Kolumbusz nyomában

Alighogy megérkeztünk tanulmányutunk célállomására, a bloomingtoni Indiana Egyetemre, máris hatalmas szerencsében volt részünk: azon a rengeteg érdekes dolgon túl, amit itt tanulhatunk, ma a Cognitive Science Program vendégelőadójaként még Richard N. Aslint, a Rochester Egyetem Brain and Cognitive Sciences tanszékének munkatársát, az ottani babalabor vezetőjét is meghallgathattuk.

Richard N. Aslin: „Behavioral, computational, and neural mechanisms of statistical learning in infants and adults” (Indiana University Cognitive Science Program, Bloomington, IN, USA. 2014. 02. 17.)

Aslin tagja volt annak a kutatócsoportnak, akik a kilencvenes évek közepén a babák statisztikai tanulásának ötletét az elsők között vetették fel és tesztelték kísérleti úton. Előadásában az ezzel kapcsolatos korábbi és jelenleg is folyó vizsgálatokat mutatta be, köztük olyanokat, amelyekről ezen a weboldalon is volt, illetve lesz szó. Legújabb eredményeit most nem is áruljuk el: ezekről a maguk helyén, a blog újabb cikkeiben fogunk beszámolni. 

The Rochester Baby Lab (University of Rochester, NY, USA)

„In the past 15 years, a substantial body of evidence has confirmed that a powerful distributional learning mechanism is present in infants, children, adults. I will briefly review this literature that began in the temporal domain as a solution to the word segmentation problem, and then make the point that this mechanism is modality general, domain general, and species general. However, to be tractable, this powerful statistical learning engine must be constrained, and those constraints are both subtle and diverse, e.g., how infants allocate their attention to sequences of events plays an important role in the efficiency and effectiveness of learning. A variety of computational models have been proposed to account for statistical learning, including those that treat learning of exemplars and learning of rules as separate mechanisms. I will argue that this exemplar rule distinction can more parsimoniously be accounted for by a single statistical learning mechanism that is sensitive to the patterning of the input. Variations in how learners judge the grammaticality of utterances from an artificial grammar, and a single model that accounts for that variation, will then be reviewed. Finally, time permitting, I will provide a brief glimpse at some recent data on the neural correlates of statistical learning.” (Richard N. Aslin)

A tanulmányút az Indiana University és a Debreceni Egyetem csereprogramja, illetve a Campus Hungary pályázata keretében valósul meg. A Magyary-ösztöndíj ez idő alatt szünetel. A támogatóknak köszönet a tanulmányútért, a Magyary Zoltán posztdoktori ösztöndíj kuratóriumának pedig azért, hogy lehetőséget adott a halasztásra.