人工語法學習中意識加工的漸進發展*

張潤來 劉電芝

(蘇州大學教育學院, 蘇州 215006)

1 前言

1.1 內隱學習中的意識性研究

自Reber (1967)在限定狀態人工語法學習的研究中發現內隱學習現象以來, 內隱學習已經成為認知科學研究的重要領域。在早期的研究中, 內隱學習因其與外顯學習在意識加工程度上的顯著差異而引起學術界的關注。Reber將它定義為一種無意識獲得刺激環境中復雜規則的過程, 在此過程中個體雖然無法意識到或無法說出控制行為的規則內容, 但任務績效卻表明個體習得了相關的規則知識。盡管其他學者基于不同的研究視角先后提出了多種定義(Berry & Dienes, 1993; Frensch, 1998), 但這些定義大多建立在這樣的共識之上, 即內隱學習涉及意識加工程度較低的認知過程, 并以此成為有別于主動學習的獨立的人類學習形態。郭秀艷(2003)指出, 內隱學習的特征包括：自動性, 即內隱學習發生于無意識的學習中, 在復雜任務中表現出相對于意識加工的優勢; 抽象性, 即內隱學習習得的是抽象的規則知識; 理解性, 指內隱學習所習得的知識可以部分地被意識提取, 但提取程度不如外顯學習; 抗干擾性, 指內隱學習不受年齡、智商、次級任務等生理、環境差異的影響, 與外顯加工相比具有較小的個體差異和總體變異。這四個特征不同程度上都可以歸結到無意識加工的參與, 無意識性是內隱學習研究的立身之本, 對學習活動中意識加工程度的探測是考察內隱學習機理的最重要的研究途徑。

學習科學致力于探討學習活動中的兩個核心問題：知識如何習得？知識如何表征？而緘默知識概念的提出(Polanyi, 1966)和內隱學習研究的興起使得人類學習的概念范圍大大擴展, 于是又提出了第三個問題：知識的習得與提取的意識加工程度如何。內隱學習早期的研究遵循意識的二分邏輯, 將意識與無意識成分截然對立, 致力于學習表現和主觀感受的分離, 追求無意識加工的實證依據。然而,意識現象的復雜性使得我們對無意識世界的探討充滿了不確定的因素。在已有的內隱學習研究中,在同一個實驗設計內施用不同的意識測量方法, 或是同一種意識測量方法施用于不同的實驗設計中,往往會出現不一致的甚至是矛盾的結果(Rünger &Frensch, 2010)。由于內隱學習是在缺乏意識性內省認知的情況下發生的, 它的存在一直受到學術界的質疑(Norman, Price, & Duff, 2006)。Seth (2008)指出,目前在認知領域采用的所有意識測量手段, 無論是主觀方法還是客觀方法, 都不可能是對意識的直接測量, 因為無法采用客觀方法來完全有效地直接測量作為主觀存在的意識現象。有學者(Dienes & Seth,2010; Clifford, Arabzadeh, & Harris, 2008)認為, 在無法保證效度的前提下, 任何聲稱探察到內隱效應的測量結果都是值得懷疑的。這種質疑表面上來看是出于對意識性測量方法的效度的質疑, 然而任何研究手段都受制于特定的理論假設, 測量方法的困境究其根本, 是因為對其所要施測的對象—意識的概念的界定的失當(Frensch & Rünger, 2003; Seth,Dienes, Cleeresmans, Overgaard, & Pessoa, 2008)。由于意識現象的復雜性, 傳統的內隱學習研究大多奉行意識與無意識的二分邏輯。因為二元意識定義屬于概念的功能性定義層面, 它便于可操作化的實驗設計和特異性功能的機制假設, 但缺乏統一有效的對實驗結果的解釋力, 由此可以認為二分邏輯不能真正反映內隱學習活動中意識加工系統的整體結構。Haider, Eichler和Lange (2011)認為, 當前的內隱學習研究同時走進了方法和理論的死胡同, 從以上分析可以看出, 缺乏高解釋力的意識概念界定才是根本問題所在。

1.2 內隱學習意識性研究的新取向—漸進意識

Chalmers (1995)指出, 高解釋力的意識概念界定不僅需要提供能夠兼容各種特異性功能機制(如對顏色視覺的神經反應機制)的整體結構的闡釋,還必須能夠解釋主觀的意識性體驗的產生機制(如為什么會有“我看到了紅色”這樣的體驗)。顯然, 意識的二分邏輯無法解決上述兩個問題, 而漸進意識(graded consciousness)的概念假設提供了一種可能的解決方案。內隱學習研究中的漸進意識理論借鑒了分布式表征理論和內隱記憶研究領域的成果。Norman (2010)指出, 內隱認知涉及一個漸進的意識加工過程, 意識性成分的貢獻隨著學習的推進而發生變化, 構成系列的意識中間體狀態, 而純粹的無意識和意識性加工很少出現。

1.2.1 分布式表征理論

Cleeremans和Jiménez (2002)從分布式表征的理論視角出發, 提出內隱學習中意識的漸進動態模型。他們基于聯結主義網絡模型, 認為學習過程中信息的處理是漸進的和連續的, 信息表征的形成經歷一個質量從弱到強的時間進程, 它們在強度、時間穩定性和可區別性三個維度上遞進變化, 只有高質量的表征才能被意識捕獲。在學習的開始階段,表征的形成是不穩定的, 主要通過調節分布式網絡內部單元間的聯結權重來嘗試形成特定的輸入輸出模式, 以匹配對應于當前環境刺激的淺表物理特征的知覺映像, 它無法進入意識層面, 對行為的影響是間接的, 不可能通過主觀內省來捕獲, 這個階段發生的是無意識的內隱學習。隨學習活動的推進,輸入輸出模式在多次練習后開始匹配學習情境的需求, 此時的表征逐漸轉變為分布式網絡內部單元間的激活模式, 反映的是環境刺激要素間的較深層次的關系, 其穩定性和抽象性不斷提高。經過優化的較高質量的表征開始進入意識層面, 意識可以通過操作處于它監控下的這些表征來影響行為, 可以認為此時發生了意識性的外顯學習。

分布式表征理論對內隱學習中各種與意識相關的功能機制具有較好的解釋效力。如針對測量方法的效度問題, 分布式表征理論認為, 由于學習進程中各個橫截面的表征質量有高低之分, 因而對意識探察方法的敏感度的要求各自不同。對于意識測量閾限不同的各種方法, 其測量結果必然出現量化差異甚至是質性分離。分布式表征理論從理論角度論述了意識漸變的本質, 指出學習進程中信息表征質量的不斷優化是意識漸變的根源。這種結構闡釋具有較高的整體性特征。

1.2.2 邊緣意識(Fringe consciousness)假說

邊緣意識概念最早由James (1890)提出,Mangan (1993, 2001, 2003)進一步充實了相關的理論框架。邊緣理論假設指出, 由于人類認知資源的有限性, 注意系統不可能完全接納與當前問題情境相關的所有細節。出于經濟性原則的考慮, 系統將當前處理的焦點內容置于意識系統的中心, 而在其周圍放置經過高度精簡的過渡信息。一方面這些周邊信息由于不處于當前注意的中心, 難以被意識直接捕獲, 另一方面這些信息又具有幫助系統提取隨后將要進入注意中心的無意識信息的中介作用。處于邊緣意識的信息通過比較長時記憶中的無意識表征與當前注意焦點所處理的信息的匹配程度來實現上述信息提取的中介功能, 這種匹配程度以某種類似“對”或“錯”、“熟悉”或“陌生”的元認知體驗方式出現。因此, 從理論上說, 邊緣意識是有限的認知資源和高效的信息處理需求之間妥協的產物,它簡略了大部分的感覺信息, 以可被主體意識到的體驗情感方式來中介意識與無意識系統間的信息傳遞, 在功能和形式上都處于無意識和意識的中間狀態(Price, 2002)。

在上述解釋性概念的基礎上, 近年來開始嘗試在實證研究中探討邊緣意識的操作性定義。Norman(2010)為此指出, 由于邊緣意識很難歸結為純粹的內隱或外顯, 它是特定知識經驗所引起的一類可被主體意識到的體驗情感, 而這些特定知識本身不能進入意識層面。處于邊緣意識狀態的知識不僅具有與意識狀態一樣的認知靈活性和相關意識性體驗,同時還具有和無意識狀態一致的知識來源的主觀不可知性, 因而以意識程度而言, 應該是處于完全意識和完全無意識之間的中間狀態。因此, 邊緣意識的操作性定義的核心特征是習得知識和由習得知識引起的元認知情感的可意識性的分離。Norman等(2006)根據這一概念框架, 采用改進的序列反應時(Serial Reaction Time)學習任務考察了序列學習中的邊緣意識。結果表明在學習任務中, 被試表達出對習得項目的熟悉感, 或是對后續項目的期待感,同時又不知道知識規則的存在, 從而證明邊緣意識的存在。

邊緣意識理論直接闡述了意識性體驗的生成機制, 符合高解釋力意識概念界定的要求, 并在實證研究中得到了一定的支持, 進一步從理論上完善了漸進意識的框架體系。

不難看出, 意識二分理論實質上是漸進意識假設在功能層面上的一種表達, 它著重展現意識漸進體中相隔較遠的兩個層面的質的差異, 而漸進假設則致力于給出意識程度的量化改變所致的發展性過程描述, 兩者并非對立關系, 而是從不同層面揭示了內隱學習的心理特征。

當前漸進意識基本上還停留在理論闡釋層面,行為和腦功能的實證研究還嫌薄弱。目前已有研究大多揭示的是意識中間狀態的單個的、孤立的點,未揭示其連續變化的漸進過程, 少有在統一學習進程中系統地連續考察意識狀態變化的研究, 而這正是實證漸進意識研究的關鍵所在, 提示我們在功能性層面上探討漸進意識的操作性表達是今后研究的重要方向, 而這正是本研究的主要目標。

1.3 人工語法學習范式與漸進意識

1.3.1 人工語法范式

自Reber于1967年提出人工語法的實驗范式以來, 它已經成為研究內隱學習的有效工具。在典型的人工語法實驗(Reber, 1967; Mathews, Buss,Stanley, & Blanchard-Fields, 1989)中, 由特定語法生成的字符串被呈現給內隱組被試, 而指導語則是要求被試通過記憶這些字符串以便參加隨后的記憶測試; 在測試階段, 告知被試此前呈現的字符串是由特定規則生成的合法單詞, 要求他們判斷隨后呈現的新的字符串是否符合這一規則。內隱組被試的測試判斷成績顯著高于隨機水平, 甚至達到了外顯組(外顯組被試在學習階段就被告知規則的存在,并被要求通過學習發現這種規則, 而測試階段任務與內隱組相同)的水平。在完成測試任務后內隱組被試還要接受意識性測試。盡管內隱組之前的測試成績表明他們已經在一定程度上掌握了語法規則,但在這些意識性測試中, 內隱組的表現卻處于隨機水平, 這種操作成績與意識報告的分離, 有力地揭示了一種獨立于外顯學習的學習形式—— 內隱學習的存在。

人工語法范式是內隱學習研究的最重要的范式, 它的出現奠定了內隱學習的概念基礎和研究基礎(郭秀艷, 2003)。人工語法范式伴隨內隱學習研究走過了幾十年的研究歷程, 其設計、材料、測試手段不斷改進, 非常適合于考察內隱學習中習得知識的表征形式和意識加工程度, 對深層次探討內隱學習機制作出了重要的貢獻。

但必須指出的是, 迄今為止, 在人工語法的實證研究中, 對知識表征形式和意識加工程度的探討大多是在學習后的測試階段進行的, 根本而言測試的是知識的提取過程, 而非知識的習得過程(林穎,2003; 唐菁華, 2010), 內隱學習和提取雖然緊密聯系, 甚至有交互作用, 但在本質上畢竟是不同的心理過程。探究學習的內在機制, 研究知識習得過程中意識加工的變化機制, 不僅有助于深入了解學習現象, 同時也可以區分出它和知識提取過程的交互影響, 對知識學習和應用的整體關系研究提供有益的啟示。

1.3.2 意識測量技術—加工分離法

要在學習過程中實時考察意識與無意識成分的貢獻, 就必須采用能對兩者進行有效分離的測量方法。來源于內隱記憶研究領域的加工分離程序(Jacoby, 1991)提供了有益的啟示。在加工分離程序中, 包含任務(inclusion task)要求被試辨別和全體學習項目集合中的某些成員相似的項目; 排除任務(exclusion task)則要求被試辨別和部分學習項目集合中的某些成員相似的項目, 其它學習項目集合以及新項目都要被排除。其設計邏輯是, 包含任務要求意識與無意識成分的協作貢獻, 而在排除任務中,由于無意識加工會錯誤地擊中非指定集合中的學習項目, 所以任務要求被試抑制無意識加工的影響,而僅僅通過意識加工來選擇指定集合的項目, 在排除任務中兩種意識加工成分的貢獻模式是對抗的。藉由兩種任務成績便可推算出意識和無意識成分的貢獻值, 其間的數學關系可以表示如下：

包含任務成績=意識成分貢獻+無意識成分貢獻-意識與無意識成分的聯合貢獻

排除任務成績=無意識成分貢獻?意識與無意識成分的聯合貢獻

Jacoby提出的加工分離程序是目前內隱記憶和內隱學習研究中發展較為成熟的實驗性分離方法, 受到廣泛的重視。它采用了獨立假設, 即意識與無意識加工相互獨立。盡管內隱學習研究的二分邏輯出于對意識和無意識成分分離的強調, 也采納獨立假設, 但加工分離程序的主要目的是提供可計算的方法, 而不是概念界定。利用加工分離程序得到的是兩種成分的貢獻率, 它們可能來自兩個獨立的系統, 也可以是一個混合系統在兩個獨立組分軸上的投影分量, 后一種解釋顯然符合漸進意識的觀點。因此, 加工分離程序的設計思想可以為漸進意識研究所借鑒, 從而成為沿學習進程動態測量意識成分變化的有效工具。

1.3.3 對人工語法學習范式的改進—雙重任務設計

本研究考查人工語法學習過程的意識性變化機制, 這就要求在學習階段能夠實時地測量意識加工指標, 也就是要把測量任務與學習任務結合在一起。應對這個要求, 本實驗借鑒基于對抗邏輯的加工分離程序的設計思想, 在學習階段布置雙重任務, 在這兩個不同的任務中, 漸進意識中的意識成分和無意識成分有著不同的貢獻方式, 通過對兩個任務成績的比較, 分離計算出兩種成分各自的貢獻值。

本研究中, 在學習階段引入雙重任務, 并根據其操作時限差異命名為慢任務與快任務, 作為學習活動中的一個基本單元, 兩個任務捆綁在一起先后執行。

慢任務中, 同時呈現5個高度相似的字符串項目, 其中有一個項目是合法的, 其余項目分別包含1～4個字母錯誤。任務要求被試從中選擇與已有記憶集中某個項目最為相似的項目, 沒有時間限制。顯然, 它類似于加工分離任務中的包含任務, 得益于意識和無意識成分的協同貢獻, 其中的數學關系描述如下：

慢任務分數=意識成分貢獻+無意識成分貢獻-意識成分與無意識成分的聯合貢獻

快任務中, 快速同時呈現5個高度相似的字符串項目, 其中有一個項目是合法的, 其余項目分別包含1～4個字母錯誤。任務要求被試從中選擇與已有記憶集中的項目最不相似的項目, 有要求較高的時間限制。根據漸進意識相關理論假設, 學習開始階段生成的知識表征具有最突出的無意識特征, 是基于權重匹配的分布式表征體系, 只涉及環境刺激中相鄰元素的自動聯結, 呈現刺激的表面特征, 而隨著表征的不斷優化, 意識成份所占比例越來越高,對心理資源的需要也應越來越高。Karmiloff-Smith(1993)在她的表征重述理論中指出, 在學習活動中,無論知識表征是否達到外顯層次, 早先形成的內隱水平表征始終保存完好, 會在需要速度和自動化的某些任務中被使用。而在本研究引入的快任務中,由于時限要求較高, 同時任務要求還使得被試必須花費時間瀏覽全部判斷項目, 從動力學角度來說被試無法在如此之短的時間內聚集起足以激活優化表征資源的能量, 借助意識加工來判斷非法字符串的可能性大大降低。在這樣的實驗條件下, 應對復雜陌生的學習項目和較高的速度要求, 在學習的全程中, 不管個體是否已經形成高質量的意識性表征,他們只能試圖通過快速地掃描初級無意識表征網絡或通過熟悉與否的邊緣意識體驗來快速判斷, 也就是說條件的限制逼迫被試只能借助底層的無意識網絡來試圖在短時間內解決問題。另外判斷任務要求選擇最不合規的項目, 被試在操作任務時還必須執行從熟悉感到陌生感的取反操作, 進一步壓縮了被試可能用來完成任務的心理資源, 這樣的設計有效地突出了無意識加工成分的主導作用。

必須指出的是, 快任務和加工分離程序中的排除任務不同, 在排除任務中, 意識和無意識成分是對抗的, 它們對學習任務的影響是反向的。而在當前的快任務中, 意識和無意識成分對學習任務的影響是同向的, 只不過任務條件限制了意識成分參與的可能, 學習任務主要受無意識成分的影響, 但沒有兩種成分的對抗效應, 因此快任務成績的數學描述和排除任務不同, 在意識加工幾乎不能參與的情況下得到主要來自無意識加工的貢獻, 因此相關公式應修正為：

快任務分數 = 無意識成分貢獻

根據慢任務和快任務的數學關系描述, 人工語法學習進程中意識與無意識成分分離的量化得以實現, 雙重任務設計因而有可能成為一種有效的測量漸進意識的操作性表達手段。

圖1 本研究中使用的限定狀態人工語法規則示意圖(Mathews et al., 1989)

2 研究方法

2.1 研究假設

本實驗假設人工語法內隱學習過程中知識表征不斷地優化, 其意識加工程度漸增。在學習的開始階段, 被試首先形成基于刺激表面物理特征的表征結構, 此時的學習成績主要來源于無意識成分,隨著初級無意識表征網絡趨于穩定, 表征優化開始進行, 表征優化的結果是其抽象程度和意識加工程度不斷提高, 漸進意識體系中意識成分不斷提升。在學習的后程, 由于初級無意識表征網絡趨于健全,其貢獻水平也趨于平穩, 并可能被意識成分超越。

2.2 實驗被試

蘇州大學選修師范教育類通識課程的被試18名, 年齡在19～21歲, 右利手, 視力或矯正視力正常, 無參加類似實驗的經歷, 參加實驗的同學在完成測試后取得課程實驗成績的加分。

2.3 實驗材料

本實驗中采用的限定人工語法規則取自Mathews等(1989)的研究, 見圖1。使用這個語法規則生成合法字符串, 字符串由5～13個字母組成,這些字母來自S、C、V、X、T、P六個輔音字母集合, 剔除了諸如“SCPTTTTTTTVV”這樣的特殊項目, 最后由系統生成354個合法項目用于學習。以每個合法項目為參照, 分別改動其中1～4個字母以生成非法字符串, 其設計原則是：首字母不予改動,在長度為6及以上的項目中結尾字母也不予改動,在其余位置中違規的位置隨機選定。在慢任務和快任務中, 5個項目同時呈現給被試, 其中合法項目的位置和包含不同違規數的非法項目的位置作了隨機設計。整個實驗總共進行200對慢任務和快任務的學習測試, 使用400組測試項目, 因此有46個項目重復出現, 重復項目被隨機安排到總體學習進程的不同任務中, 即重復的項目不會先后兩次都出現在慢任務或快任務中。

在慢任務階段, 屏幕上方展示提示語：“下面5個字符串中, 哪個是你在先前曾經記憶過的, 請選擇并按項目序號按下相應的數字鍵”。屏幕正中顯示5個高度相似的黑色字符串組成的列表, 從上到下按序號1～5排列。任務沒有時間限制, 被試按下數字鍵后, 不管對錯, 正確的項目變成綠色, 并在屏幕下方出現指導語：“請努力記住綠色字體顯示的正確答案”, 此反饋階段持續6 s。然后屏幕被刷新, 正上方出現指導語：“下面的黑色矩形后有5個字符串, 你按下鍵盤上的任意鍵后矩形會消失,在隨后顯示的5個字符串中, 哪個是最不可能被你曾經記憶過的, 請選擇并按項目序號按下相應的數字鍵。”, 屏幕正中有一黑色矩形, 被試按指導語敲擊鍵盤后, 矩形消失并顯示出由5個高度相似的黑色字符串組成的列表, 從上到下按序號1～5排列,這個列表只顯示900 ms (在預實驗中, 分別以700 ms、800 ms、900 ms、1000 ms、1100 ms、1200 ms的顯示時限模擬本實驗中的快任務向被試呈現5個測試字符串, 結果發現700和800 ms條件下測試成績全程為隨機水平, 其它時限條件下都出現了學習效應。在900 ms條件下多數被試反饋自始至終都很難看清呈現項目, 在1000 ms條件下多數被試反饋隨練習的推進, 對測試項目的辨別越來越清晰。結合行為數據和口語報告, 推測本研究條件下知覺客觀閾限在800～900 ms之間, 而主觀閾限在900～1000 ms之間, 故快任務的時限設置為900 ms。需要指出的是, 由于本實驗中的測試任務對環境知覺條件高度敏感, 一旦實驗條件發生改變, 快慢任務的時限都需要預測來重新確定), 然后矩形重新覆蓋在字符串列表上, 被試按下相應數字鍵后屏幕被刷新。實驗在運行Windows XP 系統的計算機上進行, 測試程序自行開發, 開發工具為Macromedia Authorware 7.01中文版, 測試中顯示的字符串使用Arial Black字體, 字號28。測試程序自動記錄相關任務成績。

2.3 實驗程序

2.3.1 練習階段

首先告知被試將要接受一項記憶能力的測試,通過投影演示描述慢任務和快任務的操作過程。接下來被試進行10組模擬練習, 每組練習包括一個慢任務和一個快任務, 其材料使用元音字母A、E、I、O、U隨機組成。

2.3.2 學習(測試)階段

在學習階段開始前, 提示被試, 由于沒有相關的記憶經歷, 在開始階段可以靠猜測來完成任務。

每個被試總共接受200組項目學習任務, 每組練習包括一個慢任務和一個快任務。在測試中, 每組練習中慢任務和快任務的出現順序作了平衡設計, 即一半被試接受先慢任務后快任務的學習模式,另一半則接受先快任務后慢任務的模式。10組練習為一個區段, 總共20個區段, 區段內部每組練習之間沒有時間間隔。每個練習區段結束后被試還要對此區段中的慢任務和快任務的練習結果分別給出自信心評價, 要求被試在0～10分之間打分, 其中10分代表“我有百分之百的信心完成任務”, 0分代表“我純粹是靠猜測來完成任務的”, 評價分數保留一位小數。區段之間休息30s。

在實際的測試中, 被試完成整個測試的時間最短為1小時35分鐘, 最長為2小時18分鐘, 大多數被試能在2小時內完成任務。

2.3.3 數據處理

采用SPSS 15.0和Microsoft Excel 2010進行數據處理和圖形繪制。本實驗中涉及的自變量有兩個：學習(測量)任務(即慢任務和快任務, 被試內變量)、學習進程(即20個區段序列, 被試內變量)。

在慢任務中, 以選擇合法項目為2.0分, 選擇包含1、2、3、4個違規項目分別計1.5、1.0、0.5、0.0分。由于快任務要求選擇違規數最多的項目,其計分次序與慢任務相反, 即包含0、1、2、3、4個違規數的項目分別計0.0、0.5、1.0、1.5、2.0分。由于每個區段包含10組雙重任務, 每個區段中慢任務和快任務的成績在0～20分之間, 10分表示隨機水平。根據先前的計算公式, 在本實驗中有：

由上述公式可以推出：

3 結果與分析

在18名被試中, 有2名被試沒有能夠按照指導語完成任務, 其數據不參與統計分析, 因此有效被試為16名。

3.1 學習階段雙重任務成績

20個區段的慢任務和快任務的平均成績變化趨勢如圖2所示。

圖2 區段1～20的慢任務和快任務成績變化趨勢

從圖2中可以看出, 隨學習推進, 從區段1到區段20, 慢任務和快任務的成績都呈現上升趨勢,慢任務的成績在任何一個學習區段都高于快任務。在區段1, 兩種任務的成績都接近隨機水平,爾后不斷上升, 不過兩者上升的模式有所不同。在整個學習過程中慢任務的表現持續上升, 而快任務則在上升了一段時間后(區段1～7)趨于平緩(區段8～20)。

為了對兩種學習量進行對比, 分別取學習起始階段第2、3、4區段(第1區段由于包含了猜測成分, 不對其進行分析)和學習結束階段第18、19、20區段成績的平均值進行分析, 圖3直觀地呈現了上述成績的變化。

圖3 學習起始階段和結束階段兩種任務的貢獻分數

對于慢任務, 起始階段平均分數為12.41,

SD

=0.67, 結束階段平均分數為17.49,

SD

= 0.69。結束階段分數與隨機水平(10分)相比差異顯著,

t

(15) =43.67,

p

< 0.001; 配對樣本檢驗表明結束階段與起始階段比較差異顯著,

t

(15) = 68.51,

p

< 0.001。這表明慢任務產生了顯著的學習效應。對于快任務, 起始階段平均分數為10.65,

SD

=0.64, 結束階段平均分數為12.12,

SD

= 0.63。結束階段分數與隨機水平相比差異顯著,

t

(15) = 12.53,

p

< 0.001; 配對樣本檢驗表明結束階段與起始階段比較差異顯著,

t

(15) = 17.30,

p

< 0.001。這表明快任務也產生了顯著的學習效應。對兩者進行配對樣本比較, 將學習結束階段三個區段的平均分數減去起始階段三個區段的平均分數, 以此差值作為學習增量。結果發現, 慢任務有著比快任務更顯著的學習增長,

t

(15) = 38.05,

p

< 0.001。

在本實驗中, 雙重任務都產生了學習效應, 慢任務相對來說更為明顯。從成績變化曲線上可以看出兩種任務變化趨勢有所不同。結合以上數據分析,可以認為兩種任務涉及的心理加工機制中, 既可能有相同的成分, 也包含了不同的成分, 這需要對實驗數據進行進一步處理, 以分離出相應的組分。

3.2 意識與無意識成分的動態變化

利用先前推演的公式計算區段1～20的意識與無意識成分, 其結果如圖4所示。

圖4 經計算所得的區段1～20的意識與無意識貢獻分數的變化趨勢

從圖4中可以看出, 從區段1到區段20, 意識成分和無意識成分都呈現上升的趨勢, 無意識成分的上升趨勢較為平緩, 意識成分的增長則相對較為快速。其中, 從區段1到區段16, 無意識成分的作用都大于意識成分, 從第17區段開始, 意識成分的貢獻開始超過無意識成分。

為了對兩種成分的貢獻分數進行對比, 分別取學習起始階段第2、3、4區段和學習結束階段第18、19、20區段貢獻分數的平均值進行分析, 圖5直觀地展現了上述成績。

圖5 學習起始和結束階段意識成分和無意識成分的貢獻分數

對于意識成分, 起始階段三區段平均分數為3.70,

SD

= 1.65, 結束階段三區段平均分數為13.60,

SD

= 1.81。配對樣本檢驗顯示結束階段與起始階段比較差異顯著,

t

(15) = 35.12,

p

< 0.001。這表明學習過程中意識加工成分發生了顯著的增長。對于無意識成分, 起始階段三區段平均分數為10.65,

SD

= 0.64, 結束階段三區段平均分數為12.12,

SD

= 0.63。配對樣本檢驗顯示結束階段與起始階段比較差異顯著,

t

(15) = 17.30,

p

< 0.001。這表明無意識加工成分也隨學習的推進而得到顯著增長。對兩者進行比較, 首先比較在學習起始階段2～4區段的平均分, 無意識成分顯著高于意識成分,

t

(15) = 13.46,

p

< 0.001; 然后比較學習結束階段18～20區段的平均分, 此時意識成分顯著高于無意識成分,

t

(15) = 2.83,

p

< 0.05。將學習結束階段三個區段的平均分數減去起始階段三個區段的平均分數, 以此差值作為加工成分貢獻分數的增量。結果發現, 意識成分有著比無意識更顯著的增長,

t

(15) = 26.84,

p

< 0.001。

3.3 自信心評價

區段1～20中慢任務和快任務的自信心評價數據的變化趨勢如圖6所示。

圖6 區段1～20自信心評價分數變化趨勢

從圖6中可以看出, 對于慢任務的自信心評價呈現先平后增的趨勢, 增長起始于區段16左右, 相當于意識性成分的貢獻超過無意識成分的時間節點; 而對于快任務的自信心評價整體呈現出停滯不前的趨勢。經分析發現, 慢任務的自信心評價與慢任務成績顯著相關(

r

= 0.76,

p

< 0.001), 與意識成分貢獻分數也顯著相關(

r

= 0.75,

p

< 0.001); 而快任務的自信心評價分數與快任務成績(即無意識成分貢獻分數)則無顯著相關(

r

= 0.32,

p

= 0.175)。可見自信心評價與成績準確率的相關可作為探測意識加工存在的有效指標, 這一結果也說明了快任務對意識加工的排斥, 有力地證實了雙重任務設計的有效性。

Altmann, Dienes和Goode (1995)提出判斷內隱知識的兩個標準, 即零相關標準和猜測標準。其中的零相關標準指的是如果個體信心與實際準確率沒有相關, 則表明個體習得了內隱知識, 本實驗中快任務的表現滿足這一標準。從當前實驗的結果來看, 可以將這一標準更為準確地表達為：在無意識成分主導的認知加工過程中, 個體信心與實際準確率沒有相關, 如果意識成分占據主導地位, 即便相關的加工發生在內隱學習活動中, 個體信心與操作準確率也有可能在某個階段產生相關。猜測標準指的是如果個體認為自身是通過猜測完成任務, 而實際成績又高于隨機水平, 則表明了無意識知識的獲取。在本實驗中, 即使到學習的最后階段, 快任務的信心評價依然很低(20區段的自信心評價分數均值為2.11, 而滿分為10分), 被試的主觀評價很大程度上偏向于猜測, 因此實驗結果也符合猜測標準。對上述內隱加工兩個標準的支持進一步有效地證明了當前實驗設計的有效性。

盡管本實驗中自信心評價和慢任務分數及意識成分貢獻分數相關, 但必須指出的是, 區段18～20的慢任務自信心評價分數的平均值也僅為4.82,

SD

= 0.87, 存在相當的猜測成分, 這說明了全部20個組塊發生的學習還是處在傳統意義上的內隱學習階段, 本研究設計所引發的學習處于有效考察區間。

4 討論

4.1 內隱學習中的漸進意識及其發展特征

本研究結果證實了相關實驗假設, 對應于意識與無意識成分協同作用的慢任務和對應于無意識成分作用的快任務成績出現顯著增長, 但有著各自不同的增長態勢, 這一現象直接導致了意識成分與無意識成分的有效分離, 有力地證明了多水平意識中間體的存在。這些中間體沿學習進程而展開, 其意識成分貢獻率不斷增加, 形成一個漸進意識的發展體。在內隱學習的全部階段, 意識和無意識加工成分共存, 它們的量化對比不斷改變, 直至產生主導作用的轉換, 在慢任務中, 學習前期, 被試依靠無意識加工成分完成任務, 隨著意識性知識結構的不斷完善, 其可利用性不斷提高, 最終導致意識成分在后程發力, 成為行為改變的主要因素。另外,從自信心評價數據的分析來看, 本實驗結果滿足內隱加工的零相關標準和猜測標準, 這兩個標準實質上都體現出被試主觀評價和操作成績的分離, 完全符合之前提出的邊緣意識操作性定義的核心特征,即習得知識和由習得知識引起的元認知情感的分離, 對本研究采用的理論假設給予了有力的支持。

本研究經過計算分離得到了漸進意識體中意識與無意識成分的動態數據, 在學習的開端, 無意識成分占據主導地位, 意識成分不斷增長, 經過相當一段時間的學習(約占學習全程的80%), 意識成分的貢獻開始超過無意識成分, 并最終達到顯著水平。這一結果符合之前對漸進意識的假設：在內隱學習過程中, 存在多個狀態的意識加工中間體, 其中的意識加工成分隨學習的推進而不斷增長。這有力地說明意識與無意識加工的共存貫穿整個內隱學習過程, 在內隱學習中幾乎不存在完全無意識和完全意識性的加工時段, 支持內隱認知領域的雙成分貢獻的觀點(Kinder, Shanks, Cock, & Tunney,2003), 這種觀點認為, 意識和無意識加工普遍共存于各種內隱認知活動中。

本實驗結果不僅支持靜態的意識混合體的觀點, 還發現了兩種成分的動態發展趨勢, 對解釋內隱學習的本質有很大的啟示意義。縱觀整個學習進程, 意識與無意識成分不斷地發展變化, 彼此間的關系從量變到質變, 在學習進程的不同的橫斷面上,意識成分的比例也不同, 在學習進程的兩端, 意識成分的主導地位發生根本性的變化。顯然, 這從根本上否定了內隱學習中的二元對立邏輯, 建立在對立邏輯上的研究試圖通過某種意識測量方法來測定內隱學習的意識性, 而從漸進意識體的發展特征不難看出, 使用相同敏感性的工具在學習的不同階段進行意識測量, 或是使用不同敏感性的工具在學習的相同階段進行意識測量, 其結果必然會出現不一致, 這也是當今內隱學習研究陷入測量方法的困境(Haider et al., 2010)的根本原因。

從圖4來看, 無意識成分在整個學習進程中都比較平緩, 而意識成分則呈現出一定的波動, 特別是在區段10之前。在內隱學習的生物觀(Reber,1993)看來, 具有進化時程優勢的無意識加工具有穩定和自動的特性, 這種穩定性可以解釋上述無意識成分貢獻發展的平穩態勢; 而根據分布式表征理論, 表征優化是在初級無意識網絡的基礎上展開的, 當初級的基于權重的分布式表征網絡不那么完善的時候, 表征優化產生的抽象表征就可能會出現頻繁的調整, 導致相應的意識加工成分出現波動。

4.2 內隱學習的界定

本實驗從意識漸進角度入手, 考察了人工語法學習活動中內隱階段的意識變化特征。盡管自信心判斷與慢任務顯著相關, 從自信心判斷的絕對數據上來看(0分對應于純粹猜測, 10分對應于純粹信心), 即使在學習的末程, 也沒有超過5分, 說明被試在完成任務時的判斷策略還帶有很大的猜測成分, 這符合傳統研究中對內隱學習標準的界定, 說明本實驗考查的學習階段的有效性。

在本實驗考查的大部分學習進程中, 意識成分的貢獻都顯著低于無意識成分, 因此可以將此進程的內隱學習靜態地界定為無意識加工為主的學習活動; 同時, 在學習后程, 意識成分發展并超越了無意識的貢獻, 如果繼續增加學習組塊的話, 可以預測意識成分將進一步得到發展, 學習活動將越來越具備外顯的特征, 因此可以將內隱學習動態地界定為意識加工快速發展并最終引發外顯學習的活動。靜態的界定描繪了內隱學習有別于外顯學習的關鍵特征, 動態的界定揭示了內隱學習關聯于外顯學習的有效維度, 它們的結合加深了對內隱學習本質的理解。

需要指出的是, 本研究雖然針對內隱學習, 但實驗結果所描述的漸進意識變化模式具有明顯的發展特征, 為后續的外顯學習提供了連貫的接口。因此, 有理由認為, 漸進意識是整合內隱學習與外顯學習的有效路徑, 建立在這個路徑上的內隱學習和外顯學習不再是二分邏輯下的對立關系, 而是以發展傳承的態勢存在于同一個心理圖景之中, 這也是采用了高解釋力的意識的概念界定的必然結果。

4.3 內隱學習中的知識表征

本實驗建立在基于分布式表征優化的漸進理論框架之上, 但實驗設計僅僅考察了意識漸進的變化特性, 根據假設, 意識加工程度與表征質量高度相關, 從意識與無意識成分的變化態勢也可以間接推斷人工語法學習進程中知識表征的變化模式。

在學習的開始, 無意識成分領先于意識成分,前者的發展總體呈現先快后緩的特征, 而后者則呈現先慢后快的特征。這說明無意識加工依賴的表征結構的形成先于意識性表征結構, 并且在一段時間(區段10)后趨于完善, 其貢獻也進入平臺期。而當無意識貢獻趨緩時, 意識貢獻卻快速增加, 說明此時意識性知識表征得以快速形成, 并對行為產生良性影響。兩種成分變化特征轉換的時間節點一致,同時考慮到在學習的前半程, 意識性影響呈現較多的波動, 可以推斷, 意識性表征的形成不僅滯后于無意識性表征, 而且是以后者為基礎的。在無意識性表征不完善的階段, 意識性表征的一致性較差,需要隨無意識表征的完善而不斷調整, 因此呈現出波動的特點。只有當底層的無意識性表征網絡趨于穩定之后, 意識性表征才有可能快速平穩地發展。這一發展特性符合先前理論框架中的相關假設。本實驗至少間接推斷出內隱學習過程中知識表征的動態發展模式。

但本實驗尚無法直接考察內隱學習活動中知識表征連續發展體系各個層面的表征形式。按照先前的假設, 無意識表征包含基于權重調整的分布式表征編碼, 對應于刺激的淺表物理特征, 而意識表征則更為抽象, 獨立于具體刺激。要考察這些假設,就必須在本實驗的基礎上操縱學習材料變量, 從而在分離出意識與無意識加工成分的基礎上, 考察材料表面特征差異對兩種成分的不同影響, 由此考察知識表征的變化機制。在新近的研究中(張潤來,2013), 研究者采用上述雙重設計范式, 從第21區段起引入同構異形(語法規則不變, 采用不同的輔音字母集)的學習材料, 結果發現刺激表面特征的變化顯著影響了無意識加工, 而意識加工幾乎不受影響, 這從實證角度證明了上述推斷。

5 結論

(1)本研究在人工語法學習中引入雙重任務,通過類似于加工分離程序的方法動態地獲取學習進程中意識和無意識成分的貢獻值, 研究結果支持漸進意識假設。本研究中的快任務成績(相當于無意識加工的貢獻分數)與自信心評價分數滿足零相關標準與猜測標準, 證實了雙任務設計對于分離意識與無意識加工的有效性。

(2)人工語法學習中兩種意識成分自始至終共存于加工系統, 并隨著學習的推進呈現出不同的對行為的影響模式。總體來說, 隨著習得知識的不斷優化重組, 兩者都呈現漸進的發展態勢。在學習的后半階段意識加工呈現出相對于無意識加工更加明顯的上升趨勢, 從而導致漸進意識體系構成的不斷演變, 漸進意識逐漸由無意識加工為主向意識加工為主演進。

Altmann, G. T. M., Dienes, Z., & Goode, A. (1995). Modality independence of implicitly learned grammatical knowledge.

Journal of Experimental Psychology: Learning, Memory,and Cognition, 21

, 899–912.Berry, D. C., & Dienes, Z. (1993).

Implicit learning:Theoretical and empirical issues.

Lawrence Erlbaum Associates Ltd.Chalmers, D. J. (1995). Facing up to the problem of consciousness.

Journal of Consciousness Studies, 2

,200–219.Cleeremans, A., & Jiménez, L. (2002). Implicit learning and consciousness: A graded, dynamic perspective. In R.M.French & A. Cleeremans (Eds.),

Implicit learning and consciousness: An empirical, computational and philosophical consensus in the making?

(pp. 1–40). Hove,UK: Psychology Press.Clifford, C. W. G., Arabzadeh, E., & Harris, J. A. (2008).Getting technical about awareness.

Trends in Cognitive Sciences, 12

, 54–58.Dienes, Z., & Seth, A. (2010). Gambling on the unconscious:A comparison of wagering and confidence ratings as measures of awareness in an artificial grammar task.

Consciousness and Cognition, 19

, 674–681.Frensch, P. A. (1998). One concept, multiple meanings: On how to define the concept of implicit learning. In M. A.Stadler & P. A. Frensch (Eds.),

Handbook of implicit learning

. Thousand Oaks, CA: Sage Publications, Inc.Frensch, P. A., & Rünger, D. (2003). Implicit learning.

Current Directions in Psychological Science, 12

(1), 13–18.Guo, X. Y. (2003).

Implicit learning.

Shanghai, China: East China Normal University Press.[郭秀艷. (2003).

內隱學習

. 上海: 華東師范大學出版社.]Haider, H., Eichler, A., & Lange, T. (2011). An old problem:How can we distinguish between conscious and unconscious knowledge acquired in an implicit learning task?

Consciousness and Cognition, 20

(3), 658–672.Jacoby, L. L. (1991). A process dissociation frameworkseparating automatic from intentional uses of memory.

Journal of Memory and Language, 30

, 513–541.James, W. (1890).

The principles of psychology.

New York:Holt.Karmiloff-Smith, A. (1993).

Beyond modularity: A developmental perspective on cognitive science.

Cambridge,MA: MIT Press.Kinder, A., Shanks, D. R., Cock, J., & Tunney, R. J. (2003).Recollection, fluency, and the explicit / implicit distinction in artificial grammar learning.

Journal of Experimental Psychology: General, 132

(4), 551–565.Lin, Y. (2003).

Research on mechanisms and individual differences of implicit learning: A developmental perspective

(Unpublished doctorial dissertation). East China Normal University.[林穎. (2003).

內隱學習機制及其個體差異的研究—發展的視角

(博士學位論文). 華東師范大學, 上海.]Mangan, B. (1993). Taking phenomenology seriously: The"fringe" and its implications for cognitive research.

Consciousness and Cognition, 2

(2), 89–108.Mangan, B. (2001). Sensation’s ghost: The non-sensory“fringe” of consciousness.

Psyche, 7

(18).Mangan, B. (2003). The conscious “fringe”: Bringing William James up to date. In B. J. Baars, W. P. Banks, & J. B.Newman (Eds.),

Essential sources in the scientific study of consciousness

(pp. 741–759). Cambridge, MA: The MIT Press.Mathews, R. C., Buss, R. R., Stanley, W. B., & Blanchard-Fields, F. (1989). Role of implicit and explicit processes in learning from examples: A synergistic effect.

Journal of Experimental Psychology: Learning, Memory, and Cognition, 15

(6), 1083–1100.Norman, E. (2010) “The unconscious” in current psychology.

European Psychologist, 15

(3), 193–201.Norman, E., Price, M., & Duff, S. (2006). Fringe consciousness in sequence learning: The influence of individual differences.

Consciousness and Cognition, 15

(4),723–760.Polanyi, M. (1966).

The tacit dimension.

London: Routledge &Kegan Paul.Price, M. C. (2002). Measuring the fringes of experience.

Psyche, 8

, 1–24. Retrieved from http://psyche.cs.monash.edu.au/v8/ psyche-8-16.price.html.Reber, A. S. (1967). Implicit learning of artificial grammars.

Journal of Verbal Learning and Verbal Behavior, 6

, 855–863.Reber A. S. (1993).

Implicit learning and tacit knowledge: An essay on the cognitive unconscious.

New York: Oxford University Press.Rünger, D., & Frensch, P. A. (2010). Defining consciousness in the context of incidental sequence learning: Theoretical considerations and empirical implications.

Psychological Research, 74

(2), 121–137.Seth, A. (2008). Theories and measures of consciousness develop together.

Consciousness and Cognition, 17

(3), 986–988.Seth, A. K., Dienes, Z., Cleeremans, A., Overgaard, M., &Pessoa, L. (2008). Measuring consciousness: Relating behavioural and neurophysiological approaches.

Trends in Cognitive Sciences, 12

, 314–321.Tang, J. H. (2010).

Measurements of knowledge and consciousness levels in implicit learning

(Unpublished doctorial dissertation)

.

East China Normal University,Shanghai.[唐菁華. (2010).

內隱學習中知識及其意識水平測量

(博士學位論文)

.

華東師范大學, 上海.]Zhang, R. L. (2013).

Research on graded consciousness in undergraduates’ learning of artificial grammar

(Unpublished doctorial dissertation)

.

Soochow University.[張潤來. (2013).

大學生人工語法學習中的漸進意識研究

(博士學位論文)

.

蘇州大學.]