[简答题]论述内隐学习的研究方法

参考答案: 内隐学习的研究方法，和内隐记忆的研究方法，在逻辑上是吻合的——通过两种任务来对应意识或无意识主导的过程，借由实验性分离考察内隐学习和外显学习的各自特征。主要的方法如下：
（1）人工语法范式是内隐学习最早和最重要的研究范式，是由雷伯（1967）首次提出的。它特点在于：以一套复杂的“语法”规则为核心，作为实验中被试通过内隐学习预期能够习得的知识；而被试是否发生内隐学习，是从分类操作任务的表现来衡量的。
在实验中，记忆组被试首先对限定状态语法生成的字符串进行记忆，然后得知这些字符串的顺序中存在着复杂规则，并要求他们对语法字符串和非语法字符串进行分类。在最初的研究中，雷伯发现被试记忆的字符串越多，对新字符串进行分类就越容易。同时，记忆组被试成绩高于规则发现组（即有意识学习条件）的被试，且记忆组的分类操作水平远远高于其外显言语报告反映的语法知识所能解释的范围，因而限定状态语法的学习是内隐的。人工语法的局限在于：通过语法图产生的字符串总是一次性呈现给被试，难以模拟那些顺序地发生在时间轴线
上，具有方向性的前后关系规则，如自然语言现象。
（2）序列学习范式，在实验中呈现先后顺序上具有规则的刺激模式，并考察被试是否发生对序列规则的内隐学习。序列学习范式的变式众多，其中有三项任务最具典型意义。
a．序列反应时任务，由尼森和比勒姆首创。实验中被试面对四个小灯，在灯亮起后尽快按键反应。灯亮起的顺序符合一定的序列规则。结果随着练习的增多，被试的反应时会逐渐下降；此时若将刺激的序列规则改变为随机序列，那么反应时就会大幅上升；而如果再次将刺激序列变为原先的序列规则，反应时就相应地回到原先较快的水平上。这说明被试的反应时下降是由于习得了序列结构规则使反应得以易化。
b．矩阵扫描任务，是由利维基等设计并提出的。在实验中，屏幕分为四个象限，要求被试检测目标数字在哪个象限出现。每7次试验为一组，每组中前6次试验里，屏幕上只出现目标数字；而在第7次试验中，有35个干扰项目伴随着目标数字一起出现，目标数字的位置包含一定的序列规则。此时的序列规则比序列反应时任务复杂，被试不太可能外显获得规则。但实验结果和序列反应时相近：被试的反应速度和正确率稳步而缓慢地提高；大量练习之后，如果改变前几次试验和第7次试验间的推断关系，正确率和反应速度就大幅下降。被试对推断规则知识的获得是矩阵扫描任务操作速度提高的原因，而这些知识无法在意识层面为被试所接近，因而对预测规则的学习是内隐的。
c．序列预测任务，库什那、克雷尔曼斯和雷伯首先将序列预测任务作为内隐学习的测量工具。他们的实验要求被试在观察了顺序呈现的5个项目后，预测第6个项目可能出现的位置。每个项目可能出现的位置有三个，第6个项目出现的位置可以由第2和第4个项目出现的位置推断出来。由于无关项目较多，并且需注意到项目间的特定关系才能准确进行预测，所以序列预测任务所使用的规则也属于复杂规则，不易外显获得。实验发现被试接受多次符合上述规则的预测试验后，预测的正确率越来越高；但是改变原有的规则后正确率又跌到随机水平，但是随着试验次数的增多，预测正确率也像阶段1中那样稳步上升；让被试在第6个项目位置随机的条件下进行972次预测试验，预测正确率却始终维持在随机水平。这说明被试对预测的重要性没有意识。可见，被试对序列结构的习得是内
隐的。
（3）复杂系统控制范式，最先由布罗德本特引入内隐学习领域。他要求被试对城市交通运输系统进行控制，通过改变两辆车之间的始发间隔时间和停车费来控制每辆车的乘车人数和空的车位数。整个交通运输系统基于两个公式。实验中被试的外显知识是由一系列选择题测得。结果发现，尽管被试操纵系统的能力在逐渐改善，但是被试回答选择题的能力却没有改善。所以，被试在进行此类复杂系统控制时，他们的知识获得是内隐的、无法用言语表达的。此后，拜瑞和布罗德本特和设计了两个类似的复杂系统控制任务：糖生产任务和人际交互任务，被试也表现出内隐学习。
（4）信号检测范式，它考虑的仍然是内隐学习测验中常用的分类操作任务，其操作在形式上类似于信号和噪音的辨别任务，只不过这种分辨在内容上是要把符合规则的刺激与不符合规则的刺激分开。传统的反应指标——正确率可以反映被试内隐学习的效果，但是信号检测论的引入提供了新的观察视角，将分辨力指标与反应倾向指标区分开，或许能为内隐学习效果的度量提供更有效的尺度。以往信号检测论常常用于再认实验，也在内隐记忆的研究中得到应用，现在将这种方法运用于内隐学习领域，有可能为内隐学习和内隐记忆提供一个交汇点。β受被试情绪、动机、意志、态度、利害得失等因素影响，β值的稳定性验证了内隐学习是一个不受诸如动机、意志等意识因素的干扰的学习过程，在内隐学习过程中，心理状态波动甚微，相当稳定。
综上，内隐学习不同的研究方法分别注重对不同规则、在不同情境下的内隐学习的研究。这些研究方法，基本上还是处于任务分离逻辑的阶段。而加工分离在内隐学习研究中的尝试，将是今后该领域研究方法发展的新方向之一。