本書全面綜合地介紹了知覺學習的現(xiàn)象、理論和應用,重點關注視覺領域。本書首先對知覺學習的原理進行闡述,然后探討知覺學習的基本現(xiàn)象(學習和遷移)和機制(噪聲特性、生理學證據(jù))。同時,介紹知覺學習的計算模型,強調反饋對知覺學習的重要性,并討論任務、注意力和獎勵在知覺學習中的作用,對比視覺知覺學習和其他感官領域學習,討論知覺學習的現(xiàn)有應用,并提出優(yōu)化框架。
本書適合知覺學習領域的學生、研究人員及相關從業(yè)者閱讀參考。
前 言
Perceptual Learning: How Experience Shapes Visual Perception
我們從1997年開始進行知覺學習的研究。當時,只有少數(shù)幾個研究人員關注這個課題。從那時起,這個領域開始發(fā)生變化,這本書講述了我們對現(xiàn)象和理論的了解。這種轉變的發(fā)生歸因于大量積極的研究人員做出了巨大的貢獻,從心理學家對現(xiàn)象學的深入研究到有見地的建模和生理學。
在20世紀90年代末,我們正在研究人類觀察者的新模型,即知覺模板模型(PTM)。我們的目的是利用這個模型來了解視覺知覺如何依賴信號模式和兩種噪聲—外部刺激的噪聲和內部感官響應的可變性。我們也有興趣使用此模型來區(qū)分視覺注意力對人類知覺(“觀察者”)的影響,從而區(qū)分出濾除刺激中的外部噪聲而導致的增強或放大信號刺激本身帶來的不便—之前難以捉摸的機制可以通過外部噪聲方法輕松地區(qū)分開來。
在某個時候,我們意識到相同的分析同樣很好地適用于一個重要領域的性能提升,即知覺學習。據(jù)報道,從19世紀90年代末實驗性心理學研究開始以來,實踐就有所改善,并作為Eleanor Gibson對兒童早期知覺發(fā)展的興趣的一部分在20世紀50年代被普及。經(jīng)驗在成年人的知覺任務執(zhí)行中的作用已在許多任務領域得到了證明,包括敏銳度、運動和立體視覺。視覺知覺領域中一些優(yōu)秀的心理物理學家已經(jīng)開始研究學習,并且有些時候學習是針對任務或刺激的某些方面的特異性。
然后,在20世紀90年代末,許多科學家(Avi Karni、Dov Sagi、Merav Ahissar、Shaul Hochstein、Aniek Schoups、Robert Sekuler等人)的杰出工作證明了一種非常奇怪的特異性形式。在視網(wǎng)膜上某個位置進行的一項任務中所學到的改進有時無法轉移到視野中的新位置。真的!這些發(fā)現(xiàn)導致許多研究人員將視力的經(jīng)驗依賴的性能變化歸因于早期視覺皮層的可塑性,長期以來人們一直認為大腦皮層在發(fā)育初期是穩(wěn)定的。很快,最杰出的知覺學習理論涉及早期視網(wǎng)膜視覺皮層感覺調節(jié)的可塑性改變。在其他方式的類似報道的支持下,一系列重要的研究(Rufin Vogel、Guy Orban、Geoff Ghose、John Maunsell、Charles Gilbert、Joshua Gold、Wu Li等人)開始探索(知覺)學習如何在視覺編碼的最早期影響細胞反應的特性。在視覺皮層中,學習是多久開始的?我們一直是這些生理學研究的追隨者。
我們對知覺學習的第一項研究是使用外部噪聲方法和PTM模型對現(xiàn)象進行系統(tǒng)的分析。從一開始,我們就懷疑知覺學習主導的重調諧理論可能只是其中的一部分。為了影響行為,還必須將感官信息與決策聯(lián)系起來。如果感覺系統(tǒng)對刺激進行編碼,則還需要對這一證據(jù)進行解碼。即使在早期階段,我們也發(fā)展了另一種重加權理論,其中改變感官信息在決策中的加權方式(改變的讀數(shù))可能是學習的主要方式。如果早期的視覺區(qū)域是感官信息的編碼器,那么大腦還需要解碼器來解釋編碼的信息,并且這些解碼器也必須是學習的關鍵;诖艘娊,我們發(fā)展了一種重加權(讀出)理論,其中許多早期視覺通道中的證據(jù)確定了如何通過重加權來更改決策。那是在1998年。直到后來,我們才意識到Mollon和Danilova分別發(fā)展了相同的理論構想。
直到幾年后,在天才博士后Alex Petrov的幫助下,我們開始研究知覺學習的多通道模型,即增強型Hebbian重加權模型(AHRM)。該模型建立在20世紀90年代的視覺學習網(wǎng)絡模型(Tomaso Poggio、Shimon Edelman、Manfred Fahle、Michael Herzog等人)的基礎上,并利用了神經(jīng)網(wǎng)絡領域最近的重大發(fā)展。我們將此模型加入具有生理啟發(fā)性的信號處理前端。為了檢查兩種主要學習理論(重調諧和重加權)做出相反預測的情況下的特異性,實驗也變得更加復雜。隨后證明了這種純粹的重加權模型可以解決視覺知覺學習中的許多主要現(xiàn)象。憑借另一位才華橫溢的博士后Jiajuan Liu和研究生Pam Jeter的深入研究工作,AHRM于2013年得到擴展,形成了綜合重加權理論(IRT)。該理論解釋了某些形式的遷移是如何發(fā)生的。反過來,此模型已被其他研究人員(Aaron Seitz、Peggy Seriès等人)以非常巧妙的方式進行了修改和推廣。這就是我們在第6章講述的知覺學習模型的故事。
在過去的20年中,知覺學習領域已經(jīng)發(fā)生了重大的變化。如今,有許多研究對知覺學習的特異性提出了挑戰(zhàn)(Cong Yu等人)。現(xiàn)在,關于重加權或讀出在學習中的作用的想法,已成為Takeo Watanabe等人的集成模型的重要組成部分,這些模型將知覺學習領域置于人腦成像的更廣泛的考慮范圍內。除了我們自己的模型外,其他模型在提出的學習中使用或推進了我們提出的多級重加權原則。同時,得益于Dennis Levi、Krystel Huxlin、John Anderson、Chang-Bing、Uri Polat、Robert Hess、Ben Thompson等人的工作,學習研究已經(jīng)越來越多地走向從教育到視覺修復的大量實際應用。
到21世紀10年代中期,似乎需要對該領域的最新發(fā)展進行系統(tǒng)的探索。我們開始對有時互不相關的知覺學習文獻進行詳細調查。我們的目標是評估各種理論狀態(tài),了解生理學發(fā)現(xiàn)的含義,并指出可能的富有成果的研究方向。這本書是我們努力的結果。它適用于知覺學習的研究人員以及其他相關領域的科學家。我們試圖在多個層面上討論知覺學習,希望做到透徹而簡潔,內容全面而不是詳盡無遺。
多年以來,在知覺學習中,許多杰出科學家的重要貢獻推動了該領域的發(fā)展以及我們在同等領域的工作。除了閱讀論文和參加會議演講外,我們也從參加“國際知覺學習研討會”中受益良多,這是一個較小的組織,每兩年召開一次會議,討論令人興奮的新想法和新方法。我們確實從這些公開交流中受益。在知覺學習研究中一件令人驚奇的事情是,雖然參與者的理論分歧很大,但該領域一直保持合議,參與者合作并致力于共同推動科學的發(fā)展。
現(xiàn)在,許多個人和實驗室的主要貢獻已將知覺學習確立為一個主要領域,并廣泛認識到學習和可塑性在人類適應中起著至關重要的作用,在對知覺機制的任何研究中都必須考慮這一點。
由于各種原因,我們花費很多年寫了這本書。在此期間,我們得到了許多同事、朋友和家人的大力支持,在此深表感謝。
Barbara Dosher說:“經(jīng)過23年的合作,我仍然很高興與我的合著者和朋友Zhong-Lin Lu談論科學。加州大學爾灣分校認知科學系富有創(chuàng)造力的環(huán)境,以及聰明、熱切的同事為本書的編寫工作做出了重要貢獻。我還要感謝實驗室(記憶注意力知覺實驗室)的應屆畢業(yè)生和博士后所做的重大貢獻,其中包括Pam Jeter、Alex Petrov、Wilson Chu、Shiau-Hua Liu、Nate Blair、Richard Hetley、Emelien Tlapale,以及許多本科生和助教,包括Anchit Roy,他協(xié)助提供了本書的一些圖表。我的研究生導師Wayne Wickelgren的理論構想仍然鼓舞著我。我還要感謝將我引入視覺科學領域的同事和朋友:Norma Graham、George Sperling和Eileen Kowler。通過與知覺學習和注意力社區(qū)中的許多同事的交談,這項研究得到了完善。朋友和家人提供了樂趣、支持和幫助。特別感謝我的朋友Kristi、Liz、David和Eileen,感謝我的姐姐Cathie、retreat小組以及其他許多人的支持。在此特別對我的兒子Joshua Sperling表示衷心的感謝,他的支持、理智探索和評論使本書的最后階段有了實質性的改進。我還要感謝包括麻省理工學院出版社在內的所有相關人員的耐心,因為該項目的延期比預期要長,部分原因是應我年邁生病的母親Anne Dosher的要求。她畢生的求知欲、對社區(qū)的奉獻精神和交友的天賦,樹立了令人欽佩的榜樣。”
Zhong-Lin Lu說:“這本書的出版是我們20多年合作的一個重要里程碑。這也是許多新的、令人激動的聯(lián)合研究項目的開始。非常感謝Barbara給我與她合作的機會。非常感謝我的妻子Wei Sun、我的兒子James和我的女兒Mae。沒有他們的理解和支持,這本書是不可能完成的。我從博士生導師Samuel J. Williamson和Lloyd Kaufman以及我的博士后導師George Sperling那里學到了很多,他們的科學精神至今仍激勵著我。我想借此機會感謝腦過程實驗室(LOBES)的成員(最初他們在南加州大學,然后在俄亥俄州立大學,現(xiàn)在在紐約大學和上海紐約大學),包括Luis A. Lesmes、Wilson Chu、Simon Jeon、Debbie Dao、Jiajuan Liu、Chang-Bing Huang、Xiangrui Li、Gui Xue、Miao Wei、Fang Hou、Jongsoo Kim、 Carlos Cabrera、Zhicheng Lin、Yukai Zhao、Pan Zhang和 Pengjing Xu,感謝他們對研究項目做出的貢獻。還要感謝C. Shawn Green、Daphne Bavelier、Alex Pouget、Tianmiao Hua和Jinrong Li在知覺學習方面與我合作,并感謝國際知覺學習研討會的組織者Cong Yu、Dov Sagi、Takeo Watanabe、Merav Ahissar、Uri Polat、Shaul Hochstein、Yuka Sasaki、Mitsuo Kawato、Michael Herzog、Miguel Eckstein、Aaron Seitz和Michael Silverman,他們?yōu)槲覀兲峁┝俗鳛檠芯可鐓^(qū)聚集在一起的機會。我還要感謝同事Irving Biederman、Adrian Raine、Antonio Damasio、Hanna Damasio、Michel Baudry、Judith Hirsh、James Todd、Roger Ratcliff、Brandon Turner、Deyue Yu、Alex Petrov、Tony Movshon、Paul Glimcher、Marisa Carrasco、Joanna Waley-Cohen和Anqi Qian,以及我多年來的朋友Patrick Suppes、Bosco Tjan、Stephen Madigan和Richard F. Thompson!
這些年來,我們在知覺學習方面的實驗和理論工作得到了美國國家心理健康研究所和美國國家眼科研究所的資助。感謝它們的支持。
Barbara Dosher,爾灣
Zhong- Lin Lu,都柏林和紐約
2019年8月
目 錄
Perceptual Learning: How Experience Shapes Visual Perception
譯者序
前言
第一部分 概述
第1章 知覺學習的原理2
1.1 經(jīng)驗和學習在知覺中的重要性2
1.2 實驗室中的知覺學習4
1.3 可塑性與穩(wěn)定性7
1.4 提高人類表現(xiàn)中的信噪比12
1.5 重加權與表征變化14
1.6 生成模型和優(yōu)化知覺學習的重要性18
1.7 總結與概述19
參考文獻20
第二部分 現(xiàn)象學
第2章 視覺任務中的知覺學習26
2.1 知覺專長和知覺可塑性26
2.2 視覺知覺學習27
2.3 通過表征選擇學習還是通過創(chuàng)造學習28
2.4 知覺學習研究的一種典型結構29
2.5 訓練特征與任務類型32
2.6 單一特征的知覺學習34
2.6.1 方向34
2.6.2 空間頻率35
2.6.3 相位36
2.6.4 對比度36
2.6.5 顏色37
2.6.6 敏銳度38
2.6.7 超銳度39
2.6.8 總結41
2.7 知覺學習模式41
2.7.1 復合刺激42
2.7.2 紋理、全局模式和搜索42
2.7.3 深度44
2.7.4 運動45
2.7.5 總結47
2.8 對象知覺學習和自然刺激48
2.8.1 輪廓、形狀和對象48
2.8.2 面部和實體49
2.8.3 生物運動50
2.8.4 總結51
2.9 結論51
參考文獻53
第3章 特異性與遷移性59
3.1 在知覺學習中的特異性和遷移性59
3.2 評估特異性和遷移性的范式61
3.3 任務結構分析63
3.4 行為證據(jù)66
3.4.1 視網(wǎng)膜位置特異性66
3.4.2 眼部特異性68
3.4.3 特征和對象特異性69
3.4.4 一階和二階特異性71
3.4.5 判斷特異性73
3.4.6 環(huán)境特異性74
3.4.7 總結76
3.5 影響特異性和遷移性的因素77
3.5.1 任務難度和刺激精度77
3.5.2 適應性與特異性79
3.5.3 訓練的程度和特異性80
3.5.4 通過交叉訓練激活遷移性81
3.5.5 總結84
3.6 測量尺度、適應性估計、解耦訓練和遷移性評估—未來研究的方向84
3.7 結論85
3.8 附錄A:實驗范式、分析方法、特異性和遷移性指數(shù)86
3.8.1 冪函數(shù)或指數(shù)學習以及特異性測量87
3.8.2 無基線的遷移范式88
3.8.3 有基線的遷移范式89
3.8.4 訓練遷移范式91
3.8.5 交替訓練范式92
3.8.6 不平等試驗混合范式92
3.8.7 總結93
3.9 附錄B:度量精細度的影響93
參考文獻95
第三部分 機制
第4章 知覺學習機制102
4.1 知覺學習機制的信號和噪聲分析102
4.2 信號檢測理論103
4.3 觀察者模型表現(xiàn)的系統(tǒng)分析104
4.3.1 人類表現(xiàn)的觀察者模型104
4.3.2 知覺模板模型105
4.3.3 使用外部噪聲方法確定PTM107
4.4 利用外部噪聲研究知覺學習109
4.4.1 PTM中知覺學習的機制和特征109
4.4.2 一種典型的知覺學習的外部噪聲研究111
4.5 視覺任務中知覺學習的機制113
4.5.1 利用外部噪聲理解知覺學習113
4.5.2 不同知覺學習機制的分離表達116
4.5.3 PTM和外部噪聲方法的應用119
4.5.4 總結120
4.6 結論120
4.7 附錄121
4.7.1 指定PTM121
4.7.2 指定模板122
4.7.3 知覺學習機制的詳細特性125
4.7.4 PTM的細化127
參考文獻130
第5章 生理基礎134
5.1 知覺學習的生物學基礎134
5.2 生理基礎136
5.2.1 大腦功能區(qū)136
5.2.2 視覺系統(tǒng)137
5.2.3 知覺決策、獎勵和注意力的回路141
5.2.4 討論143
5.3 用生物學來理解學習143
5.4 來自單細胞記錄的證據(jù)145
5.4.1 特征的知覺學習146
5.4.2 模式的知覺學習151
5.4.3 物體和場景的知覺學習154
5.4.4 單細胞實驗中的知覺學習綜述 157
5.5 來自腦成像的證據(jù)158
5.5.1 特征的知覺學習159
5.5.2 模式的知覺學習161
5.5.3 物體的知覺學習164
5.5.4 知覺學習的腦成像研究綜述164
5.6 討論166
5.6.1 重加權在哪里167
5.6.2 與內部噪聲和觀察者模型的關系168
5.6.3 詳細計算研究169
5.7 結論170
參考文獻170
第四部分 模型
第6章 知覺學習模型178
6.1 建模的目標178
6.2 知覺學習的經(jīng)典模型180
6.3 重加權假設與AHRM模型184
6.3.1 通過通道重加權進行知覺學習184
6.3.2 AHRM的發(fā)展186
6.4 AHRM的測試和應用187
6.4.1 非穩(wěn)定環(huán)境下的知覺學習188
6.4.2 知覺學習的基本機制192
6.4.3 高噪聲和低噪聲下學習的非對稱遷移193
6.4.4 預訓練機制的影響194
6.4.5 多任務的協(xié)同學習分析196
6.5 學習的其他重加權模型197
6.6 總結199
6.7 未來方向200
6.8 附錄:AHRM實現(xiàn)細則201
6.8.1 表征模塊201
6.8.2 特定于任務的決策模塊203
6.8.3 學習模塊204
6.8.4 自適應偏差或標準控制204
參考文獻205
第7章 反饋208
7.1 知覺學習中的反饋208
7.2 經(jīng)驗研究文獻209
7.3 學習規(guī)則和反饋210
7.4 反饋和AHRM213
7.4.1 非平穩(wěn)外部噪聲環(huán)境下的反饋和學習213
7.4.2 目標訓練的準確性和逐項試驗反饋214
7.4.3 包括高準確性試驗的混合215
7.4.4 建模逐項試驗、錯誤、隨機和反向反饋217
7.4.5 建模塊反饋219
7.4.6 訓練不對稱與誘導偏差220
7.5 多刺激識別中的學習222
7.6 總結224
7.7 未來方向225
參考文獻226
第8章 對遷移性和特異性進行建模229
8.1 集成重加權理論229
8.2 對遷移性的日常類比230
8.3 分層表