СТРАТЕГИЯ КАК СПОСОБ ОПИСАНИЯ ПОВЕДЕНИЯ

В начале этой главы мы упоминали о том, что подчинение наших испытуемых правилам той или иной стратегии было довольно умеренным и что в то же время степень этого подчинения далеко превосходила ожидаемую, сделанную на основе случайного выбора. Вернемся теперь к этому вопросу. Насколько хорошо можно описать поведение испытуемого, если применить к нему мерку идеальной стратегии?

Первое и самое очевидное утверждение, которое можно высказать в этой связи, состоит в том, что идеальная стратегия, так верно служившая нам, представляет собой значительно усовершенствованную версию наблюдаемых нами способов поведения испытуемых, которые мы приняли далеко не априорно. Наше описание идеальной стратегии — это описание того, что именно, как нам кажется, стремится осуществить испытуемый.

Но, кроме данного интуитивного высказывания, существуют и более надежные экспериментальные источники выводов по этому вопросу. Первый из них — согласие, существующее между теоретическими оценками вероятности встречи с различными случаями и их реальной частотой встречи. Вторым источником служит анализ общей приверженности индивида к идеальной стратегии, числа случаев полного следования ее правилам и вероятности того, что последнее может иметь случайный характер ^1 .

^] Приводимые здесь данные заимствованы из работы Остина, Брунера и Сеймура []], в которой описано поведение испытуемых,

==199

Ожидаемая и наблюдаемая частота встреч с различными случаями

Для удобства изложения мы ограничимся рассмотрением задач с четырьмя признаками, принимающими по три значения каждый. Эти четыре признака выражаются, скажем, в количестве, цвете, форме фигур и числе каемок на карточке. После рассмотрения первого положительного примера задачи субъект может избрать гипотезу, содержащую суждение о значении одного, двух, трех или четырех признаков начальной положительной карточки. Конкретно в нашем эксперименте задуманное понятие определяется одним, двумя или тремя значениями. Ни одно понятие не определяется всеми значениями признаков, имевшихся в начальной карточке. Мы знаем, разумеется, что чем больше число значений, определяющих понятие, тем меньше положительных карточек. В нашем наборе из 81 карточки 27 должны быть положительными, если задуманное понятие определяется, скажем, одним значением «красный». Если же понятие определяется тремя значениями, то положительными будут только 3 карточки из 81.

Теперь рассмотрим вопрос о том, сколько примеров, представляющих четыре случая, следует ожидать в порядке случайности при условии принятия исходной гипотезы? При этом гипотеза характеризуется разным количеством использованных признаков, в то время как само задуманное понятие определяется разным количеством их значений. Говоря конкретно, сколько случаев могут встретить представители целостной и сканирующей стратегий? Относительно одно-, двух- и трехзначных понятий могут быть приняты одно-, двух-, трех- и четырехзначные гипотезы. Начнем с предъявления первого примера. Это положительная карточка, в которой представлено по одному из трех возможных значений каждого из четырех признаков. Пусть задуманное понятие определяется одним из признаков первой карточки. Карточка содержит два красных круга и одну каемку и является примером понятия

работающих в желаемом темпе и без спешки. Именно с этой работы начались наши исследования стратегий приема при образовании понятий.

К оглавлению

==200

«красный». Допустим, испытуемый принял в результате однозначную гипотезу, согласующуюся с первым примером. Таким образом, имеется четыре гипотезы: цифра «2», цвет «красный», форма «круг» и «одна каемка». Решим теперь следующий вопрос: где гарантия того, что следующая карточка, выбранная наугад из всей совокупности возможных примеров, окажется либо положительной подтверждающей, либо положительной опровергающей, либо отрицательной подтверждающей, либо отрицательной опровергающей? Мы знаем, что одна треть набора или 27 карточек являются положительными, то есть содержат красные фигуры. В таком случае возможность выбора положительного подтверждающего примера определяется следующим образом: если испытуемый принял истинную гипотезу «красный», то все 27 положительных примеров будут подтверждающими. Если же он принял одну из трех ложных однозначных гипотез, скажем «одна каемка», то лишь девять примеров будут подтверждающими, те, которые содержат красные фигуры с одной каемкой. Таким образом, средняя теоретическая частота встречи с положительным подтверждающим примером, основанным на первой карточке, равна 3,5. Этим способом вычислены значения, показанные в табл. 5. В ней представлена средняя теоретическая частота выпадания данного случая в качестве второго примера, если бы этот второй пример выбирался наудачу из набора 81 возможного примера.

Из этой таблицы ясно видно, что нет шансов встретить отрицательный опровергающий случай в качестве второго примера, если индивид принял целостную гипотезу с четырьмя признаками. Чем меньше признаков содержится в начальной гипотезе, тем выше вероятность того, что следующая карточка будет отрицательной опровергающей. Это имеет место вне зависимости от числа значений, определяющих в действительности задуманное понятие. И наоборот, вероятность встречи с отрицательным подтверждающим случаем растет с увеличением числа признаков, принятых в гипотезе.

Если обратиться теперь к фактическим данным о поведении испытуемых, то окажется, что представители стратегии последовательного перебора частных признаков встречают больше отрицательных опровергающих приме-

==201

Таблица S

ЧИСЛО ПРИМЕРОВ В НАБОРЕ ИЗ 8] КАРТОЧКИ, ВЫПАДАЮЩИХ (В СРЕДНЕМ) НА КАЖДЫЙ ИЗ ЧЕТЫРЕХ СЛУЧАЕВ

ЕСЛИ СУБЪЕКТ ПРИНЯЛ НЕСКОЛЬКО ЗНАЧЕНИЙ ПРИЗНАКОВ ПЕРВОГО ПОЛОЖИТЕЛЬНОГО ПРИМЕРА В КАЧЕСТВЕ НАЧАЛЬНОЙ ГИПОТЕЗЫ

Число признаков в гипотезе

Число значений, определяющих задуманное

Случай

] 2 3 4*

] 2 3

ПП ПО ОП 0

ПП

по

ОП 00

ПП

по

ОП 00

]3,5 6,0 2,0 ],0 ]3,5 2],0 25,0 26,0 40,5 5],0 53,5 54,0 ]3,5 3,0 0,5 0,0

6,75 4,0 2,0 ],0 2,25 5,0 7,0 8,0 5],0 66,7 7],0 72,0 2],0 5,3 ],0 0,0

2,5 2,0 ],5 ],0 0,5 ],0 ],5 2,0 53,5 7],0 76,5 78,0 24,5 7,0 ],5 0,0

Для этого набора карточек принятие гипотезы с четырьмя признаками соответствует целостному подходу.

ров, чем представители целостной стратегии, и что последние встречают больше отрицательных подтверждающих примеров. Подобным образом отношение числа положительных опровергающих примеров к числу положительных подтверждающих у представителей целостной стратегии оказывается выше, чем у представителей стратегии перебора частных признаков. В табл. 6 показано среднее количество различных случаев, фактически встреченных испытуемыми при решении задач, начинающихся с целостной или парциальной гипотезы.

В целом имеет место полное согласие между ожидаемым и наблюдаемым распределением частот различных случаев в зависимости от принятой стратегии.

Главное различие между ожидаемыми и наблюдаемыми данными касается частоты встречи с отрицательными опровергающими примерами, встретившимися после принятия целостной гипотезы. Если целостная стратегия соблюдается

==202

Та б лица в

СРЕДНЕЕ ЧИСЛО СЛУЧАЕВ, ВСТРЕЧЕННЫХ ПРИ РЕШЕНИИ ОДНОЙ ЗАДАЧИ, НАЧАТОЙ С ЦЕЛОСТНОЙ II ПАРДЙАЛЫЮИ .ЙДЗАЛ.ЫЬОЙ ГИПОТЕЗЫ

Случай

Целостная начальная гипотеза

Парциальная начальная гипотеза

ПП

ПО

ОП

Всего

0,7 ],3 3,4 0,4 5.8

],0 ],0 2,8 ],0

5,8

Примечание: таблица составлена на материале 355 задач, решение которых начиналось с целостной гипотезы, и 214—с парциальной.

строго, встреча с отрицательными опровергающими случаями невозможна. Однако фактически она наблюдалась в среднем у одного испытуемого при решении одной задачи 0,4 раза. Это объясняется тем, что испытуемые иногда отклоняются от правил целостной стратегии. Если же оставить в стороне различие между наблюдаемым и ожидаемым распределением, то согласие между ними оказывается более чем достаточным для доказательства того, что описание и анализ поведения индивидов в терминах соблюдения ими идеальных стратегий являются полезными.

Вероятность полного соблюдения правил стратегии

В какой мере, приняв парциальную или целостную гипотезу, испытуемые подчиняются правилам сканирующей или фокусирующей стратегий, которые идеально приспособлены для видоизменения таких гипотез? Экспериментальные данные просты. Из задач, начатых с целостной гипотезы, 47% решалось до конца с полным соблюдением правил фокусирования во всех последующих случаях. Из задач, начатых с парциальной гипотезы, 38% решалось с полным соблюдением правил сканирования.

Частота полного и правильного следования стратегиям поразительно высока. Значение этой частоты еще более

==203

возрастает, если сравнить ее с теоретической частотой, вычисленной в предположении случайного выбора. Каковы шансы строгого следования правилам в этом последнем случае?

К нашим услугам целый ряд вероятностных моделей, которые представлены здесь, если угодно, роботами, в различной степени наделенными памятью и логическим мышлением. Возьмем робота — совершенного тупицу, действующего с максимальной производительностью и формулирующего гипотезу после каждого примера, так сказать, на пустом месте. Так, он может даже не обратить внимания на карточку, которая ему предъявляется. Это значит, что при наборе карточек с четырьмя признаками он может выбирать произвольно из 256 возможных гипотез, соответствующих классам, на которые можно разбить множество примеров. Если ему предъявляется пять примеров и он должен как-то поступить со своей гипотезой после каждой встречи с очередным примером, хотя бы даже оставить ее в силе, то шанс принятия одного из возможных наборов из пяти гипотез составит 1/256 ^5 , то есть чрезвычайно малую долю единицы. А это и есть вероятность того случая, что гипотезы будут видоизменяться в полном соответствии с правилами в ходе предъявления всех пяти примеров задачи.

Мы видим, что такая «тупая» вероятностная модель абсолютно тривиальна.

Рассмотрим теперь робота, отличающегося от предыдущего лишь одной рациональной чертой: после предъявления каждого примера он формулирует гипотезу в соответствии с этим примером. После первого примера, как и после каждого другого, его шансы на выбор определенной гипотезы являлись бы функцией числа возможных гипотез, совместимых с любым примером. Для набора карточек с тремя признаками таких гипотез 7; для набора с четырьмя признаками—15; для набора с пятью и шестью признаками — соответственно 31 и 63. Таким образом, шанс принятия определенной гипотезы на основе некоторого примера составляет 1/7, 1/15, 1/31 и 1/63 в зависимости от числа признаков в наборе. Шансы на то, что этот робот, приняв фокусирующую стратегию, будет систематически следовать всем ее правилам при решении задач с четырьмя признаками, содержащих пять примеров, составляют (1/15) ^6 , то есть один случай на15 ^5 задач ^

==204

Это число все еще астрономически большое, и оно

растет с увеличением количества признаков и примеров задаче. Сравнительно скромный пример, приведенный нами, означает, это только один раз на 759 375 задач следует ожидать строгого соблюдения правил на всем протяжении эксперимента. Такой робот годится только для того, чтобы строить гипотезы, совместимые с каждым представляемым ему примером.

Можно было бы идти дальше по этому пути и конструировать роботов, наделенных более богатой логикой и способностью запоминать содержание предыдущих примеров. Но этот путь может завершиться лишь построением модели, обнаруживающей ту же степень соблюдения правил стратегии, что и наши испытуемые. Хотя такой труд мог бы оказаться полезным упражнением в технике построения моделей, он тем не менее выходит за рамки нашей задачи. Мы просто стремились показать, что степень соблюдения правил стратегии фактически значительно превышает данные, которые можно получить случайным образом.

1-2-3-4-5-6-7-8-9-10-11-12-13-14-15-16-17-18-19-20-21-22-23-24-25-26-27-28-29-30-31-32-33-34-35-36-37-38-39-40-41-42-43-44-45-46-47-48-49-50-51-52-53-54-55-56-57-58-59-60-61-62-63-64-65-66-67-68-69-70-71-72-73-74-75-76-77-78-