Beispielbild - ewi-psy.fu- · PDF fileGrundlagen: Klassische KonditionierungFachbereich,...

Click here to load reader

  • date post

    10-Aug-2019
  • Category

    Documents

  • view

    213
  • download

    0

Embed Size (px)

Transcript of Beispielbild - ewi-psy.fu- · PDF fileGrundlagen: Klassische KonditionierungFachbereich,...

  • 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