语义记忆：修订间差异

维基百科，自由的百科全书
交互式浏览历史
←上一版本下一版本→
删除的内容 添加的内容
可视化wikitext
小无编辑摘要
→‎模型：​ 內容擴充
第14行： 第14行：
TLC中的处理是某种形式的[[传播激活|扩散激活]]。<ref>Collins, A. M. & Quillian, M. R. (1972). How to make a language user. In E. Tulving & W. Donaldson (Eds.), ''Organization of memory'' (pp. 309-351). New York: Academic Press.</ref> 換言之，当一个节点变为激活态时，該激活通過節點之間的鏈接傳播到其他節點。在這種情況下，回答 "雞是鳥嗎？"這個問題的時間是 "雞 "和 "鳥 "節點之間的激活必須擴散到多大程度的函數，即 "雞 "和 "鳥 "節點之間的鏈接數量。
TLC中的处理是某种形式的[[传播激活|扩散激活]]。<ref>Collins, A. M. & Quillian, M. R. (1972). How to make a language user. In E. Tulving & W. Donaldson (Eds.), ''Organization of memory'' (pp. 309-351). New York: Academic Press.</ref> 換言之，当一个节点变为激活态时，該激活通過節點之間的鏈接傳播到其他節點。在這種情況下，回答 "雞是鳥嗎？"這個問題的時間是 "雞 "和 "鳥 "節點之間的激活必須擴散到多大程度的函數，即 "雞 "和 "鳥 "節點之間的鏈接數量。


原始版本的TLC並沒有對節點之間的鏈接進行加權。雖然這版本的TLC在許多任務中的表現與人類相當，但是沒有預測到比起那些不太典型的例子，人們對於更典型類別的問題會更快地作出回答。<ref>{{Cite journal|title=Semantic distance and the verification of semantic relations|url=|last=Rips|first=L. J.|last2=Shoben|first2=E. J.|journal=Journal of Verbal Learning and Verbal Behavior|issue=|doi=10.1016/s0022-5371(73)80056-8|year=1973|volume=14|pages=665–681|last3=Smith|first3=F. E.}}</ref>[[艾伦·科林斯|科林斯]]和Quillian随后修改了TLC，納入了加权链接來解决這個问题。 <ref>{{Cite journal|title=A spreading-activation theory of semantic processing|url=|last=Collins|first=A. M.|last2=Loftus|first2=E. F.|journal=Psychological Review|issue=6|doi=10.1037/0033-295x.82.6.407|year=1975|volume=82|pages=407–428}}</ref>新版的TLC能够解释[[熟悉效果]]和[[典型性效应|典型性效果]] 。它的最大优点是它清楚地说明了[[促發 (心理學)|促發]] ：如果相關信息（即 "促發物"）在很短的時間內已經呈現過，則更有可能從記憶中提取信息。还有一些记忆现象是TLC无法解释的，包括当相关节点在网络中相隔很远的时候，人们为什么能够快速反应明显错误的问题（如 "鸡是流星吗？"）。<ref>{{Cite journal|title=Role of antonymy relations in semantic judgments|url=|last=Glass|first=A. L.|last2=Holyoak|first2=K. J.|journal=Journal of Experimental Psychology: Human Learning & Memory|issue=6|doi=10.1037/0278-7393.5.6.598|year=1979|volume=5|pages=598–606|last3=Kiger|first3=J. I.}}</ref>
原始版本的TLC並沒有對節點之間的鏈接進行加權。雖然這版本的TLC在許多任務中的表現與人類相當，但是沒有預測到比起那些不太典型的例子，人們對於更典型類別的問題會更快地作出回答。<ref>{{Cite journal|title=Semantic distance and the verification of semantic relations|url=|last=Rips|first=L. J.|last2=Shoben|first2=E. J.|journal=Journal of Verbal Learning and Verbal Behavior|issue=|doi=10.1016/s0022-5371(73)80056-8|year=1973|volume=14|pages=665–681|last3=Smith|first3=F. E.}}</ref>[[艾伦·科林斯|科林斯]]和Quillian随后修改了TLC，納入了加权链接來解决這個问题。 <ref>{{Cite journal|title=A spreading-activation theory of semantic processing|url=|last=Collins|first=A. M.|last2=Loftus|first2=E. F.|journal=Psychological Review|issue=6|doi=10.1037/0033-295x.82.6.407|year=1975|volume=82|pages=407–428}}</ref>新版的TLC能够解释[[熟悉效果]]和[[典型性效应|典型性效果]] 。它的最大优点是它清楚地说明了[[促發 (心理學)|促發]] ：「如果相關信息（即 "促發物"）在很短的時間內已經呈現過，則更有可能從記憶中提取信息。」还有一些记忆现象是TLC无法解释的，像是当相关节点在网络中相隔很远的时候，人们为什么能够快速反应明显错误的问题（如 "鸡是流星吗？"）。<ref>{{Cite journal|title=Role of antonymy relations in semantic judgments|url=|last=Glass|first=A. L.|last2=Holyoak|first2=K. J.|journal=Journal of Experimental Psychology: Human Learning & Memory|issue=6|doi=10.1037/0278-7393.5.6.598|year=1979|volume=5|pages=598–606|last3=Kiger|first3=J. I.}}</ref>


==== 语义网络 ====
==== 语义网络 ====
TLC是一类更通用模型的实例，該模型称为[[语义网络 (计算机科学)|语义网络]]。在语义网络中，每个节点都应解释为代表特定的概念、单词或特征。也就是说，每个节点都是一个「符号」。语义网络一般不会像[[類神經網路|神经网络]]那样采用分布式的概念表示方式。语义网络的定義性特徵是它的链接几乎总是定向的（也就是说，它们仅指向一个方向，即从基点到目标），且链接有著许多不同的类型，每一种类型都代表着任何两个节点之间的特定关系。 <ref>Arbib, M. A. (Ed.). (2002). Semantic networks. In ''The Handbook of Brain Theory and Neural Networks (2nd ed.)'', Cambridge, MA: MIT Press.</ref>语义网络中的处理過程通常采用扩散激活的形式（请参见上文）。
TLC是一类更通用模型的实例，該模型称为[[语义网络 (计算机科学)|语义网络]]。在语义网络中，节点代表著特定的概念、单词或特征。也就是说，每个节点都是一个「符号」。语义网络一般不会像[[類神經網路|神经网络]]那样采用分布式的概念表示方式。语义网络的定義性特徵是它的链接几乎总是定向的（也就是说，它们仅指向一个方向，即从基点到目标），且链接有著许多不同的类型，每一种类型都代表着任何两个节点之间的特定关系。 <ref>Arbib, M. A. (Ed.). (2002). Semantic networks. In ''The Handbook of Brain Theory and Neural Networks (2nd ed.)'', Cambridge, MA: MIT Press.</ref>语义网络中的处理過程通常采用扩散激活的形式（请参见上文）。


语义网络在[[篇章分析]]和[[逻辑]][[理解力（逻辑）|理解]]模型以及[[人工智能]]的应用最为广泛 。<ref>Barr, A. & Feigenbaum, E. A. (1982). ''The handbook of artificial intelligence''. Lost Altos, CA: William Kaufman.</ref>在这些模型中，节点对应的是单词或词根，而链接代表它们之间的句法关系。语义网络在知识表徵中计算实现之範例，请参见Cravo和Martins（1993）。<ref>{{Cite journal|title=SNePSwD: A newcomer to the SNePS family|url=|last=Cravo|first=M. R.|last2=Martins|first2=J. P.|journal=Journal of Experimental & Theoretical Artificial Intelligence|issue=2–3|doi=10.1080/09528139308953764|year=1993|volume=5|pages=135–148}}</ref>
语义网络在[[篇章分析]]和[[逻辑]][[理解力（逻辑）|理解]]模型以及[[人工智能]]的应用最为广泛 。<ref>Barr, A. & Feigenbaum, E. A. (1982). ''The handbook of artificial intelligence''. Lost Altos, CA: William Kaufman.</ref>在这些模型中，节点对应的是单词或词根，而链接代表它们之间的句法关系。语义网络在知识表徵中计算实现之範例，请参见Cravo和Martins（1993）。<ref>{{Cite journal|title=SNePSwD: A newcomer to the SNePS family|url=|last=Cravo|first=M. R.|last2=Martins|first2=J. P.|journal=Journal of Experimental & Theoretical Artificial Intelligence|issue=2–3|doi=10.1080/09528139308953764|year=1993|volume=5|pages=135–148}}</ref>

=== 特徵模型 ===
特徵模型認為，語義類別是由相對散亂的特徵集所組成。Smith、Shoben和Rips（1974）提出的[[語義特徵比較模型]]<ref name="Smith, E. E. 1974">{{cite journal|title=Structure and process in semantic memory: A featural model for semantic decisions|url=|first1=E. E.|last2=Shoben|first2=E. J.|journal=Psychological Review|issue=3|doi=10.1037/h0036351|year=1974|volume=81|pages=214–241|last3=Rips|first3=L. J.|last1=Smith}}</ref>認為，記憶是由不同概念的特徵列表所組成。根據這種觀點，我們將無法直接提取類別之間的關係，而是通過間接的方式計算出來。例如，主體可能通過比較代表主謂概念的特徵集來驗證一個句子。這種計算特徵比較模型的提出者包括Meyer(1970)<ref>{{cite journal|title=On the representation and retrieval of stored semantic information|url=|first1=D. E.|journal=Cognitive Psychology|issue=3|doi=10.1016/0010-0285(70)90017-4|year=1970|volume=1|pages=242–299|last1=Meyer}}</ref>、[25]Rips(1975)<ref>{{cite journal|title=Inductive judgments about natural categories|url=|first1=L. J.|journal=Journal of Verbal Learning & Verbal Behavior|issue=6|doi=10.1016/s0022-5371(75)80055-7|year=1975|volume=14|pages=665–681|last1=Rips}}</ref>、[26]Smith等人(1974)。<ref name="Smith, E. E. 1974" />

早期對知覺和概念分類的研究工作假設類別具有關鍵特徵，而類別成員可以通過特徵組合的邏輯規則來確定。較近期的理論則認為，類別可能具有不明確或 "模糊 "的結構<ref>{{cite journal|title=Natural categories: Well defined or fuzzy sets?|url=|first1=M. E.|last2=Glucksberg|first2=S.|journal=Memory & Cognition|issue=4|doi=10.3758/bf03197480|year=1978|volume=6|pages=462–472|last1=McCloskey}}</ref>，並提出了概率模型或全局相似性模型來驗證類別成員的資格<ref>{{cite journal|title=Decision processes in verifying category membership statements: Implications for models of semantic memory|url=|first1=M.|last2=Glucksberg|first2=S.|journal=Cognitive Psychology|issue=1|doi=10.1016/0010-0285(79)90002-1|year=1979|volume=11|pages=1–37|last1=McCloskey}}</ref>。


=== 关联模型 ===
=== 关联模型 ===
[[聯想|关联]]為兩個信息之間的關係，是心理學中的一個基本概念。對於記憶和認知模型而言，不同層次的心理表徵之間的关联至關重要。記憶裡的項目之間的关联集相當於網絡中的節點之間的鏈路，每個節點對應於記憶中唯一的項目。事實上，神經網絡和語義網絡可以被描述為認知的关联模型。然而，关联通常被更清楚地表示為一個N×N矩陣，其中N是記憶中項目的數量。因此，矩陣的每個單元對應於行項和列項之間的關聯強度。

關聯學習一般被認為是個[[赫布理论|赫布過程]]；也就是說，每當記憶中有兩個項目被同時激活，這兩個項目之間的关联就會越來越強，如果越是激活其中一項，那麼另一項也激活的可能性就越大。關聯模型的具體操作方法見下文。


==== 搜索联想记忆（SAM） ====
==== 搜索联想记忆（SAM） ====


==== ACT-R：生产系统模型 ====
==== ACT-R：生产系统模型 ====
ACT（英語：Adaptive Control of Thought，思想的自适应控制）<ref>Anderson, J. R. (1983). ''The Architecture of Cognition''. Cambridge, MA: Harvard University Press.</ref>（以及後來的[[ACT-R]]（Adaptive Control of Thought-Rational，思想的自适应控制-理性）<ref>Anderson, J. R. (1993b). ''Rules of the mind''. Hillsdale, NJ: Erlbaum.</ref>）理論用 "塊 "來表示[[陳述性記憶]]（語義記憶是該記憶的其中一種），"意元 "(chunk)是由一個標籤、一組與其他意元的明確關係（即 "這是一個__"或 "這個有一個__"）以及任意個意元特有的屬性所組成。那麼，鑑於每個節點都是一個具有獨特屬性的意元，而每個鏈路都是意元與另一個意元的關係，因此可以將意元映射為一個語義網絡。在ACT中，意元的激活度會隨著該意元的創建時間增加而減少，並隨著該意元在記憶中的提取次數上升而增加。意元也可以從高斯[[噪音|雜訊]]以及它們與其他意元的相似性中獲得激活。例如，如果用 "雞 "作為提取線索，那麼 "金絲雀 "將憑藉其與該線索的相似性（即兩者都是鳥類等）來接收激活。當從記憶中提取物品時，ACT會查看記憶中最活躍的意元，如果高於閾值，該意元就會被提取出來，否則就發生了 "遺漏錯誤"(error of omission)，即該項目會被遺忘。此外，還有一個提取潛伏期，它與被提取的意元對提取閾值的激活超出量成反比。這個潛伏期可被用來衡量ACT模型的響應時間，與人類的表現相比較<ref>{{cite journal|title=An integrated theory of list memory|url=|first1=J. R.|last2=Bothell|first2=D.|journal=Journal of Memory and Language|issue=4|doi=10.1006/jmla.1997.2553|year=1998|volume=38|pages=341–380|last3=Lebiere|first3=C.|last4=Matessa|first4=M.|last1=Anderson|citeseerx=10.1.1.132.7920}}</ref>。

雖然ACT是一種一般的認知模型，而不是記憶模型，但如上文所述，它提出了記憶結構的某些特徵。特別是，ACT將記憶建模為一組相關的符號意元，可以通過提取線索來觸接記憶。雖然ACT中使用的記憶模型在某些方面與語義網絡相似，但所涉及的處理方式更類似於關聯模型。


=== 统计模型 ===
=== 统计模型 ===

2020年4月11日 (六) 11:54的版本

語意記憶（Semantic memory），又稱語義記憶、字義記憶，是一種記憶的型態。它是一種對於一般知識的事實與概念的了解，透過語言、文字、數字、演算法等抽象性的了解來形成記憶。語意記憶通常是經由情節記憶發展而來，是一種客觀性的知識，與個人經驗無關。

外顯記憶（或陳述性記憶 ）是對事實或事件的記憶，可以被清晰地存儲及提取，外顯記憶有两种类型，而語意記憶是其中之一。[1]在我们一生中所累积的世界的一般性知识即為語意記憶。[2]这种一般性知識 （事实、观念、意义和概念）會依赖于文化，並与经验交织在一起。语义记忆与情节记忆有所區別，情节记忆會記錄生活中所发生的经历和特定事件，我们可以由此重建任何给定的点。[3]例如，语义记忆可能包含與猫有關的信息，而情节记忆則可能包含抚摸某隻猫的具體记忆。通过过去所学的知识，我们可以學得新的概念。[4]陳述性或外顯記憶对应的是非陳述性記憶或内隐记忆 。[5]

模型

語義記憶的本質不同於情节记忆，它的內容不像情節記憶那樣與任何特定的經歷聯繫在一起。相反地，在语义记忆中所存储的是经验的「主旨」，這是一种适用于各种經驗對象的抽象结构，描述对象之间的分类和功能关系。[6]因此，完整的语义记忆理论不仅必须说明此类“主旨”的表徵结构，还必须说明如何从经验中提取它们。目前已经提出了多種语义记忆模型，总结如下。

网络模型

在许多语义记忆理论中，各種网络都扮演著不可或缺的角色。一般而言，網路是由一組節點所組成，節點之間以鏈路聯結。节点可以表示概念、单词、知覺特征，或者根本不代表什麼。這些鏈路可能是有權重的，使得某些鏈路比其他鏈路更强，或者等效地說，鏈路有著不同的长度，使得穿過某些鏈路比其他鏈路更耗時。这些网络的特征都已被用于语义记忆模型中，其示例如下。

可教學的语言理解者（TLC）

第一个语义记忆网络模型的示例是「可教學的语言理解者」（TLC）。[7]在此模型中，每个节点都是单词，代表著一个概念（如“鸟”）。每个节点都存储著一组属性（例如“可以飞翔”或“具有翅膀”）以及指向其他节点（例如“鸡”）的指標（即鏈路）。节点直接链結到其子類別或超類別的节点（換言之，“鸟”将同时连接到“鸡”和“动物”）。因此，TLC是一种分层知识表徵，其中代表大型类别的高级节点（通过子類別的节点，直接或间接地）连接到许多該类别的实例，而代表特定实例的节点处于较低级别，仅與其超類別连接。此外，属性會被储存在它们所适用的最高类别级别。例如，“黄色”将与“金丝雀”一起储存，“具有翅膀”将与“鸟”（向上一级）一起储存，“可以移动”将与“动物”（再上一级）一起储存。节点还可以储存对其上级节点的属性的否定（即“ 無法飛翔”将与“ 企鵝”一起储存）。这就提供了一种表徵经济性，因为属性仅储存在必不可少的类别级别上，也就是说，該属性會成为這個点上的关键特徵（请参阅下文）。

TLC中的处理是某种形式的扩散激活。[8] 換言之，当一个节点变为激活态时，該激活通過節點之間的鏈接傳播到其他節點。在這種情況下，回答 "雞是鳥嗎？"這個問題的時間是 "雞 "和 "鳥 "節點之間的激活必須擴散到多大程度的函數，即 "雞 "和 "鳥 "節點之間的鏈接數量。

原始版本的TLC並沒有對節點之間的鏈接進行加權。雖然這版本的TLC在許多任務中的表現與人類相當，但是沒有預測到比起那些不太典型的例子，人們對於更典型類別的問題會更快地作出回答。[9]科林斯和Quillian随后修改了TLC，納入了加权链接來解决這個问题。 [10]新版的TLC能够解释熟悉效果和典型性效果 。它的最大优点是它清楚地说明了促發 ：「如果相關信息（即 "促發物"）在很短的時間內已經呈現過，則更有可能從記憶中提取信息。」还有一些记忆现象是TLC无法解释的，像是当相关节点在网络中相隔很远的时候，人们为什么能够快速反应明显错误的问题（如 "鸡是流星吗？"）。[11]

语义网络

TLC是一类更通用模型的实例，該模型称为语义网络。在语义网络中，节点代表著特定的概念、单词或特征。也就是说，每个节点都是一个「符号」。语义网络一般不会像神经网络那样采用分布式的概念表示方式。语义网络的定義性特徵是它的链接几乎总是定向的（也就是说，它们仅指向一个方向，即从基点到目标），且链接有著许多不同的类型，每一种类型都代表着任何两个节点之间的特定关系。 [12]语义网络中的处理過程通常采用扩散激活的形式（请参见上文）。

语义网络在篇章分析和逻辑理解模型以及人工智能的应用最为广泛 。[13]在这些模型中，节点对应的是单词或词根，而链接代表它们之间的句法关系。语义网络在知识表徵中计算实现之範例，请参见Cravo和Martins（1993）。[14]

特徵模型

特徵模型認為，語義類別是由相對散亂的特徵集所組成。Smith、Shoben和Rips（1974）提出的語義特徵比較模型[15]認為，記憶是由不同概念的特徵列表所組成。根據這種觀點，我們將無法直接提取類別之間的關係，而是通過間接的方式計算出來。例如，主體可能通過比較代表主謂概念的特徵集來驗證一個句子。這種計算特徵比較模型的提出者包括Meyer(1970)[16]、[25]Rips(1975)[17]、[26]Smith等人(1974)。[15]

早期對知覺和概念分類的研究工作假設類別具有關鍵特徵，而類別成員可以通過特徵組合的邏輯規則來確定。較近期的理論則認為，類別可能具有不明確或 "模糊 "的結構[18]，並提出了概率模型或全局相似性模型來驗證類別成員的資格[19]。

关联模型

关联為兩個信息之間的關係，是心理學中的一個基本概念。對於記憶和認知模型而言，不同層次的心理表徵之間的关联至關重要。記憶裡的項目之間的关联集相當於網絡中的節點之間的鏈路，每個節點對應於記憶中唯一的項目。事實上，神經網絡和語義網絡可以被描述為認知的关联模型。然而，关联通常被更清楚地表示為一個N×N矩陣，其中N是記憶中項目的數量。因此，矩陣的每個單元對應於行項和列項之間的關聯強度。

關聯學習一般被認為是個赫布過程；也就是說，每當記憶中有兩個項目被同時激活，這兩個項目之間的关联就會越來越強，如果越是激活其中一項，那麼另一項也激活的可能性就越大。關聯模型的具體操作方法見下文。

搜索联想记忆（SAM）

ACT-R：生产系统模型

ACT（英語：Adaptive Control of Thought，思想的自适应控制）[20]（以及後來的ACT-R（Adaptive Control of Thought-Rational，思想的自适应控制-理性）[21]）理論用 "塊 "來表示陳述性記憶（語義記憶是該記憶的其中一種），"意元 "(chunk)是由一個標籤、一組與其他意元的明確關係（即 "這是一個__"或 "這個有一個__"）以及任意個意元特有的屬性所組成。那麼，鑑於每個節點都是一個具有獨特屬性的意元，而每個鏈路都是意元與另一個意元的關係，因此可以將意元映射為一個語義網絡。在ACT中，意元的激活度會隨著該意元的創建時間增加而減少，並隨著該意元在記憶中的提取次數上升而增加。意元也可以從高斯雜訊以及它們與其他意元的相似性中獲得激活。例如，如果用 "雞 "作為提取線索，那麼 "金絲雀 "將憑藉其與該線索的相似性（即兩者都是鳥類等）來接收激活。當從記憶中提取物品時，ACT會查看記憶中最活躍的意元，如果高於閾值，該意元就會被提取出來，否則就發生了 "遺漏錯誤"(error of omission)，即該項目會被遺忘。此外，還有一個提取潛伏期，它與被提取的意元對提取閾值的激活超出量成反比。這個潛伏期可被用來衡量ACT模型的響應時間，與人類的表現相比較[22]。

雖然ACT是一種一般的認知模型，而不是記憶模型，但如上文所述，它提出了記憶結構的某些特徵。特別是，ACT將記憶建模為一組相關的符號意元，可以通過提取線索來觸接記憶。雖然ACT中使用的記憶模型在某些方面與語義網絡相似，但所涉及的處理方式更類似於關聯模型。

统计模型

潜在语义分析（LSA）

语言超空间類比（HAL）

语义记忆的其他统计模型

相關條目

延伸閱讀

  • John Hart, Michael A. Kraut. 2007. Neural Basis of Semantic Memory. Publisher-Cambridge University Press. ISBN 0521848709, 9780521848701
  • Rosale McCarthy. 1995.Semantic Knowledge And Semantic Representations: A Special Issue Of Memory. Publisher Psychology Press. ISBN 0863779360, 9780863779367
  • Frank Krüger. 2000. Coding of temporal relations in semantic memory. Publisher-Waxmann Verlag. ISBN 3893259430, 9783893259434
  • Sandra L. Zoccoli. 2007. Object Features and Object Recognition: Semantic Memory Abilities During the Normal Aging Process. Publisher-ProQuest. ISBN 0549321071, 9780549321071
  • Wietske Vonk. 1979. Retrieval from semantic memory. Publisher Springer-Verlag.
  • Sarí Laatu. 2003. Semantic memory deficits in Alzheimer's disease, Parkinson's disease and multiple sclerosis: impairments in conscious understanding of concept meanings and visual object recognition. Publisher-Turun Yliopisto
  • Laura Eileen Matzen. 2008. Semantic and Phonological Influences on Memory, False Memory, and Reminding. Publisher-ProQuest. ISBN 0549909958, 9780549909958
  • William Damon, Richard M. Lerner, Nancy Eisenberg. 2006. Handbook of Child Psychology, Social, Emotional, and Personality Development. Publisher John Wiley & Sons. ISBN 0471272906, 9780471272908
  • Rohani Omar, Julia C. Hailstone, Jason D. Warren. Semantic Memory for Music in Dementia. Music Perception: An Interdisciplinary Journal, Vol. 29, No. 5 (June 2012), pp. 467-477
  • Ashley D. Vanstone, Ritu Sikka, Leila Tangness, Rosalind Sham, Angeles Garcia, Lola L. Cuddy. Episodic and Semantic Memory for Melodies in Alzheimer's Disease. Music Perception: An Interdisciplinary Journal, Vol. 29, No. 5 (June 2012), pp. 501-507
  • Edward E. Smith. Neural Bases of Human Working Memory. Current Directions in Psychological Science, Vol. 9, No. 2 (Apr., 2000), pp. 45-49

外部連結

  1. ^ Squire, L. Declarative and Nondeclarative Memory: Multiple Brain Systems Supporting Learning and Memory. Journal of Cognitive Neuroscience. 1992, 4 (3): 232–243. PMID 23964880. doi:10.1162/jocn.1992.4.3.232. 
  2. ^ McRae, Ken; Jones, Michael. Reisberg, Daniel , 编. The Oxford Handbook of Cognitive Psychology. New York, NY: Oxford University Press. 2013: 206–216. ISBN 9780195376746. 
  3. ^ Tulving, Endel. Episodic Memory: From Mind to Brain. Annual Review of Psychology. 2002, 53: 1–25. PMID 11752477. doi:10.1146/annurev.psych.53.100901.135114. 
  4. ^ Saumier, D.; Chertkow, H. Semantic Memory. Current Science. 2002, 2 (6): 516–522. doi:10.1007/s11910-002-0039-9. 
  5. ^ Tulving, E.; Schacter, D.L. Priming and human memory systems. Bum. Science. 1990, 247 (4940): 301–306. Bibcode:1990Sci...247..301T. PMID 2296719. doi:10.1126/science.2296719. 
  6. ^ Kintsch, W. The role of knowledge in discourse comprehension: A construction-integration model. Psychological Review. 1988, 95 (2): 163–182. PMID 3375398. doi:10.1037/0033-295x.95.2.163. 
  7. ^ Collins, A. M.; Quillian, M. R. Retrieval time from semantic memory. Journal of Verbal Learning and Verbal Behavior. 1969, 8 (2): 240–247. doi:10.1016/s0022-5371(69)80069-1. 
  8. ^ Collins, A. M. & Quillian, M. R. (1972). How to make a language user. In E. Tulving & W. Donaldson (Eds.), Organization of memory (pp. 309-351). New York: Academic Press.
  9. ^ Rips, L. J.; Shoben, E. J.; Smith, F. E. Semantic distance and the verification of semantic relations. Journal of Verbal Learning and Verbal Behavior. 1973, 14: 665–681. doi:10.1016/s0022-5371(73)80056-8. 
  10. ^ Collins, A. M.; Loftus, E. F. A spreading-activation theory of semantic processing. Psychological Review. 1975, 82 (6): 407–428. doi:10.1037/0033-295x.82.6.407. 
  11. ^ Glass, A. L.; Holyoak, K. J.; Kiger, J. I. Role of antonymy relations in semantic judgments. Journal of Experimental Psychology: Human Learning & Memory. 1979, 5 (6): 598–606. doi:10.1037/0278-7393.5.6.598. 
  12. ^ Arbib, M. A. (Ed.). (2002). Semantic networks. In The Handbook of Brain Theory and Neural Networks (2nd ed.), Cambridge, MA: MIT Press.
  13. ^ Barr, A. & Feigenbaum, E. A. (1982). The handbook of artificial intelligence. Lost Altos, CA: William Kaufman.
  14. ^ Cravo, M. R.; Martins, J. P. SNePSwD: A newcomer to the SNePS family. Journal of Experimental & Theoretical Artificial Intelligence. 1993, 5 (2–3): 135–148. doi:10.1080/09528139308953764. 
  15. ^ 15.0 15.1 Smith, E. E.; Shoben, E. J.; Rips, L. J. Structure and process in semantic memory: A featural model for semantic decisions. Psychological Review. 1974, 81 (3): 214–241. doi:10.1037/h0036351. 
  16. ^ Meyer, D. E. On the representation and retrieval of stored semantic information. Cognitive Psychology. 1970, 1 (3): 242–299. doi:10.1016/0010-0285(70)90017-4. 
  17. ^ Rips, L. J. Inductive judgments about natural categories. Journal of Verbal Learning & Verbal Behavior. 1975, 14 (6): 665–681. doi:10.1016/s0022-5371(75)80055-7. 
  18. ^ McCloskey, M. E.; Glucksberg, S. Natural categories: Well defined or fuzzy sets?. Memory & Cognition. 1978, 6 (4): 462–472. doi:10.3758/bf03197480. 
  19. ^ McCloskey, M.; Glucksberg, S. Decision processes in verifying category membership statements: Implications for models of semantic memory. Cognitive Psychology. 1979, 11 (1): 1–37. doi:10.1016/0010-0285(79)90002-1. 
  20. ^ Anderson, J. R. (1983). The Architecture of Cognition. Cambridge, MA: Harvard University Press.
  21. ^ Anderson, J. R. (1993b). Rules of the mind. Hillsdale, NJ: Erlbaum.
  22. ^ Anderson, J. R.; Bothell, D.; Lebiere, C.; Matessa, M. An integrated theory of list memory. Journal of Memory and Language. 1998, 38 (4): 341–380. CiteSeerX 10.1.1.132.7920 可免费查阅. doi:10.1006/jmla.1997.2553. 
取自“https://zh.wikipedia.org/w/index.php?title=语义记忆&oldid=59111996”