类别归纳推理中包含谬误效应:典型性还是相似性的影响

通过比较归纳推理中具体结论和一般结论推理的论断力度,探讨了具体结论类别的典型性以及前提类别与结论类别之间的相似性对包含谬误效应的影响.结果显示:无论具体结论类别为典型类别成员还是不典型类别成员,在低相似条件下会出现包含谬误效应,在高相似条件下不会出现包含谬误效应,表明类别归纳推理的包含谬误效应并非源于类别的不典型性,而是受到了相似性因素的影响.

类别归纳推理的贝叶斯模型

贝叶斯模型为解释类别归纳推理的实验现象提供了一个统一的可计算框架。在该框架下,用不同的类别结构和随机过程表示不同的先验知识,并基于贝叶斯公式预测不同场景下的归纳力度。与其它模型相比,贝叶斯模型有较强的预测力度和更广的应用范围。文章总结了该模型的发展历史及现状,并首次系统阐述了其建模过程。未来研究可结合功能磁共振实验和计算语言学等方法,进一步拓展该模型的推理能力,提高其实际可用性。

类别归纳推理中的非对称性:模型与挑战

非对称性是类别归纳推理中一种重要的心理现象,即某些情况下交换前提类别与结论类别会导致显著不同的归纳力度。关于类别归纳推理非对称性的理论模型可分为两大类:基于相似性的模型和基于知识的模型。其中,基于相似性的模型包括相似覆盖模型、基于特征的模型和特征迁移模型;基于知识的模型包括假设评价模型、关联理论和贝叶斯模型。本文对这些模型进行了综述,并分别分析了其优缺点,进而对类别归纳推理非对称性的未来研究进行了展望。

类别归纳中具体与一般结论任务的ERP特征比较

研究采用事件相关电位技术(ERPs),比较了具体结论类别归纳推理(例如,前提条件:苹果X1,推论结论条件:梨子X1?,即梨子是否也具有属性X1)与一般结论类别归纳推理(例如,前提条件:苹果X1,推论结论条件:水果X1?,即水果是否也具有属性X1)的ERP特征差异.实验结果显示:与基线条件相比(例如,前提条件:苹果X1,推论结论条件:苹果X1?),具体和一般条件诱发了更大的P2,反映了具体与一般结论增加的汉字正字法的表征分析过程;同时具体和一般结论条件比基线条件诱发了更大的N2成分,反映了知觉匹配.另外,具体结论条件比一般结论条件诱发了更小的P3b成分,反映了具体结论条件比一般结论条件需要更多的工作记忆或有更低水平的推理预期满意程度.最后,具体结论条件比一般结论条件诱发了更大的N400成分,表明具体结论条件比一般结论条件需要更多的认知努力整合信息.这些发现表明,在类别归纳推理中,具体结论与一般结论条件在ERP特征上是存在差异的.