Формирование понятий, подчиняющихся принципу семейного сходства

Карбалевич А.С.

асимметрию диалога следующим образом. Вступая в беседу, человек обычно считает, что собеседник будет придерживаться правил ее ведения (имея в виду собственную точку зрения об этих правилах). Различие способов поведения (наборов правил), на которые ориентированы собеседники, ведет к асимметрии и затем - к непониманию. В этом случае эффективность диалога может быть связана с повышением его симметричности [3; 4; 5; 6; 7].

Особенности диалога с точки зрения его асимметрии анализировались нами с помощью ранговой решетки Дж. Келли и метода семантического дифференциала Ч. Осгуда, а также методики «Сочинение», помощью которой выявлялись прилагательные для последующих этапов эмпирического исследования.

В исследовании приняли участие 67 студентов 1 - 2 курсов экономического и юридического факультетов, а также студенты факультета педагогики и психологии Восточной экономико-юридической гуманитарной академии (возраст испытуемых 18 - 22 года). По эмпирическим данным В.Ф. Петренко, студенты-психологи отличаются наибольшей когнитивной сложностью. Следовательно, здесь можно с большой вероятностью ожидать максимальную дифференциацию оценочных суждений. Всего в эмпирическом исследовании по методу репертуарных решеток Дж. Келли приняли участие 112 студентов.

Библиографический список

В результате обработки данных с помощью факторного анализа было выделено 5 наиболее мощных независимых категорий-факторов. Факторы получили следующие названия:

Фактор 1 - личностное отношение, влияющее на диалог.

Фактор 2 - отсутствие определенной темы разговора.

Фактор 3 - личностное отношение, не влияющее на диалог.

Фактор 4 - скованность в высказывании своих мыслей.

Фактор 5 - неравенство психологических позиций.

Итак, в психологических исследованиях мы не обнаружили эмпирических данных, подтверждающих известные теоретические описания диалога (о равенстве / неравенстве психологических позиций, открытости в общении, самораскрытии, сотрудничестве и так далее). Полученные результаты дают основание утверждать, что характеристики диалога в реальном общении студентов отличаются от его описаний в философских и психологических источниках. Самое главное противоречие, которое мы обнаружили - это выделение фактора неравенства психологических позиций. Не менее интересен в плане противоречивых представлений о диалоге и фактор скованности в высказываниях.

Таким образом, нам удалось подтвердить предположение о том, что диалог неравновесен и асимметричен, и он не всегда предполагает раскованность в общении.

1. Добрович А.Б. Воспитателю о психологии и психогигиене общения. Москва, 1987.

2. Знаков В.В. Субъект-объектный и субъект-субъектный типы понимания высказываний в межличностном общении. Психология индивидуального и группового субъекта. Под редакцией А.В. Брушлинского, М.И. Воловиковой. Москва, 2002.

3. Бодалев А.А. Личность и общение. Москва: Международная педагогическая академия, 1995.

4. Братченко С.Л. Человек в мире диалога. Тезисы докладов и сообщений Всесоюзной конференции. 1990.

5. Введение в практическую социальную психологию. Под редакцией Ю.М. Жукова, Л.А. Петровской, О.В. Соловьевой. Москва: Смысл, 1996.

6. Митина Л.М. Учитель как личность и профессионал. Москва: Дело, 1994.

7. Франселла Ф., Баннистер Д. Новый метод исследования личности. Москва: Прогресс, 1987.

References

1. Dobrovich A.B. Vospitatelyu o psihologii ipsihogigiene obscheniya. Moskva, 1987.

2. Znakov V.V. Sub'ekt-ob'ektnyj i sub'ekt-sub'ektnyj tipy ponimaniya vyskazyvanij v mezhlichnostnom obschenii. Psihologiya individual'nogo i gruppovogo sub'ekta. Pod redakciej A.V. Brushlinskogo, M.I. Volovikovoj. Moskva, 2002.

3. Bodalev A.A. Lichnost'i obschenie. Moskva: Mezhdunarodnaya pedagogicheskaya akademiya, 1995.

4. Bratchenko S.L. Chelovek v mire dialoga. Tezisy dokladovi soobschenij Vsesoyuznojkonferencii. 1990.

5. Vvedenie vprakticheskuyu social'nuyu psihologiyu. Pod redakciej Yu.M. Zhukova, L.A. Petrovskoj, O.V. Solov'evoj. Moskva: Smysl, 1996.

6. Mitina L.M. Uchitel'kaklichnost'iprofessional. Moskva: Delo, 1994.

7. Fransella F., Bannister D. Novyj metod issledovaniya lichnosti. Moskva: Progress, 1987.

Статья поступила в редакцию 01.12.15

УДК 37.015.3

Karbalevich A.S., postgraduate, Department of Psychology of Developmental Education, National Institute of Education (Minsk,

Belarus), E-mail: [email protected]

THE FORMATION OF CONCEPTS UNDER THE PRINCIPLE OF FAMILY RESEMBLANCE. The research data of concept formation under the principle of family resemblance is presented. The author analyzes the data, received using a reversal shift method. It is shown that concepts of this type are formed by means of two systems, one of which is explicit and is based on the rules, and another is implicit and based on perceptual similarity. The researcher conducts a qualitative analysis of mistakes and mechanisms of their origin. The research helps to reveal indirect evidence for the existence of two memory systems. The author suggests that the relation between these systems may be of a competitive nature. Recurring errors are considered as an indicator of continuous parallel information processing.

Key words: categorization, perceptual similarity, essential features, multiple-system categorization, family resemblance.

А.С. Карбалевич, соискатель сектора психологии развивающего образования, Национальный институт образования,

Беларусь, г. Минск, E-mail: [email protected]

ФОРМИРОВАНИЕ ПОНЯТИЙ, ПОДЧИНЯЮЩИХСЯ ПРИНЦИПУ СЕМЕЙНОГО СХОДСТВА

В статье представлены результаты исследования процесса формирования понятий, подчиняющихся принципу семейного сходства. Проанализированы данные, полученные с использованием приёма полной смены закономерности ряда признаков. Показано, что понятия данного типа формируются посредством работы двух систем, одна из которых является эксплицитной и основанной на формировании правил, а вторая - имплицитной и основанной на перцептивном сходстве. Проведён качественный анализ ошибок, допущенных испытуемыми в ходе выполнения задания, проанализированы причины и механизмы их возникновения. Обнаружены косвенные признаки наличия работы двух систем памяти. Взаимодействие данных систем предположительно имеет соревновательный характер. Повторяющиеся ошибки рассматриваются в качестве индикатора непрерывной параллельной переработки информации.

Ключевые слова: категоризация, перцептивное сходство, существенные признаки, мультисистемные модели категоризации, семейное сходство.

Растущие потребности в области сбора, хранения и обработки больших объёмов информации, а также гетерогенность обрабатываемых данных приводят к осознанию необходимости выстраивания новых, мощных вычислительных архитектур. На сегодняшний день одним из основных методов разработки интеллектуальных систем является бионический, предполагающий опору на фундаментальные знания в области когнитивной психологии, психофизиологии, а также ряда других дисциплин, изучающих функционирование психики живых организмов. Бионический метод позволяет проектировать интеллектуальные информационные системы, обладающие способностью эффективно решать такие неформализованные задачи, как машинное распознавание образов и перевод текстов, искусственный синтез речи по тексту, прогнозирование, оптимизация и управление.

Современный компьютер превосходит человека по способности производить числовые и символьные операции, но не операции восприятия и распознавания образов. До последнего времени вычислительные машины были ориентированы преимущественно на бинарную логику и решение дискретных вычислительных задач, тогда как мозг человека способен решать ещё и нелинейные аналоговые задачи, лежащие в основе восприятия и распознавания образов. Эффективные интеллектуальные системы должны уметь адаптироваться к меняющейся среде путём самообучения. Наиболее полно этим требованиям удовлетворяют искусственные нейронные сети, являющиеся одной из магистральных областей современной теории искусственного интеллекта. Они представляют собой математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.

Одним из перспективных направлений в моделировании искусственных нейронных сетей является использование ассоциативных процессов анализа и синтеза информационных потоков. В связи с этим изучение семантической памяти человека становится особенно важным. Несмотря на многолетнюю историю изучения процесса категориального научения до сих пор неизвестно, каким образом хранится информация о категориях: в виде абстрактного правила, усреднённого «прототипического» образца или запоминаются все представители категории? В работах последних лет всё чаще актуализируется предположение о существовании нескольких систем категориального научения, результатом работы которых являются репрезентации различного типа. Моделирование в области искусственного интеллекта демонстрирует высокую эффективность интеграции символического и коннекционистского подходов, при которой полученные гибридные архитектуры содержат в себе одновременно и элементы классических экспертных систем, и элементы искусственных нейронных сетей. Примерами могут служить архитектура DUAL, основанная на теории M. Minsky, гибридная архитектура LIDA на базе теории глобального рабочего пространства B. Baars, интегративная архитектура CLARION, в основе которой лежит модель взаимодействия имплицитного и эксплицитного механизмов научения, разработанная R. Sun.

Если факт существования двух систем памяти уже является признанным в широких научных кругах, то вопрос относительно их взаимодействия остается открытым. Имплицитное научение - это непреднамеренное приобретение знания, и зачастую попытки его эксплицировать приводят к снижению эффективности решения когнитивных задач [1; 2]. При этом в некоторых исследованиях было показано, что уверенность испытуемых в ответе коррелирует с их правильностью [3].

Нейронные системы не только различаются по своему действию, но также могут функционировать в рамках соревновательного алгоритма [4; 5]. Эксперименты с животными продемонстрировали, как при поражении отделов, отвечающих за работу одной системы, активизируется работа второй [6; 7; 8]. А исследования с помощью методов нейровизуализации приводят к выводу об отрицательной корреляции между уровнями активизации двух систем [9; 10]. Очевидно, что работа мозга основана на принципах распределения ресурсов.

Некоторые авторы склоняются к мнению о том, что имплицитное знание формируется вследствие длительной тренировки. Таким образом, первичное эксплицитное знание, требующее высокой степени когнитивного контроля и характеризующееся множеством ошибок в процессе формирования, преобразуется в имплицитное [11]. Имплицитное знание в данной трактовке является автоматическим и безошибочным. Таким образом, импли-

цитное знание - это совокупность бессознательных правил рода «если - то».

Есть и противоположная точка зрения, опирающаяся на положение о том, что имплицитное знание может формироваться вне зависимости от эксплицитного [12; 13; 14]. К примеру, A. Cleeremans и L. Jimenez постулируют существование одной системы научения, при которой часть имплицитных знаний в ходе тренировки поддается осознанию, а значит, становится эксплицитной. Возможность формирования имплицитных знаний в начале обучения поддерживают и другие учёные [15; 16].

Другой вариант этой же позиции признает существование двух различных систем формирования знаний, работающих параллельно [17; 18; 19; 20] либо синергически [21; 22; 23; 24]. Согласно результатам исследований D.B. Willingham и K. Goedert-Eschmann экстенсивные тренировки могут приводить к увеличению объема как имплицитного, так и эксплицитного знания, не обусловливающих друг друга. В соответствии с данной концепцией всегда существует часть репрезентаций, которые не могут быть осознанны, но частое подкрепление такого имплицитного знания усиливает уверенность субъекта в его надежности. R. Sun, E. Merrill, T. Peterson предполагают существование двух взаимодействующих механизмов научения. Исходным является процедурный имплицитный механизм, который позднее способствует активизации декларативного эксплицитного механизма. Данные исследований P.A. Frensch [25] согласуются с вышеизложенной концепцией и демонстрируют, как имплицитное знание, приводящее к поведенческим изменениям, становится триггером для начала работы эксплицитной системы и вербализации имеющегося знания. R. Scott, Z. Dienes выражают схожую точку зрения, согласно которой имплицитная система может выделять некоторые признаки стимулов, тем самым запуская механизм проверки гипотез, присущий эксплицитной системе. Результаты нейрофизиологических исследований динамической активности мозга при научении подтверждают данную точку зрения. Консолидация памяти идёт по пути постепенного снижение роли гиппокампа одновременно с повышением роли корковых структур мозга [26]. Схожая динамика характерна и для передней и задней областей цингулярной коры [27]. Таким образом, имплицитная система является проводником для эксплицитной.

В данной работе представлены результаты исследования влияния смены закономерности ряда признаков (сдвига) на формирование понятий, подчиняющихся принципу семейного сходства.

Гипотеза.

В данной ситуации стимулы сформированы в категории по принципу семейного сходства: каждый представитель категории содержит в себе большинство признаков, характеризующих других её представителей, но при этом ни один из признаков не является существенным. Одновременно распределение стимулов по категориям может подчиняться сложному правилу, например «стимул должен содержать два из трех возможных признаков» или «чёрные фигуры и большой белый треугольник». Такие правила трудно вербализовать и выучить. Кроме того, опираясь на них, невозможно распределить объекты по категориям с точностью в 100%. Эксплицитная система склонна к постоянному поиску наиболее точного правила, поэтому наличие хотя бы одного ошибочного выбора может приводить к смене гипотезы, что повлечет за собой увеличение количества ошибок (до 50%) за счёт случайного выбора при апробации новой гипотезы. Ассоциативное научение в данной ситуации должно давать более высокие результаты, так как опирается на перцептивное сходство объектов категории. Объекты, входящие в категорию А, как правило, характеризуют черный цвет, большой размер и треугольная форма. В отличие от эксплицитной системы, имплицитная более устойчива к ошибкам, так как реструктуризация знания (переучивание) состоит из двух процессов: 1) затухание старых следов, 2) образование новых следов в памяти.

Испытуемые. В эксперименте приняли участие 37 студентов 2 - 3 курсов факультета психологии БГПУ (6 юношей, 31 девушка).

Стимульный материал. 8 геометрических фигур (Рис. 1), различающихся по цвету (серый/зелёный), форме (квадрат/треугольник), размеру (маленький/большой). Экземпляры одной категории настолько перцептивно различны между собой, насколько схожи с экземплярами другой категории. Каждая категория содержала по 4 экземпляра:

nsr© <4

Ри с.1.Стимульныйматериал

Процедура. ИспользоАаласнполнал csehH заоонемервзсли (reversal shift), когда то, что называлось категорией «А», переи-менов91ваееся9(атег54ию «Б» 9 нзоАороь.СмелагфоостАдила по релевантному для категоризации признаку (intra-dimensional shift).

Первая серия состояла из десяти блоков, в каждом из которых было по чеаырзоМгекоа, оеьосянтхсякАвамьатАаауига,

то есть всего было восемь объектов для категоризации. Объекты внутри блока предъявлялисьвслучайждый испытуемый для формирования понятий выполнял стандартное задан^иекл^^ифи1^аые объакуо в связь.

ГДедъявление объектое и фиасацияевветея илпы^емуго происходили с помощью программы SuperLab. Каждая серия начина-ласесдеуунсерлции янаке«я» небелдм флнена 1с. Уутом на экране появлялось изображение объекта на 10 с. В течение этого дуемеяи испытуемый должин адл двть оувет. д лакаТ яз двух категорий относится объект, нажимая на одну из двух клавиш на сеендуртноЛкеав иатире.ардррроуле егоотеетлма жу не на 3 с появлялась обратная связь - правильное название катего-уии.Веярая сеуияпреуеявлялуеьзеиему жлеягоритле за исключением того, что правильные названия категорий менялись местами.

Фиксировалось количество правильных ответов (от 0 до 8), а также номера объектов, правильно и неправильно отнесённых кка тегедее.

Результаты.

Ла уис^ез^еэе^га. б) представлена кривая научения после усреднения данных:

Несложно заметить, что переучивание идёт постепенно. Если до сдвига колебания результатов научения происходят в диапазоне 55 - 65% (чуть выше, чем при случайном выборе), то

л

с;

о Р

w

О)

<11 й

Ф

70 60 50 2 40

со ¡0

U 30 20 10 О

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Номерблока

Рис. 2 (а). Кривая научения после усреднения данных по выборке

m о

I-

<и m н

о

*

-П

m

CS

о с

о

о о

d

о

О

70 60 50 40 30 20 10 О

-до сдвига

после сдвига

-Линейная (до сдвига)

■Линейная (после сдвига)

3 4 5 6 7 8 Номер блока

9 10

Рис.2(б).Линиитренда до ипослесдвига

250 - w 4(V\ 194 194 222 1 J3 19S

; ¿ии О ■ X 155 169^ lau 1 6 167 ...1 ■ т

0 1->U f 100 -S 1 50- гшш 1 п Е

W ' 1 2 1 1 4 5 ЫЫ ■ ж m Номер стимула ■ До сдвига После сдвига б ш 7 II д S ]

Рис.3.Количествоошибок,допущенныхпри категоризациикаждогостимула

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

после сдвига можно наблюдать постепенное возрастание кривой от 40% до 60%. При сравнении средних показателей научения до и после смены закономерности ряда признаков была выявлена статистическая значимость различий.что подтверждаетнагляд-ные данные ^(37)= 4,244359; p=0,000488). Несмотря на это процесс пдтерчивтния характеризуется болзшеЧринтмичнистсю (Std.Dev.1= 0,261106, Std.Dev.2= 0,497449). Линия тренда ярко демосстрирузт это:

Также был проведён анализ ошибок, которые совершали испы^емыеьуоде чкьпусименаа . Нтже г^^^^-^ссьл^^г^^л^л^^ распределения частот по каждому стимулу:

На диаграмме видно, что до сдвига наиболее тяжелым для наусзниябыч сср-сл с нтчьрум «7».Самымлетки стимул с номером «5». После сдвига испытуемые чаще ошиба-листгдикатзыоччзацир чьимсла с номе.ом «8в.Однакапо-хреа« нему стимул «7» можно рассматривать как один из самых сложных. Аньмымилегки мисталисьимдлыиЫ »и «3 ».Зотболышое изменения после сдвига произошли в отношении стимулов «1», «4», «Км з8».ИспьггхемыeотрyшPлaшaытитсвaшзcскиимeзт-нию их наименований. Вероятно, при объединении стимулов «1» и «4», а также «5» и «8» сработало простое правило «форма+-цвееи. Манакчнилибы втpслeсвестeгпpиыaцис чшь включс на лишь эксплицитная система, испытуемые довольно быстро адaптисPвaшиcьЛыкcмeитэчoгo пртвила . Им лишь сменить наименования категорий. Однако на графике на-ученияридыo,ктк фюваявозатсочет постныенет и бтлашое кч-личество ошибок по данным стимулам свидетельствует в пользу сиртою!, ктторая ^я^е^сс^]^^ сфокмиро-вать прототипы категорий.

Совпадение результатов работы двух систем можно увидеть при pсcтмoтнмноиринPмикчрaсзивлнирытитyлчв«Зв и«7».Как при формировании правила, основанного на форме фигур, так и прифPЗшнpoчaнии прототипа эти стимулы оказываются «лишними», так как обладают наименьшим перцептивным сходством с остальнымр^]^^нте1З^^о^ кзтeгopoP.Лдтноoй cигтaцниl<aк большой серый квадрат отличается от трех треугольников, на-ходеАыxть ч еатегоним «ч^так и масеньким юленыХт.еуголь-ник оказывается наименее подходящим для категории «Б», где остальные фигуры имеют форму квадрата. Именно в процессе нaсннвтиыяэтат cтнлyлoвкoричeствчoшиборпoслч сдвоч уменьшилось за счет того, что неверные ответы испытуемых при сменепнтвите стаюи хсрнымыПри зоуривaнии остарсных сг^ мулов такой тенденции не наблюдалось.

Таблица 1

Сравнение частотного распределения ошибок до и после сдвигапокаждомустимулу

№ стимула Хи-квадратПирсона (Chi-Square) Уровень значимости (p)

1 12,84190 0,000339

2 0,3467049 0,555985

3 1,714286 0,190431

4 12,64198 0,000377

5 26,68254 0,000000

6 2,513966 0,112843

7 2,026506 0,154577

8 22,61538 0,000002

Значимые изменениа при сдвиге произошливситуации стимулов «1», «4», «5», «8». После сдвига наблюдалось повышение количества ошибок по данным стимулам, хотя до сдвига оии были наиболее легкиви,цля каеегоризации, тадкакявляются хорошими примерами экземпляров категорий.

Дтаблизе 1пвиведоаы делныд васкётакритврик Хи-ква-драт Пирсона для выявления значимости различий между коли-чнствомншибоывенпосле сдвишпокожыому с^лаллх^^:

Обсуждение. W. Edwards [28] пишет о том, что в процессе узвоенилннвыз знаниВ, пудтизорвчощехлжв кавющемся, субъект склонен первоначально игнорировать некоторую часть несовпадающей информации. Это явление он назвал «консерватиз-момв. Кеомвзогд,п ринообзодипосллкезтрпклпривзции знания часто наблюдается эффект отрицательного переноса, когда уже имеющиеся навыки затрудняют процесс усвоения новых за счёт высокой степени их сходства.

Нзйрдфизндлдгичвекелиссрвдсилниа показенвют, что от ранних к поздним стадиям научения число нейронов, специали-зирд ванлих ознрвителындзквдинолдгвпд няется,

а это значит, что реструктуризация знания не связана с изменением количества нейронов, обеспечивающих новое поведение ДОИ^аШоны^вв имешфип спецлализацию, мсзув длдвергать-ся дополнительным модификациям при формировании новых знвние. Этот пзоцееииазыввевня эзкflоoдэеалннпЗ раконсоли-дацией. Таким образом, нейронные механизмы научения пред-

полагают два вида процессов: формирование новых специализаций нейронов и аккомодационную реконсолидацию нейронов, уже имеющих системную специализацию. Это может объяснять

Библиографический список

постепенно возрастающую кривую научения и отсутствие резкого её подъёма, который мог бы наблюдаться при нахождении испытуемым однозначного правила формирования категорий.

1. Reber A.S. Implicit learning of synthetic languages: The role of instructional set. Journal of Experimental Psychology: Human Learning and Memory. 1976; 2: 88 - 94.

2. Пономарев Я.А Психология творчества. Москва: Наука, 1976.

3. Морошкина Н.В., Иванчей И.И. Имплицитное научение: исследование соотношения осознаваемых и неосознаваемых процессов в когнитивной психологии. Методология и история психологии. 2012; Т. 7; № 4: 109-131.

4. Poldrack RA, Packard M. Competition among multiple memory systems: Converging evidence from animal and human brain studies. Neuropsychologia. 2003; 41: 245-251.

5. Sherry D.F. and Schacter D.L. The evolution of multiple memory systems. psychological Review. 1987; 94: 439 - 454.

6. McDonald R.J., White N.M. A triple dissociation of memory systems: Hippocampus, amygdala, and dorsal striatum. Behavioral Neuroscience. 1993; 107: 3-22.

7. Mitchell J.A., Hall G. Caudate-putamen lesions in the rat may impair or potentiate maze learning depending upon availability of stimulus cues and relevance of response cues. Quarterly Journal of Experimental Psychology. 1988; 40: 243-58.

8. Packard M.G., Hirsh R., White N.M. Differential effects of fornix and caudate nucleus lesions on two radial maze tasks: evidence for multiple memory systems. J. Neuroscience. 1989; 9: 1465-1472.

9. Jenkins I.H., Brooks D.J., Nixon P.D., Frackowiak R.S., Passingham R.E. Motor sequence learning: a study with positron emission tomography. J. Neuroscience. 1994; 14: 3775-3790.

10. Poldrack R.A., Gabrieli J.D. Characterizing the neural mechanisms of skill learning and repetition priming: evidence from mirror reading. Brain. 2001; 124: 67-82.

11. Lewis C., Anderson J.R. Discrimination of operator schemata in problem solving: Learning from examples. Cognitive Psychology. 1985; 17: 26-65.

12. Berry D.C., Dienes Z. Implicit learning: Theoretical and empirical issues. 1993. London: Lawrence Erlbaum Associates.

13. Cleeremans A., Jimenez L. Implicit learning and consciousness: A graded, dynamic perspective. In R.M. French & A. Cleeremans (Eds.) Implicit learning and consciousness: An empirical, computational and philosophical consensus in the making. 2002, Hove, UK: Psychology Press.

14. Fu, Q., Fu, X., Dienes, Z. Implicit sequence learning and conscious awareness. Consciousness and Cognition. 2008; 17: 185-202.

15. Karmiloff-Smith, A. From meta-process to conscious access: Evidence from children's metalinguistic and repair data. Cognition. 1986; 23: 95-147.

16. Pascual-Leone A., Grafman J., Hallett M. Modulation of cortical motor output maps during the development of implicit and explicit knowledge. Science. 1994; 263: 1287-1289.

17. Hayes N.A., & Broadbent D.E. Two modes of learning for interactive tasks. Cognition. 1988; 28: 249-276.

18. Lewicki P., & Hill T. Unconscious processes as explanations of behavior in cognitive, personality, and social psychology. Personality and Social Psychology Bulletin. 1987; 13: 355-362.

19. Perruchet P., Bigand E., & Benoit-Gonin F. The emergence of explicit knowledge during the early phase of learning in sequential reaction time tasks. Psychological Research. 1997; 60: 4-13.

20. Willingham D.B., Goedert-Eschmann K. The relation between implicit and explicit learning: Evidence for parallel development. Psychological Science. 1999; 10: 531-534.

21. Dienes Z., Altmann G.T.M., Gao S.-J. Mapping across domains without feedback: A neural network model of transfer of implicit knowledge. Cognitive Science. 1999; 23: 53-82.

22. Mathews R.C., Buss R.R., Stanley W.B., Blanchard-Fields F., Cho J.-R., Druhan B. The role of implicit and explicit processes in learning from examples: A synergistic effect. Journal of Experimental Psychology: Learning, Memory, and Cognition. 1989; 15: 1083-1100.

23. Scott R., Dienes Z. The metacognitive role of familiarity in artificial grammar learning: Transitions from unconscious to conscious knowledge. In A. Efklides, & P. Misailidi (Eds.). Trends and prospects in metacognition research. 2010. Springer: 37-62.

24. Sun R., Merrill E., Peterson T. From implicit skills to explicit knowledge: A bottom-up model of skill learning. Cognitive Science. 2001; 25: 203-244.

25. Frensch P.A., Haider H., Rünger D., Neugebauer U., Voigt S., Werg J. Verbal report of incidentally experienced environmental regularity: The route from implicit learning to verbal expression of what has been learned. In L. Jiménez (Ed.). Attention and implicit learning. Amsterdam: John Benjamins. 2003: 335-366.

26. Dudai Y., Eisenberg M. Rites of passage of the engram: reconsolidation and the lingering consolidation hypothesis. Neuron. 2004; V. 44: 93-100.

27. Freeman J.H Jr., Gabriel M. Changes of cingulothalamic topographic excitation patterns and avoidance response incubation over time following initial discriminative conditioning in rabbits. Neurobiology of Learning and Memory. 1999; V. 72: 259-272.

28. Edwards W. Conservatism in Human Information Processing. In B. Kleinmuntz (Ed.). Formal Representation of Human Judgment. New York: Wiley. 1968. pp. 17-52.

29. Александров Ю.И. Закономерности актуализации индивидуального опыта и реорганизации его системной структуры: комплексное исследование. Труды ИСА РАН. 2011; Т. 61; № 3: 3-25.

References

1. Reber A.S. Implicit learning of synthetic languages: The role of instructional set. Journal of Experimental Psychology: Human Learning and Memory. 1976; 2: 88 - 94.

2. Ponomarev Ya.A. Psihologiya tvorchestva. Moskva: Nauka, 1976.

3. Moroshkina N.V., Ivanchej I.I. Implicitnoe nauchenie: issledovanie sootnosheniya osoznavaemyh i neosoznavaemyh processov v kognitivnoj psihologii. Metodologiya i istoriya psihologii. 2012; T. 7; № 4: 109-131.