24、ACT-R模型序列学习的敏感性分析

ACT-R模型序列学习的敏感性分析

在认知建模领域，对模型性能进行细致的敏感性分析至关重要。本文将聚焦于ACT - R模型，深入探讨其在不同参数和实验条件下的表现，为理解人类认知的能力和局限提供有价值的见解。

1. 实证分析目标与参数

实证分析旨在详细研究模型性能与多个参数以及实验条件之间的关系。通过这种敏感性分析，我们能够深入探究模型内部和外部操作的行为和计算效果，精确分析模型潜在理论假设的含义。

分析涉及的核心模型和实验参数如下：
- 序列类型 ：包括唯一序列（序列中每个刺激仅出现一次）、混合序列（部分刺激后跟随固定刺激，部分则不然）和模糊序列（所有刺激多次出现，无法根据前一刺激明确预测下一刺激）。
- 记忆衰减率 ：控制序列学习和遗忘的速度。
- 组块激活噪声 ：控制模型的随机性。
- 记忆检索阈值 ：决定记忆检索所需的激活量，与实验研究中的刺激 - 反应间隔成反比。
- 序列变化 ：指旧序列遗忘和新序列学习的速度。
- 知识表示选择 ：序列是编码为分层组块还是固定长度组块，以及组块长度的影响。

模型分析主要基于实证研究，除非另有说明，结果将报告模型在20个包含12个刺激的块上进行1000次蒙特卡罗运行的平均值。在可行的情况下，实证结果将通过使用ACT - R方程进行形式分析来补充。

为评估模型性能，使用以下三个依赖指标：
-