Computational Cognitive models of Categorization: Predictions under Conditions of Classification Uncertainty

• Autores: Nicolás Marchant, Sergio E. Chaigneau
• Localización: Psykhe, ISSN 0718-2228, Vol. 31, Nº. Extra 1, 2022 (Ejemplar dedicado a: Basic Experimental Psychology in Chile: A richly diverse field)
• Idioma: inglés
• Títulos paralelos:
  • Modelos Cognitivos Computacionales de Categorización: Predicciones bajo Condiciones de Clasificación Incierta
• Enlaces
  • Texto completo
• Resumen
  • español

    Los modelos basados en similitud han dominado la literatura de aprendizaje de categorías. El modelo de prototipos y el de ejemplares se basan en la idea de que las personas representan los objetos en el mundo real en un espacio de similitud subjetiva. Sin embargo, la evidencia a favor de estos modelos viene predominantemente de paradigmas que usanretroalimentación determinista (i.e., los ejemplares pertenecen a sus categorías correspondientes con una probabilidad igual a 1). Hay evidencia de que los resultados obtenidos con retroalimentación determinista podrían no generalizarse bajo condiciones de retroalimentación probabilista (i.e., cuando los ejemplares pertenecen a sus respectivas categorías con probabilidad menor a 1). En el presente trabajo, también sugerimos que la retroalimentación probabilística podría reflejar mejor las condiciones naturales, lo que es otra buena razón para desarrollar investigación con retroalimentación probabilística. En consecuencia, en el presente trabajo implementamos un experimento de aprendizaje de categorías con retroalimentación probabilística y lo usamos para evaluar distintos modelos. Además de los dos modelos de similitud discutidos más arriba, usamos también un modelo asociacionista que no depende del constructo de similitud. Para comparar nuestros modelos, usamos modelamiento computacional, que es un modo estándar para comparar modelos en psicología cognitiva. Nuestros resultados muestran que el modelo asociacionista supera a los modelos basados en similitud en todas las medidas de evaluación. Luego de presentar nuestros resultados, discutimos por qué fallan los modelos de similitud y también sugerimos líneas futuras de investigación que son posibles al usar procedimientos con retroalimentación probabilista.

  • English

    In the category learning literature, similarity models have monopolized a good deal of research. The prototype and exemplar models are both based on the idea that people represent the structure of categories and category instances in the physical world in a mental similarity space. However, evidence for these models comes mainly from paradigms that provide subjects with deterministic feedback (i.e., exemplars belong to their corresponding categories with probability = 1). There is evidence that results obtained with deterministic feedback paradigms may not generalize well under probabilistic feedback conditions (i.e., where exemplars belong to their corresponding categories with probability less than 1). In thiscurrent work,we also suggest that probabilistic feedback may better reflect natural conditions, which is another important reason to pursue probabilistic feedback research. Thus, in the current work we set up a category learning experiment with probabilistic feedback and use it to evaluate different models. In addition to the two similarity models discussed above, we also use an associationist model that does not rely on the similarity construct. To compare our three models, we rely on computational modeling, which is a standard way of model comparison in cognitive psychology. Our results show that our associationist model outperforms similarity models on all our model evaluation measures. After presenting our results, we discuss why the similarity-basedmodels fail, and also suggest some future lines of research thatare possible using probabilistic feedback procedures.