シミュレーションに戻る
＃ 導入
このシミュレーションは、広く研究されているストループ課題に関連して、前頭前皮質 (PFC) が実行制御のためのトップダウンのバイアスをどのように生成できるかを示しています。 このモデルは、古典的な コーエンら、(1990) ストループ モデルの コーエンら、(1994) バージョンに似ており、双方向の興奮性結合と抑制性競合を備えています。
- [[sim:Wts]] / [[sim:Wts/r.Wt]] を使用して StroopNet ネットワークの接続を調査することから始めましょう
非表示ユニットと出力ユニットの間の接続 (gr = 緑の出力、gr = 緑の出力、 rd = 赤の出力)。人々はここで開始するランダムなつながりよりも意味のあるつながりを持ってストループタスクに参加すると想定していますが（たとえば、環境で赤を知覚したときに「緑」ではなく「赤」と言える）、これらのつながりはタスクのトレーニングの過程で意味のあるものになるため、ここではわざわざこれらのつながりを事前設定しませんでした。
＃ トレーニング
次に、トレーニング環境のパターンを見てみましょう。
- パターンを表示するには、左側のコントロール パネルの [[sim:sim-form/Train]] をクリックします。
開いたウィンドウには 4 つの異なるトレーニング入力パターンが表示されます。Gw = 単語「緑」を読む、Rw = 単語「赤」を読む、gc = 緑の色の名前を付ける、rc = 赤い色の名前を付ける。 これらのイベントの頻度は、テーブルの最後の列によって制御されます。単語の読み取りイベントの頻度が 6 であるのに対し、色のネーミング イベントの頻度は 2 であることがわかります。この頻度の違いにより、単語の読み取りが色のネーミングよりも強くなります。トレーニングを使用してさまざまな経路の強度を確立することにより、モデルはベンチマーク マクラウドとダンバー (1988) トレーニング実験を非常に自然に考慮していることに注意してください。 また、競合条件を訓練することはありません。現実世界ではストループ刺激がまれであると仮定して、純粋な場合だけを訓練します。
次に、ネットワークをトレーニングしましょう。
-
[[sim:Init]] および [[sim:Step]]: Trial ([[sim:Act]] / [[sim:Act/Act]] の表示に戻る) を実行して、いくつかのトレーニング イベントを確認します – 標準のエラー駆動学習を使用して、各ケースの正しい出力をトレーニングします。 [[sim:Train Epoch Plot]] をクリックし、次に [[sim:Run]] をクリックして、55 エポック間トレーニングします。ネットワークは正しい応答を生成することを学習し、[[sim:Train Epoch Plot/PctErr]] はゼロになります。
-
Network ビューに戻り、[[sim:Wts]] / [[sim:Wts/r.Wt]] を選択し、gr および rd 出力単位をクリックします。ネットワークが、単語 * または * 色の名前に対する正しい出力応答への接続を強化することを徐々に学習していることがわかります (この事前トレーニング中に両方が一緒に認識されることはありません)。
次に、トレーニングの結果として発達する 2 つの経路の体重の強さの差を調べます。観察された重みの違いはそれほど大きくありませんが、色の名前よりも単語の読み取りが優勢であるという行動上の影響を生み出すには十分です。
g と G の隠れたユニットを順番にクリックします。 特定の送信ユニットの上にマウスを置くと、その重量値が表示されます。 (正しい単位の上にマウスを移動していることを確認するには、表示されるウェイト値が表示されているバーの高さと色と一致していることを確認し、括弧内の値を確認します。[0,0] はレイヤー内の最初の単位を示し、[1,0] はレイヤー内の 2 番目の単位を示します。)
質問 9.4: g および G 隠れユニットのそれぞれの入力ユニット、PFC、および gr 出力ユニットからの重み値を報告します。これは合計 6 つの重量値になります。 (rd 出力ユニットからの重量はレポートしないでください。)
`G` (単語の読み取り) 隠れユニットは、トレーニングの頻度が高いため、全体的により強い重みを持っていることがわかります。
# 基本的なストループタスク
次に、Stroop タスクでネットワークをテストしてみましょう。まず、テスト イベントを表示します。
* 左側のコントロール パネルで [[sim:Test]] をクリックすると、テスト イベントが表示されます。
6 行が表示され、そのうち 3 行が単語の読み方、3 行が色の名前です。最初の 3 行には、ワード読み取りの *control、conflict*、および *congruent* 条件が表示されます。これらはすべて、ワード読み取り PFC タスク ユニット (「wr」ユニット) がクランプされています。すべてのパターンで「R」ワード ユニットがアクティブになります。 *Control* にはアクティブなカラー ユニットがありません。*conflict* はアクティブな `g` (緑) カラー ユニットを追加し、*congruent* は「r」(赤) カラー ユニットを追加します。行 4 ～ 6 には、色の名前付けイベントが表示されます。色の名前付けについても同様の入力パターンを観察する必要があります。
ここで、実際にネットワークをテストしてみましょう。
* [[sim:Test Trial Plot]] をクリックし、実行モードを `Train` ではなく `Test`、次に [[sim:Init]]、次に [[sim:Run]] に切り替えて、すべてのテスト入力を実行します。
応答時間 `RT` がプロットされています。これは、出力ユニットがアクティベーションしきい値 0.5 を超えるまでのサイクル数を測定し、それぞれ制御 (Ctrl)、競合 (Conf)、および一致 (Cong) 条件でラベル付けされています。
**図 1:** [ダンバーとマクラウド (1984)](#references) のストループ データ。単語の読み方と比較して、色の名前に対する競合の異なる影響を示しています。
これを図 1 に示す人間のデータと比較すると、前述した人間のデータの重要な特性がすべて再現されていることがわかります。色の命名の競合条件への干渉、さまざまな条件に対する単語の読み取りの影響を受けないこと、色の命名が全体的に遅くなるなどです。
これで、テスト イベントを 1 ステップずつ実行して、何が起こっているかをよりよく把握できるようになりました。
* まず、クリックして `Network` の表示に戻り、[[sim:Act]] / [[sim:Act/Act]] をクリックしてアクティベーションを表示します。次に、[[sim:Init]] を実行し、次に [[sim:Step]]: `Trial` を実行します (まだ `Test` モードのままです)。 ネットワークの右下にある `Time` VCR ボタンを使用して、アクティベーションの設定を確認します。 [[sim:Step]]: `Trial` をクリックして、`Test` パターンの各タイプのトライアルを確認し、各トライアルのアクティベーションの設定を確認します。
各トライアルでは、単語の読み取りの 3 つの条件を順に (コントロール、コンフリクト、コングルエント) 通して 1 ステップ進み、続いて色のネーミングについても同じことを行います。単語の読み取り条件については、対応する単語読み取りの隠れユニットが迅速にアクティブ化され、これにより、色経路入力の影響をほとんど受けずに、対応する出力ユニットがアクティブ化されることが観察されるはずです。重要な重要な条件は、競合色の名前付け条件です。
> **質問 9.5:** 隠れユニットのアクティブ化に特に注意を払いながら、色の名前の競合状態中にネットワークで何が起こるか、またそれが観察される応答時間の低下 (安定化) にどのようにつながるかを説明してください。
# 正面損傷の影響
モデルが正常データのいくつかの重要な側面を説明していることがわかったので、後部処理経路 (モデル内の隠れ層ユニット) へのバイアスへの寄与を弱めることで、モデルの前頭前 (PFC) タスク ユニットの重要性を評価できます。この寄与の強さは、PFC から隠し層への接続の重みスケーリング パラメーターを使用して操作できます。このパラメータはコントロール パネルの [[sim:From PFC]] によって設定され、デフォルトは 0.3 です。効果を確認するために、これを 0.25 に減らします。 PFC ユニットの影響のこの削減は、[コーエンとセルヴァン・シュライバー (1992)](#references) によって実行されるゲイン操作と機能的に同等であることに注意してください。
* ControlPanel の [[sim:From PFC]] パラメータを 0.3 から 0.25 に下げてから、[[sim:Init]] (変更を適用してテストを再開するために重要) と [[sim:Run]] を実行し、[[sim:Test Trial Plot]] を見て結果を確認します。
競合色の名前付け条件に対してモデルの速度が大幅に低下していることがわかります。これは、前頭葉および統合失調症の患者集団 [コーエンとセルヴァン・シュライバー (1992)](#references) で観察されたデータと同じパターンです。したがって、PFC タスク ユニットからのトップダウンのアクティブ化は、強力な単語読み取り応答を克服するために必要な制御された処理にとって特に重要であることがわかります。モデルを実際の患者の応答時間に適合させるには、モデルには存在しない全体的な速度低下効果と、知覚/運動オフセットを調整する必要があることに注意してください。トップダウンの強度をさらに下げると (たとえば、約 0.1)、ネットワークは色の名前の競合状態でエラーを起こし始めます (これは、プロットの `Err` 行で確認できます。エラーを表示できるように Y 軸を拡大縮小するには、`RT` のクリックを解除する必要がある場合があります)。
私たちは、PFC ゲインを減らすと、前頭部の患者や統合失調症患者の特徴的な行動を引き起こす可能性があることを示しましたが、他の操作によって PFC に特に影響を与えることなく、これと同じ行動パターンを引き起こす可能性は依然としてあります。言い換えれば、観察された行動は特に PFC 欠損を診断するものではない可能性があります。たとえば、神経損傷の典型的な副作用の 1 つは、全体的な処理が遅くなるということです。この全体的な遅くなったことが、色の名前の競合状態に異なる影響を与えた場合はどうなるでしょうか?モデルでこの可能性をテストするには、コントロール パネルの時定数パラメーター [[sim:Dt Vm Tau]] を増やしてみましょう。これは、モデル内の全体的なアクティブ化更新速度を決定します。
* [[sim:From PFC]] を .3 に復元し、[[sim:Dt Vm Tau]] を (30 から) 40 に増やします。 `Test` [[sim:Init]] および `Test` [[sim:Run]] を再度実行します。
> **質問 9.6:** この全体的な速度低下操作の結果を、以前に実行した PFC ゲイン操作と比較してください。速度を緩めると、前頭葉疾患や統合失調症の患者に見られる特徴的な行動も生じるのでしょうか? (競合色の命名条件が特に影響を受けているかどうかを評価するには、競合色の応答時間を制御色の応答時間で割ることにより、全体的な速度低下効果を調整する必要があります。結果の値は、無傷のモデルでは 1.4、前頭前部ユニットからの寄与が弱まったモデルでは 1.6 になります。)
# SOA タイミング データ
**図 2:** Glaser & Glaser (1983) の Stroop SOA タイミング データ。
モデルが考慮すべきもう 1 つの重要なデータ セットは、[グレイザーとグレイザー (1983)](#references) によって報告される差分刺激開始時間の影響です (図 2 を参照)。このテストをモデルに実装するには、1 つの刺激を指定されたサイクル数だけ提示し、次に他の刺激を追加して、(2 番目の刺激の開始と比較した) 最終的な応答時間を測定します。同時条件の両側で 20 サイクルの範囲をカバーする 5 つの異なる SOA (_stimulus onset asynchrony_) 値を使用します。単語の読み取りでは、色は単語の 20 サイクル先行して開始され、次に 16、12、8、および 4 サイクル (すべて負の SOA で示されます)、次に標準のストループ (0 SOA) と同様に色と単語が同時に表示され、最後に単語が 4、8、12、16、および 20 サイクル (正の SOA) だけ色に先行します。同様に、色の名前付けでは、最初は単語が色の前にあり (ネガティブ SOA)、次に単語と色が同時に表示され (0 SOA)、最後に色が単語の前に表示されます (ポジティブ SOA)。シミュレーションを簡素化するために、最も重要な条件 (競合と一致) のみを実行します。
* SOA テストを実行するには、まず [[sim:Validate Trial Plot]] を表示し、次に実行モードの `Validate` をクリックし (ここでは SOA テストに `Validate` モードを選択しています)、[[sim:Init]] に続いて [[sim:Run]] を実行します。
プロットでは、図に示すように、さまざまな条件について、X 軸上の SOA の関数として応答時間 (`RT`) が表示されます。 Word の読み取りの場合、矛盾と一致の両方が重ね合わされていることに注意してください。知覚できる違いはありません。
シミュレーション データを、隣の図に示す人間のデータと比較すると、モデルのパフォーマンスが行動データとの共通点と対照点の両方を示していることがわかります。まず共通点を考えます。このモデルは、行動データのいくつかの重要な特徴をシミュレートします。最も重要なことは、これらの線の重なりによって示されるように、色が単語入力よりも前にある場合でも、単語の読み取りが色の条件 (競合または一致) の影響を比較的受けないことをモデルが示していることです。したがって、このモデルにおける支配的な効果は、強さに基づく競合です。単語読み取り経路は十分に強力であるため、後から発生した場合でも、弱い色の名前付け経路との競合による影響は比較的受けません。
モデルによってキャプチャされた人間データのもう 1 つの重要な特徴は、色が単語より比較的長い時間先行する場合 (グラフの右側)、色のネーミングに対する単語の干渉効果が排除されることです。したがって、色経路に活性化を構築するのに十分な時間が与えられれば、言葉の影響を受けることなく反応を促進することができます。
ただし、モデルと人間のデータの間には 2 つの重要な違いがあります。違いの 1 つは、人間の場合、2 つの入力が同時に提示されるようになるにつれて、すべての条件下で処理が比較的遅くなるということです。これは、2 つの単語読み取り条件と一致する色の名前付け条件で、-20 から 0 SOA までの上り勾配と、それに続く 0 から 20 までの下降勾配で特に顕著です。この影響は、競合の影響によるものと考えられます。入力が一緒に提示されると、入力が互いに競合するため、処理が遅くなります。 FFFB 阻害関数を使用したかなり現実的な阻害形式を使用していることを考えると、脳内でこれらの影響を打ち消すために何らかの他のメカニズムが働いている可能性があることが示唆されます。
このモデルに存在したもう 1 つの違いは、モデル内の色の命名に対する以前の単語 SOA の干渉効果がますます大きくなっていることであり、人間には影響がありません。単語が十分に早く現れた場合、人々はどういうわけか単語の活性化を軽減し、それによってその妨害効果を最小限に抑えることができるようです。 [コーエン、ダンバー、マクレランド (1990)](#references) は、早い段階でその単語が提示されると、人々はその単語に慣れてしまい、その影響力が低下する可能性があることを示唆しました。しかし、たとえ単語が 100 ミリ秒早く提示されただけで、慣れる時間がほとんどなくても、早い単語提示の影響は最小限であることを考えると、この説明はありそうもないように思えます。さらに、このモデルと他のモデルは、モデルに慣れ（順応）を加えた場合でも、初期の単語提示の最小限の効果を再現できません。
別の可能性としては、早期の単語提示の最小限の効果は、刺激を単語として識別した後に発動できる知覚的（空間媒介？）注意メカニズムの戦略的使用を反映しているということです。この説明によると、その単語がそのように認識されると、その単語は積極的に無視され、その影響が軽減される可能性があります。このようなメカニズムは、両方の刺激が同時に提示された場合には機能しません。色を処理せずに単語を分離するのに十分な時間がないからです。
# 参考文献
* J.D. コーエン、K. ダンバー、J.L. マクレランド (1990)。自動プロセスの制御について: ストループ効果の並列分散処理モデル。心理学的レビュー、97(3)、332–361。
* J.D. コーエン、T.A. ヒューストン (1994)。注意力とパフォーマンスを理解するための対話型モデルの使用の進歩。 C. ユミルタ & M. モスコビッチ (編)、「注意とパフォーマンス XV」(1 ～ 19 ページ)。マサチューセッツ州ケンブリッジ：MITプレス。
* Cohen, J.D. & Servan-Schreiber, D. (1992)。文脈、皮質、ドーパミン: 統合失調症の行動と生物学に対するコネクショニスト的アプローチ。心理学的レビュー、99(1)、45–77。
* Dunbar, K. & MacLeod, C.M. (1984)。異色の競馬: 言葉が変形したストループ干渉パターン。実験心理学のジャーナル。人間の知覚とパフォーマンス、10、622–639。
* Glaser, M.O. & Glaser, W.R. (1983)。ストループ現象の時間経過解析。実験心理学のジャーナル。人間の知覚とパフォーマンス、8、875–894。
* マクラウド、C.M.、ダンバー、K. (1988)。トレーニングとストループのような干渉: 自動性が継続している証拠。実験心理学のジャーナル。学習、記憶、認知、14、126–135。
</section>