2018年4月14日星期六

可能的Gf子流程

有趣的概念框架,用于了解Gf任务的绩效。但是,重要的是要注意,因素分析研究已经建议了许多子过程,这些子过程不一定适合此基于任务分析的模型。

有助于流畅推理性能的多个过程的签名(文章链接)

Ehsan Shokri-Kojoria和Daniel C. Krawczyk


A R T I C L E I N F O

关键词:流体智能个体差异多进程Raven渐进矩阵

A B S T R A C T

我们旨在更好地理解流体推理(或流体智力; Gf)的认知过程,即在新情况下的推理能力。尽管流体推理通常被认为是一个整体的结构,但预计多个认知过程会影响流体推理的性能。然而,各种认知过程在流体推理性能中的贡献仍未得到充分研究。我们假设流体智能的个体差异可以看作是Gf各个过程中表现的个体差异的综合。变更检测,规则验证和规则生成是在新颖的视觉空间推理任务中附加招募的三个感兴趣的过程。我们观察到,随着任务条件的增长,处理要求的提高会降低准确性并缩短响应时间。分层多元线性回归分析显示,这些过程中每个过程的成功可能性和速度的个体差异,导致了流体推理性能准确性和响应时间方面个体差异的不同方面,这是由Raven的渐进矩阵所衡量的。变更检测是视觉空间需求较高的问题对性能的重要贡献,但是,规则验证和规则生成始终对所有问题类型的性能都有贡献。我们的发现支持这样的观点,即流体智力的个体差异是可分离认知操作的综合表现,规则处理对于区分高难度问题的表现至关重要。

点击图片可放大



-使用iPad上的BlogPress发布

没意见: