劉琦?盧張龍

摘 要 統(tǒng)計學習指從外界輸入的時間信息和空間信息中發(fā)現(xiàn)概率規(guī)律并以此規(guī)律學習新事物。近年來統(tǒng)計學習個體差異性成為研究熱點，但統(tǒng)計學習個體差異性研究采用的任務以及使用的離線測驗法存在不足，降低了統(tǒng)計學習能力測驗的信效度。未來研究應進一步深化理論，綜合運用反應時、眼動、事件相關電位等在線測驗法，建立信效度更高的統(tǒng)計學習能力測驗。

關鍵詞 統(tǒng)計學習；個體差異性；在線測驗；離線測驗

分類號 B844

DOI：10.16842/j. cnki. issn2095-5588.2023.06.006

1 引言

日常生活中，嬰兒接觸大量言語刺激，并通過這些語言信息對內在語法規(guī)則進行學習，即發(fā)生語言學習。語言學習離不開統(tǒng)計學習，是統(tǒng)計學習的一個特例。Saffran等（1996）首次提出統(tǒng)計學習概念，指從外界輸入的時間信息和空間信息中發(fā)現(xiàn)概率規(guī)律并以此規(guī)律學習新事物（于文勃等， 2021; Saffran et al.， 1996; Saffran & Kirkham， 2018; Siegelman et al.，2018）。統(tǒng)計學習成為研究熱點，受到越來越多研究者的關注（鄧玨等， 2021；徐貴平等， 2020; Frost et al.， 2019; Lavi-Rotbain & Arnon， 2021; Sherman et al.， 2020）。統(tǒng)計學習早期研究更多關注統(tǒng)計學習的普遍性，近年來越來越關注統(tǒng)計學習的個體差異性，重視統(tǒng)計學習成績的個體差異及統(tǒng)計學習過程的個體差異（盧張龍等， 2022; Growns et al.， 2020; Lany & Shoaib， 2019; Siegelman & Frost， 2015; Siegelman et al.， 2020）。

統(tǒng)計學習研究一般采用離線測驗法（Frost et al.， 2019），離線測驗包含兩個階段：熟悉階段和測驗階段。熟悉階段向被試呈現(xiàn)一連串刺激，被試不知道刺激遵循統(tǒng)計規(guī)則。統(tǒng)計規(guī)則一般采用三聯(lián)體，三個刺激連續(xù)呈現(xiàn)構成一個三聯(lián)體，三聯(lián)體內的第一個刺激可以預測出后兩個刺激，三聯(lián)體間不存在可預測性，三聯(lián)體內的轉換概率高于三聯(lián)體間的。在熟悉階段，被試被動地注意刺激，沒有記錄下統(tǒng)計學習相關信息。測驗階段一般采用2擇1迫選問卷，向被試呈現(xiàn)三聯(lián)體和新異刺激，要求被試判斷哪個刺激更熟悉，正確判斷得分作為統(tǒng)計學習指標。如果得分顯著高于隨機水平，就認為發(fā)生了統(tǒng)計學習。

可以看出，離線測驗法是統(tǒng)計學習完成后對統(tǒng)計學習成績進行測量，而不是對統(tǒng)計學習過程本身進行測量（盧張龍， 2021; Batterink & Paller， 2017; Siegelman et al.， 2018， 2019），Siegelman等認為離線測驗法所測得的成績并不是統(tǒng)計學習的良好指標（Siegelman， Bogaerts， Christiansen et al.， 2017），他們認為離線測驗法存在三點不足：第一，測驗階段測驗的數(shù)量少。個體差異性測驗需要測驗的數(shù)量多，以增加樣本間變異性，減少測驗誤差。統(tǒng)計學習任務一般包含八個三聯(lián)體，測驗階段只需要4～8次判斷，三聯(lián)體不重復的話，測驗階段測驗的數(shù)量少。第二，大部分被試成績處于隨機水平，降低了研究效度。如果大部分被試處于隨機水平，即使整體成績高于隨機，大部分數(shù)據(jù)也是無效的。成績高于隨機水平，可能是由于猜測造成的。第三，所有測驗項目都是相同類型和同等難度。測驗階段項目的難度相同，測驗的區(qū)分度差，不利于區(qū)分個體間差異。迫選測驗項目主要有兩類：目標三聯(lián)體和新三聯(lián)體。測驗項目屬于相同類型和同等難度，會導致兩方面問題。一個是理論問題，相同類型測驗項目重復施測只能檢測出能力的一部分。另一個是統(tǒng)計問題。按照項目反應理論，相同類型和同等難度測驗只能檢測出相同分布區(qū)域的信息，這將導致低統(tǒng)計學習者回答完全錯誤或高統(tǒng)計學習者回答完全正確，低統(tǒng)計學習者之間或高統(tǒng)計學習者之間無法進行區(qū)分。這將不可避免增加測驗誤差和降低任務可信度。經(jīng)典的智力測驗和工作記憶測驗包含了不同難度測驗，可以區(qū)分不同被試，可以通過改變測驗項目難度實現(xiàn)。

2 在線測驗法

針對離線測驗法存在的不足，有人提出了在線測驗法，在線測驗法指記錄下統(tǒng)計學習過程中被試的反應，通過在線測驗法可以記錄熟悉階段的統(tǒng)計學習過程（Arnon， 2020; Siegelman， Bogaerts， Frost， 2017; Siegelman et al.， 2018）。通過在線測驗法，一方面，可以將統(tǒng)計學習的認知加工過程進行區(qū)分，例如刺激的知覺編碼和分布特征的學習；另一方面，可以得到統(tǒng)計學習的學習曲線；而且可以避免測驗階段的干擾，統(tǒng)計學習成績更加可靠。目前在線測驗法主要有以下幾種：反應時法、眼動記錄法、事件相關電位和腦磁圖。統(tǒng)計學習個體差異性研究可以綜合使用在線測量法獲取不同指標，提高統(tǒng)計學習個體差異性研究的信效度。

2.1 反應時法

2.1.1 自定義速度法

以往統(tǒng)計學習研究要求被試被動地觀看刺激串，而自定義速度法則要求被試主動按鍵呈現(xiàn)下一個刺激，記錄下每個刺激的反應時，自定義速度法假設三聯(lián)體刺激的按鍵速度快于隨機刺激的。Karuza等（2014）、Siegelman等（2018）、Witteloostuijn等（2019）采用自定義速度法，Karuza等使用非連續(xù)人工語法范式（aXb，刺激a預測刺激b，X指刺激隨機呈現(xiàn)），發(fā)現(xiàn)可預測刺激的按鍵快于不可預測刺激的，并且隨著練習次數(shù)的增加，可預測刺激和不可預測刺激的反應時差異逐漸增大；Siegelman等（2018）發(fā)現(xiàn)三聯(lián)體第一個刺激的反應時長于三聯(lián)體第二個和第三個刺激的；Witteloostuijn等（2019）發(fā)現(xiàn)5～8歲兒童可預測性刺激的反應時短于不可預測性刺激的。

2.1.2 反應時法

自定義速度法中的按鍵是為了控制刺激的呈現(xiàn)速度，而反應時法中的按鍵是認知加工過程的反映，需要被試根據(jù)目標刺激做出相應按鍵反應。Misyak等（2010）首次提出了非連續(xù)性人工語法的反應時測量。聽覺刺激遵循語法規(guī)則aXb，被試聽聲音刺激的同時，屏幕上呈現(xiàn)六個非詞，要求被試點擊相應的非詞。結果發(fā)現(xiàn)，對可預測性位置所在的非詞刺激（例如aXb中的b）反應速度比不可預測性位置所在的非詞刺激快（例如aXb中的a）。當aXb語法規(guī)則消失后，這種效應消失。結果表明，被試能夠區(qū)分可預測性聲音和不可預測性聲音。Gómez等（2011）提出了滴答檢測任務，要求被試對聲音刺激中出現(xiàn)的滴答聲做出反應。滴答聲出現(xiàn)在詞語之間或詞語之中，結果發(fā)現(xiàn)滴答聲出現(xiàn)在詞語之間時的反應速度快于詞語之中的。Gómez等認為這是由于詞內轉換概率高，詞間轉換概率低造成的。Qi等（2018）提出了目標檢測任務，呈現(xiàn)聽覺或視覺刺激三聯(lián)體，被試對12個刺激中的目標刺激進行按鍵反應，目標刺激是三聯(lián)體的最后一個刺激，是可預測性刺激。結果發(fā)現(xiàn)成人和兒童對視覺刺激存在統(tǒng)計學習，反應變快。

2.2 眼動記錄法

眼動記錄法不需要被試做出按鍵反應，在自然條件下觀看刺激，對觀看刺激過程中的眼動反應進行記錄。Karimian等（2020）比較了語言發(fā)育遲緩兒童和正常兒童的統(tǒng)計學習能力，分析了他們統(tǒng)計學習過程中的眼動。有三個屏幕，刺激出現(xiàn)在其中一個屏幕，兒童需要注視刺激所在屏幕，通過攝像機記錄下兒童的眼動和頭動。實驗完成后對錄像進行逐幀分析，獲取眼動/頭動數(shù)據(jù)，兒童的反應包括預期觀察和反應觀察。結果發(fā)現(xiàn)語言發(fā)育遲緩兒童和正常兒童的統(tǒng)計學習成績沒有差異，表明統(tǒng)計學習能力和語言能力不相關。

2.3 事件相關電位

事件相關電位技術應用于統(tǒng)計學習研究，可以揭示出統(tǒng)計學習發(fā)生、發(fā)展的時間進程（Daltrozzo & Conway， 2014; Kóbor et al.， 2018， 2019）。主要有兩種研究思路，第一種是記錄下統(tǒng)計學習熟悉階段的EEG，對三聯(lián)體第一個刺激和第三個刺激誘發(fā)的ERP進行比較（Abla et al.， 2008），三聯(lián)體第一個刺激誘發(fā)的ERP大于三聯(lián)體第三個刺激誘發(fā)的，即三聯(lián)體啟動效應；第二種是記錄下統(tǒng)計學習測驗階段的EEG，對熟悉三聯(lián)體和新異三聯(lián)體誘發(fā)的ERP進行比較（Fran?ois & Sch?n， 2011），熟悉材料誘發(fā)的ERP大于非熟悉材料誘發(fā)的，即熟悉效應。

2.3.1 三聯(lián)體啟動效應

在聽覺統(tǒng)計學習（Abla et al.， 2008）和視覺統(tǒng)計學習（Abla & Okanoya， 2009）中，均發(fā)現(xiàn)了三聯(lián)體啟動效應，均存在N400成分，即三聯(lián)體首元素所誘發(fā)的N400波幅比第二、三個元素更明顯。Abla等（2008）通過ERP分析了統(tǒng)計學習發(fā)生發(fā)展的時間進程。呈現(xiàn)連續(xù)聲音流同時記錄腦電，并將統(tǒng)計學習過程分為三個階段。結果發(fā)現(xiàn)，在刺激出現(xiàn)后約400 ms 的時候，靠近額中央?yún)^(qū)位置出現(xiàn)一個明顯N400，這一ERP效應可能和大腦中提取統(tǒng)計規(guī)則的過程有關。進一步根據(jù)迫選測驗結果將被試分為高表現(xiàn)組、中等表現(xiàn)組以及低表現(xiàn)組，并比較不同表現(xiàn)組在加工聲音流時的N400效應。結果發(fā)現(xiàn)，盡管行為測驗結果表明所有被試都習得了統(tǒng)計規(guī)則，但不同組之間的ERP效應卻不相同。在高表現(xiàn)組，N400效應出現(xiàn)在學習第一個階段；在中等表現(xiàn)組中，N400效應出現(xiàn)在學習第三個階段；而低表現(xiàn)組在學習任何階段都沒有出現(xiàn)N400效應。不同表現(xiàn)組之間的學習效應出現(xiàn)時間不同，這表明學習者成功提取統(tǒng)計規(guī)則的速度不同。高表現(xiàn)者能夠更快地提取統(tǒng)計規(guī)則，中等表現(xiàn)組在較晚階段才提取了統(tǒng)計規(guī)則，而低表現(xiàn)組可能需要更長時間提取統(tǒng)計規(guī)則。Batterink和Paller（2017）進一步發(fā)現(xiàn)統(tǒng)計學習知識是漸進獲取的。呈現(xiàn)給被試三音節(jié)的無意義人造詞和隨機音節(jié)串，結果發(fā)現(xiàn)規(guī)則音節(jié)流中的三音節(jié)詞的神經(jīng)夾帶高于隨機音節(jié)的，隨著學習次數(shù)的增加，這種效應更加明顯；而且三音節(jié)詞誘發(fā)的N400波幅大于隨機音節(jié)串誘發(fā)的，隨著學習次數(shù)的增加這種效應更加明顯。結果表明統(tǒng)計學習知識是漸進獲取的，由新異刺激逐漸轉換為熟悉刺激。

2.3.2 熟悉效應

Fran?ois和Sch?n（2011）通過熟悉效應，考察了音樂訓練對統(tǒng)計學習的影響。Fran?ois和Sch?n使用基于人工語法結構的語音和旋律材料，以音樂家和非音樂家為被試，記錄下統(tǒng)計學習的ERP。結果發(fā)現(xiàn)在語音測驗階段，音樂家誘發(fā)的N1波幅顯著大于非音樂家的，而且在750～850ms的時間窗口內，音樂家表現(xiàn)出熟悉效應，而非音樂家則沒有表現(xiàn)出熟悉效應；在旋律測驗階段，音樂家的N1和P2波幅都顯著大于非音樂家的，而且在350～550ms表現(xiàn)出熟悉效應，而非音樂家在該時間窗沒有表現(xiàn)出熟悉效應。結果表明音樂訓練對聽覺統(tǒng)計學習具有促進效應。Fran?ois等（2014）進一步將時間分為四部分，比較了不同時間段的N400波幅。音樂家的N400波幅表現(xiàn)出線性增加趨勢，在第四時間段下降，呈現(xiàn)倒U型學習曲線。音樂家N400波幅下降是因為三聯(lián)體重復出現(xiàn)，出現(xiàn)了熟悉效應。這項研究表明，音樂家具有更高的聽覺統(tǒng)計學習效率。

2.4 腦磁圖

Altamura等（2014）使用腦磁圖考察了統(tǒng)計學習不同學習階段的腦活動。他們將學習過程分為四個階段，結果發(fā)現(xiàn)，統(tǒng)計學習不同學習階段涉及不同腦區(qū)。統(tǒng)計學習初期，在顳葉與運動區(qū)誘發(fā)出顯著的α波和β波；統(tǒng)計學習后期，在右側頂-枕區(qū)和左側顳中葉誘發(fā)出顯著的α波。Altamura等認為這些腦電成分的激活反映了大腦對規(guī)律信息的自動化加工。

Paraskevopoulos團隊（2011， 2017， 2018）通過腦磁圖系列研究證實了音樂訓練對聽覺統(tǒng)計學習和視-聽跨通道統(tǒng)計學習具有促進作用。Paraskevopoulos等（2011）首次使用腦磁圖對比了音樂家和非音樂家的聽覺統(tǒng)計學習。結果發(fā)現(xiàn)音樂家的P50效應（標準音和偏差音之間的差異波）顯著大于非音樂家的，表明長期的音樂訓練促進了聽覺統(tǒng)計學習能力。Paraskevopoulos等（2017）使用腦磁圖對比了音樂家和非音樂家與聽覺統(tǒng)計學習相關的皮質網(wǎng)絡功能連接，結果發(fā)現(xiàn)，與非音樂家相比，音樂家聽覺統(tǒng)計學習神經(jīng)網(wǎng)絡具有更大的密度和效率，音樂家在聽覺統(tǒng)計學習中激活的皮層網(wǎng)絡包含了更廣泛的組織結構，包括雙側顳葉后部、雙側頂內小葉、雙側顳中回和前扣帶回。但是，Paraskevopoulos等人還發(fā)現(xiàn)與非音樂家相比，音樂家的額下回活動有所減弱，這可能是因為音樂家在統(tǒng)計學習加工過程中涉及了更多不同的活動源，因此額下回區(qū)域的激活相對較小。Paraskevopoulos等（2018）進一步使用腦磁圖，考察了音樂家和非音樂家在聽覺、視覺和視-聽跨通道三聯(lián)體統(tǒng)計學習的神經(jīng)機制。結果發(fā)現(xiàn)，在探測違反統(tǒng)計規(guī)則的聽覺刺激時，音樂家右側顳上回、前輔助運動區(qū)的右側額上回、左側中央前回和右側額下回活動明顯增強，且和非音樂家存在顯著差異；在探測違反統(tǒng)計規(guī)則的視-聽刺激時，音樂家右側顳上回和前輔助運動區(qū)右側額上回的活動明顯增強，且和非音樂家存在明顯差異；但是視覺統(tǒng)計學習，音樂家和非音樂家的組間差異并不顯著。Paraskevopoulos等人還考察了統(tǒng)計學習任務中皮層區(qū)域之間的信息流強度，結果發(fā)現(xiàn)，在右側顳上回從右側額上回所接收到的信息量、右側顳上回送往右側顳橫回與左側額下回的信息量、左側額下回從右側顳上回和右側額上回接收到的信息量以及左側額下回送往右側顳橫回的信息量上，音樂家和非音樂家表現(xiàn)出顯著的組間差異；而且，與非音樂家相比，音樂家統(tǒng)計學習皮質網(wǎng)絡各節(jié)點間的平均信息流顯著增加，結果表明音樂訓練增強了皮質網(wǎng)絡連通性。

3 研究展望

統(tǒng)計學習個體差異性研究取得了不少研究成果，成為統(tǒng)計學習的一個重要研究方向，但是統(tǒng)計學習個體差異性研究在理論和研究方法方面還存在不足（Erickson et al.， 2016; Siegelman， Bogaerts， Christiansen et al.， 2017; Siegelman， Bogaerts， Frost， 2017）。

3.1 統(tǒng)計學習個體差異性理論

Frost等（2015）認為統(tǒng)計學習存在個體差異性，一方面是由于視覺、聽覺等刺激編碼存在個體差異；另一方面是由于對刺激表征以及表征分布統(tǒng)計特征的加工速度存在個體差異。但目前還缺乏統(tǒng)計學習個體差異性理論，這也是統(tǒng)計學習個體差異性研究存在問題的根本原因。而已有統(tǒng)計學習理論普遍存在一個問題，即不夠精準（Bogaerts et al.， 2021），不同統(tǒng)計學習理論中概念存在交叉重疊，以致于同一個任務范式用來測量不同成分；不同任務范式用來測量同一個成分，一定程度上造成了研究結果混淆。理論與方法相輔相成，理論的不統(tǒng)一，造成統(tǒng)計學習個體差異性研究的方法存在差異，進而造成不統(tǒng)一甚至相互矛盾的研究結果。統(tǒng)計學習個體差異性研究的時間相對較短，統(tǒng)計學習個體差異性理論研究很少，還處于起步階段。在Conway、Siegelman等理論基礎上（Daltrozzo & Conway， 2014; Siegelman et al.， 2015， 2020; Siegelman， Bogaerts， Christiansen et al.， 2017; Walk & Conway， 2016），我們認為應當對統(tǒng)計學習能力進一步細分，統(tǒng)計學習能力是多元的，不是一種能力而是一組能力。

統(tǒng)計學習個體差異性研究還需要注意區(qū)分統(tǒng)計學習和序列學習兩個概念。統(tǒng)計學習與序列學習既有聯(lián)系又有區(qū)別。統(tǒng)計學習和序列學習都是程序性記憶的子成分（Kóbor et al.， 2018；Simor et al.， 2019），都是無目的、無意識學習（Batterink et al.， 2019; Christiansen， 2019）。為此有人認為統(tǒng)計學習和序列學習是同一種機制，是一個概念（Daltrozzo & Conway， 2014）；但也有人認為統(tǒng)計學習和序列學習不是同一種機制（Tal et al.， 2021）。統(tǒng)計學習和序列學習存在三點不同：第一，統(tǒng)計學習和序列學習的發(fā)展軌跡不同。Németh等（2013）認為序列學習和統(tǒng)計學習從11歲開始具有不同發(fā)展特征，統(tǒng)計學習下降，序列學習能力增強。序列學習是漸進發(fā)展，統(tǒng)計學習習得速度很快，并且統(tǒng)計學習表征穩(wěn)定，不會隨著學習次數(shù)增加而發(fā)生改變（Simor et al.， 2019）。第二，序列學習和統(tǒng)計學習的腦機制不同。內隱序列學習與腹側嗅周皮層有關，外顯序列學習與基底神經(jīng)節(jié)有關。知覺統(tǒng)計學習與雙側海馬有關，運動統(tǒng)計學習與基底神經(jīng)節(jié)和運動區(qū)有關，與海馬無關（Rose et al.， 2011; Simor et al.， 2019）。第三，壓力對序列學習和統(tǒng)計學習的影響不同。壓力提高了統(tǒng)計學習成績，但對序列學習成績沒有影響，但降低了序列學習知識的外顯性（Toth-Faber et al.， 2020）。

3.2 統(tǒng)計學習能力測驗

能力測驗需要滿足一定標準，比如分半信度、重測信度、內部效度、成績的變異性等。如果不能滿足這些標準，不能作為能力測驗（Siegelman et al.， 2018）。目前統(tǒng)計學習能力測驗還未被廣泛接受和使用，與統(tǒng)計學習能力測驗本身存在的問題有很大關系。未來統(tǒng)計學習能力測驗研究還需要進一步解決兩大問題：第一個是統(tǒng)計學習能力測驗的信效度問題。統(tǒng)計學習在線測驗信度低，這可能是由于，第一，反應時成績依賴于被試的反應速度，反應速度快的被試反應時成績提高得少，降低了統(tǒng)計學習成績。第二，由于次要任務消耗了部分注意資源而降低了統(tǒng)計學習成績（Franco et al.， 2015），降低了研究的信度（Siegelman， Bogaerts， Frost， 2017）和效度（Franco et al.， 2015）。統(tǒng)計學習能力測驗效度低，有如下幾點原因：第一，統(tǒng)計學習研究以高概率三聯(lián)體學習為主，但真實環(huán)境中不只包含三聯(lián)體規(guī)律，而且也不局限于高概率三聯(lián)體；第二，真實環(huán)境中的規(guī)律更抽象、更復雜；第三，統(tǒng)計學習研究的材料格式上統(tǒng)一，例如相同大小或類別。真實環(huán)境中規(guī)律包含材料的很多特征都不是統(tǒng)一的；第四，統(tǒng)計學習研究往往在短時間內對材料學習進行重復多遍學習，但真實環(huán)境中的規(guī)律需要很長時間，而且很少重復出現(xiàn)（Bogaerts et al.， 2020; Lavi-Rotbain & Arnon， 2021）；第五，統(tǒng)計學習研究通過迫選測驗對學習效果進行評估，迫選測驗無法得知統(tǒng)計學習發(fā)生發(fā)展的時間進程，敏感性低（Frost et al.， 2019; Siegelman， Bogaerts， Frost， 2017; Siegelman et al.， 2018）。需要更為高效的能力測驗解決這些問題。

第二個需要解決的問題是統(tǒng)計學習在線測驗法成績和離線測驗法成績相關性問題。有研究發(fā)現(xiàn)在線測驗法成績和離線測驗法成績高相關（Karuza et al.， 2014）；有研究發(fā)現(xiàn)在線測驗法成績和離線測驗法成績不相關（Franco et al.， 2015）。統(tǒng)計學習在線測驗法和離線測驗法成績低相關，一方面反映出統(tǒng)計學習理論問題，例如在線測驗法和離線測驗法分別反映了統(tǒng)計學習的不同成分（Misyak et al.， 2010）；在線測驗法和離線測驗法分別反映了統(tǒng)計學習的內隱知識或外顯知識（Bertels et al.， 2012）。另一方面表明在線測驗法的信度低，在線測驗法不準確或不穩(wěn)定。此外，在線測驗法中的次要任務可能干擾了統(tǒng)計學習，次要任務分散了注意資源，降低了統(tǒng)計學習成績。為了提高在線測驗法的信效度，得到更穩(wěn)定的在線測驗和離線測驗相關關系，未來研究需要進一步提高研究的精準性（Bogaerts et al.， 2021）。

參考文獻

鄧玨，葉子青，周加仙 （2021）. 音樂訓練對統(tǒng)計學習能力的促進作用. 心理發(fā)展與教育，37（6），904-912.

盧張龍（2021）. 眼動記錄法在序列學習研究中的應用. 心理研究，14（6），512-517.

盧張龍，劉夢娜，劉玉潔，馬盼盼，張瑞平（2022）. 內隱序列學習表征機制探究： 眼動證據(jù). 心理學報，54（7），779-788.

徐貴平，范若琳，金花 （2020）. 統(tǒng)計學習的認知神經(jīng)機制及其與語言的關系.心理科學進展，28（9），1525-1538.

于文勃，王璐，瞿邢芳，王天琳，張晶晶，梁丹丹（2021）. 轉換概率和詞長期待對語音統(tǒng)計學習的影響. 心理學報，53（6），565-574.

Abla， D.， Katahira. K.， & Okanoya， K. （2008）. On-line assessment of statistical learning by event-related Potentials. Journal of Cognitive Neuroscience， 20（6）， 952-964.

Abla， D.， & Okanoya， K. （2009）. Visual statistical learning of shape sequences： An ERP study. Neuroscience Research， 64（2）， 185-190.

Altamura， M.， Carver， F. W.， Elvevag， B.， Weinberger， D. R.， & Coppola， R. （2014）. Dynamic cortical involvement in implicit anticipation during statistical learning. Neu-roscience Letters， 558， 73-77.

Arnon， I. （2020）. Do current statistical learning tasks cap-ture stable individual differences in children？ An inves-tigation of task reliability across modality. Behavior Research Methods， 52（1）， 68-81.

Batterink， L. J.， & Paller， K. A. （2017）. Online neural monitoring of statistical learning. Cortex， 90， 31-45.

Batterink， L. J.， Paller， K. A.， & Reber， P. J. （2019）. Understanding the neural bases of implicit and statistical learning. Topics in Cognitive Science， 11（3）， 1-22.

Bertels， J.， Franco， A.， & Destrebecqz， A. （2012）. How implicit is visual statistical learning？ Journal of Ex-perimental Psychology： Learning， Memory， and Cognition， 38（5）， 1425-1431.

Bogaerts， L.， Frost， R.， & Christiansen， M. H. （2020）. Integrating statistical learning into cognitive science. Journal of Memory and Language， 115， 104167.

Bogaerts， L.， Siegelman， N.， & Frost， R. （2021）. Statistical learning and language impairments： Toward more precise theoretical accounts. Perspectives on Psychological Science， 16（2）， 319-337.

Christiansen， M. H. （2019）. Implicit statistical learning： A tale of two literatures. Topics in Cognitive Science， 11（3）， 468-481.

Daltrozzo， J.， & Conway， C. M. （2014）. Neurocognitive mechanisms of statistical sequential learning： What do event-related potentials tell us？ Frontiers in Human Neuroscience， 8， 437.

Erickson， L. C.， Kaschak， M. P.， Thiessen， E. D. & Berry， C. A. S. （2016）. Individual differences in statistical learning： Conceptual and measurement issues. Collabra， 2（1）， 14.

Franco， A.， Eberlen， J.， Destrebecqz， A.， Cleeremans， A.， & Bertels， J. （2015）. Rapid serial auditory pres-entation： A new measure of statistical learning in speech segmentation. Experimental Psychology， 62（5）， 346-351.

Fran?ois， C.， Jaillet， F.， Takerkart， S.， & Sch?n， D. （2014）. Faster sound stream segmentation in musicians than in nonmusicians. PLoS One， 9， e101340.

Fran?ois， C.， & Sch?n， D. （2011）. Musical expertise boosts implicit learning of both musical and linguistic structures. Cereb Cortex， 21（10）， 2357-2365.

Frost， R.， Armstrong， B. C.， & Christiansen， M. H. （2019）. Statistical learning research： A critical review and possible new directions. Psychological Bulletin， 145（12）， 1128-1153.

Frost， R.， Armstrong， B. C.， Siegelman， N.， & Christiansen， M. H. （2015）. Domain generality versus modality specificity： The paradox of statistical learning. Trends in cognitive science， 19（3）， 117-125.

Gómez， D. M.， Bion， R. A. H.， & Mehler， J. （2011）.The word segmentation process as revealed by click detection. Language and Cognitive Processes， 26（2）， 212-223.

Growns， B.， Siegelman， N.， & Martire， K. A. （2020）. The multi-faceted nature of visual statistical learning： Individual differences in learning conditional and distr-ibutional regularities across time and space. Psychonomic Bulletin & Review， 27（5）， 1291-1299.

Karimian， F.， Kazemi， Y.， & Najimi， A. （2020）. Statistical learning in late talkers and normal peers. Advanced Biomedical Research， 9， 22.

Karuza， E. A.， Farmer， T. A.， Fine， A. B.， Smith， F. X.， & Jaeger， T. F. （2014）. Online measures of prediction in a self-paced statistical learning task. Proc Cognitive Science society， 36， 725-730.

Kóbor， A.， Horváth， K.， Kardos， Z.， Takács， á.， Janacsek， K.， Csépe， V.， & Németh， D. （2019）. Tracking the implicit acquisition of nonadjacent transitional probabilities by ERPs. Memory & Cognition， 47（8）， 1546-1566.

Kóbor， A.， Takács， á.， Kardos， A.， Janacsek， K.， Horváth， K.， Csépe， V.， & Németh， D. （2018）. ERPs differentiate the sensitivity to statistical probabilities and the learning of sequential structures during procedural learning. Biological Psychology， 135， 180-193.

Lany， J.， & Shoaib， A. （2019）. Individual differences in non-adjacent statistical dependency learning in infants. Journal of Child Language， 47（2）， 1-25.

Lavi-Rotbain， O.， & Arnon， I. （2021）. Visual statistical learning is facilitated in Zipfian distributions. Cognition， 206， 104492.

Misyak， J. B.， Christiansen， M. H.， & Tomblin， J. B. （2010）. On-line individual differences in statistical learning predict language processing. Frontiers in Psychology， 1， 31.

Németh， D.， Janacsek， K.， & Fiser， J. （2013）. Age-dependent and coordinated shift in performance between implicit and explicit skill learning. Frontiers in Computational Neuroscience， 7， 147.

Paraskevopoulos， E.， Chalas， N.， & Bamidis， P. （ 2017）. Functional connectivity of the cortical network supporting statistical learning in musicians and non-musicians： An MEG study. Scientific Reports， 7（1），16268.

Paraskevopoulos， E.， Chalas， N.， Kartsidis， P.， Wollbrink， A.， & Bamidis， P. （2018）. Statistical learning of multisensory regularities is enhanced in musicians： An MEG study. Neuroimage， 175， 150-160.

Paraskevopoulos， E.， Kuchenbuch， A.， Herholz， S.， & Pantev， C. （2011）. Musical training effects on statistical learning of melodies： An MEG study. Neuroscience Letters， 500， 43.

Qi， Z.， Sanchez Araujo， Y.， Georgan， W. C.， Gabrieli， J. D & Arciuli， J. （2018）. Hearing matters more than seeing： A cross-modality study of statistical learning and reading ability. Scientific Studies of Reading， 23， 101-115.

Rose， M.， Haider， H.， Salari， N.， & Büchel， C. （2011）. Fun-ctional dissociation of hippocampal mechanism during implicit learning based on the domain of associations. The Journal of Neuroscience， 31（39）， 13739-13745.

Saffran， J. R.， Aslin， R. N.， & Newport， E. L. （1996）. Statistical learning by 8-month-old infants. Science， 274（5294）， 1926-1928.

Saffran， J. R.， & Kirkham， N. Z. （2018）. Infant statistical learning. Annual Review of Psychology， 69（1）， 181-203.

Sherman， B. E.， Graves， K. N.， & Turk-Browne， N. B. （2020）. The prevalence and importance of statistical learning in human cognition and behavior. Current Opinion in Behavioral Sciences， 32， 15-20.

Siegelman， N.， Bogaerts， L.， Armstrong， B. C.， & Frost， R. （2019）. What exactly is learned in visual statistical learning？ Insights from Bayesian modeling. Cognition， 192， 104002.

Siegelman， N.， Bogaerts， L.， Christiansen， M. H.， & Frost， R. （2017）. Towards a theory of individual differences in statistical learning. Philosophical Transactions of the Royal Society B： Biological Sciences， 372， 20160059.

Siegelman， N.， Bogaerts， L.， & Frost， R. （2017）. Measuring individual differences in statistical learning： Current pitfalls and possible solutions. Behavior Research Methods， 49， 418-432.

Siegelman， N.， Bogaerts， L.， Kronenfeld， O.， & Frost， R. （2018）. Redefining “Learning” in statistical lear-ning： What does an online measure reveal about the assimilation of visual regularities？ Cognitive Science， 42（53）， 692-727.

Siegelman， N.， & Frost， R. （2015）. Statistical learning as an individual ability： Theoretical perspectives and empirical evidence. Journal of Memory and Language， 81， 105-120.

Siegelman， N.， Rueckl， J. G.， Steacy， L. M. Frost， S. J. Van den Bunt， M.， Zevin， J. D.， ... Morris， R. D. （2020）. Individual differences in learning the regularities between orthography， phonology and semantics predict early reading skills. Journal of Memory and Language， 114， 104145.

Simor， P.， Zavecz， Z.， Horváth， K.， ?ltet? ， N.， T?r?k， C.， Pesthy， O.， ... Németh， D. （2019）. Deconstructing procedural memory： Different learning trajectories and consolidation of sequence and statistical learning. Frontiers in Psychology， 9， 2708.

Tal， A.， Bloch， A.， Cohen-Dallal， H.， Aviv， O.， Ashkenazi， S. S.， Bar， M.， & Vakil， E. （2021）. Oculomotor anticipation reveals a multitude of learning processes underlying the serial reaction time task. Scientific Reports， 11， 6190.

Toth-Faber， E.， Janacsek， K.， Szollosi， A.， Keri， S.， & Németh， D. （2020）. Procedural learning under stress： Boosted statistical learning but unaffected sequence learning. BioRxiv， 092726.

Walk， A. M.， & Conway， C. M. （2016）. Cross-domain statistical-sequential dependencies are difficult to learn. Frontiers in Psychology， 7， 250.

Witteloostuijn， M. V.， Lammertink， I.， Boersma， P.， Wijnen， F.， & Rispens， J. （2019）. Assessing visual statistical learning in early-school-aged children： the usefulness of an online reaction time measure. Frontiers in Psychology， 10， 2051.