural alignment. Memory &
Cognition, 28(1), 64-78.
Yamauchi, T., Markman,
A.B. (2000b). Inference using categories. Journal of Experimental
Psychology: Learning, Memory, and Cognition, 26(3),776-795.
Appendix
Trăsăturile celor trei categorii utilizate în experiment.
(Stimulii au fost prezentaţi în limba maghiară.)
Romane istorice
Trăsături
tematice (dimensiuni tematice):
T1: logo-ul
cărţii este un cavaler cu armură
T2: titlul
cărţii este: Cavalerul negru
T3: personajul principal
merge la război
T4: la sfârşit
personajul principal moare într-o bătălie
T5: este vorba de o
întâmplare veche
Trăsături
izolate (dimensiunile 1-4):
D1: coperta este de
culoare maro
D2: personajul principla
are în jur de 45 de ani
D3: este de măriemea
unei coli
D4: este redactat cu
caractere normale
Romane
poliţiste
Trăsături
tematice (dimensiuni tematice):
T1: logo-ul
cărţii este un revolver
T2: titlul
cărţii este: Crimă din răzbunare
T3: personajul principal
îi interoghează pe ceilalţi
T4: la sfârşit
personajul principal află totul
T5: este vorba de
rezolvarea unui mister
Trăsături
izolate (dimensiunile 1-4):
D1: coperta este de
culoare verde
D2: personajul principla
are în jur de 40 de ani
D3: este de măriemea
unui plic
D4: este redactat cu
caractere Italice
Romane de
dragoste
Trăsături
tematice (dimensiuni tematice):
T1: logo-ul
cărţii este o inimă
T2: titlul
cărţii este: Love story
T3: personajul principal
face curte unei chelneriţe
T4: la sfârşit
personajul principal se mărită
T5: este vorba de
relaţia dintre doi oameni
Trăsături
izolate (dimensiunile 1-4):
D1: coperta este de
culoare albastră
D2: personajul principla
are în jur de 35 de ani
D3: este de măriemea
unui caieţel
D4: este redactat cu
caractere Bold