Conaway 與 Kurtz (2015, 2017)研究中引入了部分 XOR 作業，並於行為資料發 現有一部份的受試者會在測驗階段時會將未曾出現過的第四象限刺激分入與第 二象限同類別。這個結果違反相似性原則，Conaway 與 Kurtz 以此反駁參考點模 型，認為分類並不總是跟心理距離有關，並提出了統計模型 DIVA 來解釋資料。
然而，鑒於先前許多研究顯示分類的表徵具有異質性(Aha & Goldstone, 1992; Yang
& Lewandowsky, 2003, 2004)，本研究嘗試建立異質性表徵的參考點模型觀點，而 非直接捨棄參考點模型，來解釋部分 XOR 作業的發現。透過前導研究中參與者
‧
這樣的結果也不限只在部分 XOR 作業，若作業要求學習完整 XOR（full-XOR）
結構，即訓練階段時就出現有第四象限的刺激，則參與者可以直接省略兩類別錯
‧
在本研究中都將接近性策略與 XOR 策略視為是兩條路徑，然而，Yang(2017) 有另外一種觀點：認為接近性策略與 XOR 策略不是水平同層次的兩個選擇，而 是有垂直的序列關係。在一開始隱藏了第四象限的結構中，參與者應順其自然的 就以接近性來進行分類，因此首先出現的是較為簡單、無預設的接近性策略，而 當參與者在測驗階段遇到了未見過的刺激之時，這才興起 XOR 策略的想法。此 時參與者就要選擇是繼續使用接近性策略，抑或改為使用 XOR 策略來進行分類，
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
XOR 策略探討
如：Yang & Lewandowsky, 2003, 2004）及 DIVA 模型的研究（譬如：Conaway & Kurtz, 2017）都有使用；然而，因為是比例性質，所以指標不會考量象限內點的分布是 如何，此外，範圍拉太大容易受到邊界所在位置的影響（例如圖 23 答案 4），範 圍拉太小又會容易受到參與者「按錯」等行為的汙染，使用上須格外注意。
S 指標。S 指標為本研究新設計的指標，透過計算架構中對角軸的對稱性作為區 分策略組的指標。S 指標雖然也會受到邊界的影響，但計算上提供了一個可以設 定標準的機制（見公式(2)）。這個機制除了能探討更多元的結構外，也可以用在 其他不同的研究軸向。在本研究中著眼的是那些 XOR 策略使用者，因此以 XOR 策略的數值作為公式(2)中的基準值，計算出來的 S 指標就代表 XOR 傾向。然而，
同樣的作業與實驗典範下，研究者可以選擇探討接近性策略而非 XOR 策略，此 時就可以將基準改為接近性策略的數值，以求得接近性傾向。
研究限制與未來方向
硬性分群。策略組的分組使用 K-means 分群法，會硬性的將參與者分到其中一個 組別，因此可能會發生不像 XOR 策略的反應因為更不像接近性原則，而被分入 XOR 策略組。因此雖然同為 XOR 策略組，組內的性質可能不一，如何解決分群 的問題值得後續討論。
區段效果。本研究中測驗階段都有兩個區段，然而因為就目前已知兩類別錯覺並 不與時間或重複看到刺激有關，因此並沒有預期區段效果。雖然不太有參與者在 區段一二間改變反應策略，但綜合三個實驗來看，區段二的 S 指標有顯著大於區 段一，顯示參與者在區段間仍有些變動。這些不穩定可能純粹是記憶消退造成的 反應改變，也可能是參與者同時保有 XOR 策略與接近性策略，並在決策應該使
‧
與 Lewandowsky (2012)檢驗包含知識分化等多種分類策略也同樣發現工作記憶 廣度只影響學習速率，而不影響策略的選用。除了工作記憶之外，因為 XOR 策 負責分化或調控的單元。先前在 Yang 與 Lewandowsky (2004)的研究中使用 ATRIUM 模型(Erickson & Kruschke, 1998) 解釋分類中的知識分化現象，可能可以‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
XOR 策略探討
程圖中的每個路徑選擇視為一半一半，也只會得到 1 比 3。在建立模型後，可能 可以透過模型中參數的樣貌來解釋 1 比 2 比值產生的原因。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
XOR 策略探討
62
結論
在部分 XOR 作業典範中，本研究引入異質性表徵概念，以知識分化觀點向特徵 統計模型 DIVA 觀點競爭解釋 XOR 策略生成的原因。透過類別結構與刺激材料的 設計，本研究得以在行為上增加或減少使用 XOR 策略的參與者比例，進而支持 有此實驗預期的知識分化觀點。此外，研究中也提出了 S 指標，能用來處理更多 元的類別結構，並提供較佳的跨實驗比較手段。最後，本研究初步排除了工作記 憶對策略選擇的影響，對其他個別差異的檢驗與建立知識分化模型還有待後續研 究的參與。
‧
Abdi, H., Valentin, D., & Edelman, B. (1999). Neural Networks (Quantitative Applications in the Social Sciences).
Aha, D. W., & Goldstone, R. L. (1992). Concept learning and flexible weighting. Paper presented at the Proceedings of the fourteenth annual conference of the Cognitive Science Society.
Ashby, F. G., Alfonso-Reese, L. A., & Waldron, E. M. (1998). A neuropsychological theory of multiple systems in category learning. Psychological review, 105(3), 442.
Ashby, F. G., & Gott, R. E. (1988). Decision rules in the perception and categorization of multidimensional stimuli. Journal of Experimental Psychology: Learning, Memory, and Cognition, 14(1), 33.
Ashby, F. G., & Maddox, W. T. (1990). Integrating information from separable psychological dimensions. Journal of Experimental Psychology: Human Perception and Performance, 16(3), 598.
Ashby, F. G., & Maddox, W. T. (2005). Human category learning. Annu. Rev. Psychol., 56, 149-178.
Ashby, F. G., Paul, E. J., & Maddox, W. T. (2011). 4 COVIS. Formal approaches in categorization, 65.
Ashby, F. G., & Townsend, J. T. (1986). Varieties of perceptual independence.
Psychological review, 93(2), 154.
Brainard, D. H., & Vision, S. (1997). The psychophysics toolbox. Spatial vision, 10, 433-436.
Conaway, N., & Kurtz, K. J. (2015). A Dissociation between Categorization and Similarity to Exemplars. Paper presented at the CogSci.
Conaway, N., & Kurtz, K. J. (2017). Similar to the category, but not the exemplars: A study of generalization. Psychonomic Bulletin & Review, 24(4), 1312-1323.
Craig, S., & Lewandowsky, S. (2012). Whichever way you choose to categorize, working memory helps you learn. Quarterly Journal of Experimental Psychology, 65(3), 439-464.
DeCaro, M. S., Carlson, K. D., Thomas, R. D., & Beilock, S. L. (2009). When and how less is more: Reply to Tharp and Pickering. Cognition, 111(3), 415-421.
DeCaro, M. S., Thomas, R. D., & Beilock, S. L. (2008). Individual differences in category learning: Sometimes less working memory capacity is better than more. Cognition, 107(1), 284-294.