Beispielbild

Lernen & Gedächtnis

Theorien der Klassischen Konditionierung

SoSe 2007

2Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Was erklärt die Formel? Was sagt diese Formel voraus?

Wieso ist dies die vielleicht wichtigste Formel in der Psychologie?

3Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Ausgangspunkt:

Kontingenz, Prepardness, Blockierung implizieren, dass

hinter der Konditionierung mehr als nur die simultane

Aktivierung von zwei Hirnzentren steht.

‚Überraschung‘:

Die Kombination aus Ton/Licht + Schock muss

nicht zu einer Konditionierung für den Lichtreiz

führen.

Der US (Schock) muss nämlich überraschend sein!

Nur dann wird eine Suche im Gedächtnis initiiert.

4Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Leo Kamins Botschaft:

Lernen hängt von der Diskrepanz zwischen unserer

Erwartung und dem Erleben ab.

Wenn ein erwartetes Ereignis eintritt, lernen wir

nicht! Werden wir überrascht, suchen wir nach

Kontingenzen.

Modifikation von Rescorla & Wagner:

Der Grad der Überraschung determiniert,

wie stark der Konditionierungseffekt ist.

Je unerwarteter der Reiz, desto stärker die

Konditionierung.

5Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Lernkurve und der Parameter V:

V = Stärke der Assoziation von CS & US

V nimmt nicht linear über die Zeit zu,

sondern folgt einer Sättigungsfunktion

Lernkurve und der Parameter ∆V:

∆V(i) = Veränderung der Stärke über einen

fixen Zeitraum i

V(max) = Asymptote, der sich die Funktion

annähert (Sättigungswert)

6Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Wie kommt nun der

‚Überraschungswert‘ in diese

Funktion?

Beziehung zwischen V und V(max)

Im frühen Stadium der Konditionierung (1)

ist die Differenz hoch. D.h. der Grad der

Überraschung ist hoch.

Im späten Stadium der Konditionierung (2)

is die Different geringer. D.h. der Grad der

Überraschung ist gering.

Der Grad der Überraschung ist korreliert mit

dem Anwachsen der assoziativen Stärke.

V(max)

7Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Wie sagt man nun ∆V(i) vorher:

∆V(i) = V(max) – V(i)

Das Anwachsen der Stärke der Assoziation

in einem Trial i wird determiniert aus der

Differenz zwischen V(max) und der

augenblicklichen Assoziationsstärke V(i).

8Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Problem 1

Manches Konditionieren geht langsam

(Speichelfluss), manches

Konditionieren geht schnell

(Geschmacksaversion).

Wie verändert dies das Modell?

Man muss einen Parameter einfügen:

∆V(i) = c(V(max) – V(i))

V(max) legt das Niveau der Asymptote

fest. c legt fest, wie schnell sich die

Funktion ändert.

9Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Problem 2

Wie kann ich das Modell evaluieren?

Wie viele Parameter benötige ich zur Schätzung?

sEr = (sHr x D x K x V) - (sIr + Ir) +/- sOr

Lösung:

Die Werte (c, V(max)) werden zufällig

festgesetzt. D.h. dass man nur qualitative

Aussagen über den Lernverlauf treffen kann,

keine quantitativen.

Hull

10Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Evaluation: Simpler Konditionierungsprozess

Typ: Ton / Fleisch – Speichel

V(max) : 1.0 und c=0.3

∆V(i) = c(V(max) – V(i))

Zeitpunkt Ass. Stärke ∆V(i)

1 0.0 0.3 (1-0.0) = 0.3

2 0.3 0.3(1-0.3) = 0.21

3 0.51 0.3(1-0.51)= 0.15

4 0.66 0.3(1-0.66) =0.10

11Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Evaluation: Extinktion

Typ: Ton – Speichel

V(max) : 0 und c=0.3

∆V(i) = c(V(max) – V(i))

Zeitpunkt Ass. Stärke ∆V(i)

5 0.66 0.3 (0-0.66) = -0.198

6 0.46 0.3(0-0.46) = -0.138

7 0.322 0.3(0-0.322)= -0.096

12Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Evaluation: Blockierung

Typ: Ton/Licht – Schock

Implikation: V(CS1, CS2) = V(CS1) + V(CS2)

Und ∆V(US1,i) = ∆V(CS2,i) = c(V(max) – V(CS1, CS2))

CS1 (Ton) in der ersten Phase gegeben. Maximale Ass-Stärke erreicht:

V(CS1) = 1.0

CS1 (Ton) und CS2 (Licht werden in der zweiten Phase kombiniert:

V(CS1,CS2) = V(CS1) + V(CS2) = 1 + 0 = 1

Nun wird in der dritten Phase der CS2 (Licht) alleine geprüft:

∆V(CS2,i) = c(V(max) – V(CS1, CS2)) =

0.3 (1.0 – 1.0) = 0 (mit V(max) : 0 und c=0.3)

13Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Evaluation: Kontingenz

= US

CSCS CS Kontingenz = hoch

CS Kontingenz = niedrig

CS

Erklärung:

Organismus sucht nach einem CS

(z.B. Surren des Ventilators)

Und: dieser neue CS ist

vermutlich konstant vorhanden

CS CS

CS2 CS2 CS2CS2

Konsequenz:

Da CS2 häufiger mit dem US gekoppelt wird, ist

dessen assoziative Stärke auch höher.

14Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Prognosefähigkeit des Modells

Ansatz:

Macht das Modell eine Annahme, die intuitiv und nach dem Stand der Forschung

nicht nachvollziehbar ist?

Gedankenexperiment:

Phase 1 (je 5 Trials)

Ton – Schock

Licht – Schock

Gedankenexperiment:

Phase 2 (je 10 Trials)

Ton + Licht – Schock

Gedankenexperiment:

Phase 3

Ton …

Wenige Trials (n=5)

V(Licht) = 0.2

V (Ton) = 0.2

∆V(Ton) = ∆V(Licht) =

0.5 (1.0 – 0.4) = 0.3

Bei c=.5 und

V(max)=1.0

Anstieg der Furcht mit

Beginn der zweiten

Phase -

Furchtkonditionierung

15Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Prognosefähigkeit des Modells

Gedankenexperiment:

Phase 1 (je 25 Trials)

Ton – Schock

Licht – Schock

Gedankenexperiment:

Phase 2 (je 10 Trials)

Ton + Licht – Schock

Gedankenexperiment:

Phase 3

Ton …

Viele Trials (n=25)

V(Licht) = 0.9

V (Ton) = 0.9

∆V(Ton) = ∆V(Licht) =

0.5 (1.0 –1.8) = -0.4

Bei c=.5 und

v(max)=1.0

Reduktion der Furcht mit

Beginn der zweiten

Phase – keine

Furchkonditionierung

16Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Prognosefähigkeit des Modells

SNIFFY

Phase 1 (25 Trials) -> Reaktion auf Licht, bzw. Ton

Phase 1 (25 Trials) + Phase 2 (25 Trials) ->

Reaktion auf Licht, bzw. Ton

S u p p r e s s io

n

Licht Ton

Phase 2

- - ++

Effekt der ‚Über-Erwartung‘

(overexpectation)

17Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Problemfälle für das Modell

Licht - Schock Licht…

Licht - Schock Licht…Licht…

Latente Inhibition oder CS Preexposure Effect:

CS wird schwieriger zu konditionieren, weil man wahrscheinlich

lernt, ihn zu ignorieren.

Nicht erklärbar mit dem Rescorla-Wagner-Modell!

18Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Problemfälle für das Modell

Licht - Schock Ton+Licht - …

V(Ton) = 0.5 V(Ton+Licht) = 1.0V(Licht) = 0.5

Ton - Schock

Konfigurales Lernen:

Eine Reizzusammensetzung kann

schwieriger als CS fungieren. Eine

simple Summation der Reize

funktioniert nicht, da das Ereignis

als ‚Stimulus-Compound‘

verarbeitet wird.

Nicht erklärbar mit dem Rescorla-Wagner-Modell!

Zeit

C R

Ton+Licht

Ton

Licht

19Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Rescorla-Wagner-Modell

Bewertung

Vorteile

Das Modell kann eine Reihe

komplexer Lernvorgänge erklären,

wie z.B. die Extinktion oder das

‚Blocking‘.

Probleme

Das Modell fokussiert sich nur auf

die Beziehung zwischen CS und US

– aber nicht auf die ‚Geschichte‘ des

Lernens oder seine Umgebung.

Diese können