ISSN : 1226-9654
이 연구는 기존의 범주화 모형들이 제안한 가정들과 그 문제점들을 개관하고, 그에 대한 대안으로서 절충적 범주화 모형의 타당성을 검증하기 위해 계획되었다. 특히 범주학습에 미치는 자극왜곡의 효과를 중심으로 요약정보를 정의하는 기존의 방식이 적절한지 그리고 사례빈도와 범주크기간의 상호작용이 절충적 범주화 모형을 지지하는 증거로 볼 수 있는지를 검토하였다. 실험 1과 실험 2에서는 범주사례들이 원형으로부터 왜곡된 정도에 의해 범주를 고왜곡 범주와 저왜곡 범주로 구분한 후 두 범주에서 경험적 원형과 객관적 원형에 대한 범주판단의 정확성이 범주크기가 증가함에 따라서 어떻게 변화하는지를 검토하였다. 그 결과에 따르면 고왜곡 범주에서는 범주의 크기가 커질수록 요약정보에 의존하여 범주화하려는 경향이 증가하였으나 저왜곡 범주에서는 범주의 크기가 적더라도 범주원형과 유사한 사례들이 더 정확하게 범주화되었다. 실험 3에서는 범주에 대한 경험이 적을 경우에는 사례정보가 범주화를 결정하는데 비해 범주에 대한 경험이 증가하면 요약정보가 범주화를 결정한다는 절충적 범주화 모형의 가정을 범주사례들이 원형으로부터 왜곡된 정도를 조작하여 다시 검토하였다. 그 결과 고왜곡 범주에서 사례빈도의 효과는 학습시행수가 증가함에 따라서 점차 감소하여 기존 절충적 모형의 가정을 지지하는 결과를 얻었으나 저왜곡 범주에서는 학습시행수가 작을 경우에도 사례빈도의 효과가 관찰되지 않았다. 이러한 결과들은 범주화 과정이 원형추출과정이나 사례인출과정만으로는 설명되기 어려우며 학습조건에 따라 수행을 최적화시키는 역동적인 과정으로 보는 것이 더 적절함을 시사한다.
This study was planned to survey assumptions and problems of existing categorization models and to test the relative plausibility of an hybrid categorization approach based on mixed representation. Specially, we explored whether we could regard empirically defined prototypes as proper summary representations of a category and two-way interaction between exemplar frequencies and learning trials as a reasonable evidence for an hybrid categorization model. In experiment 1 and experiment 2, we distorted exemplars from category protptype and investigated change patterns of category judgment, accuracy with category size. Results showed that category learning strategies weren't fixed but adjusted by learning conditions ceaselessly, In experiment 3, we distorted exemplars from category prototypes and examined an existing hybrid model's assumption that, categorization depends on exemplar information primarily and summary information later, In consequence, we found same results as Homa, Dunbar, & Nohre (1991)'s study in the highly distorted category but couldn't find out two-way interaction between exemplar frequencies and leaning trials in low distorted category In conclusion, these result implicated that categorization processes are not prototype abstraction processes nor exemplar retrieval processes but dynamic learning processes optimizing performance according to learning conditions.