Textprobe: Kapitel 2.2, Kategorienlernen: Das Kategorisieren beschreibt die Zuordnung von (neuen) Objekten zu Kategorien, in denen sich Objekte mit ähnlichen Merkmalen befinden. So wird z.B. ein unbekanntes Tier, das zwei Flügel, einen Schnabel, Federn, einen großen runden Kopf und nach vorn gerichtete Augen besitzt, stets in die Kategorie 'Eule' eingeordnet werden. Um allerdings das perzeptuelle Erlernen von neuen Kategorien und die damit einhergehenden Prozesse untersuchen zu können, ist es notwendig der Person nicht nur unbekannte Objekte, sondern auch unbekannte Kategorien vorzulegen und ihr Verhalten im Verlauf des Lernprozesses zu beobachten (Ashby & Maddox, 2005). Hierfür werden der Person mehrere Objekte präsentiert, die jeweils einer von mindestens zwei verschiedenen Kategorien angehören. Die Aufgabe besteht grundsätzlich darin, die Objekte miteinander zu vergleichen und zu lernen, welche Objekte welcher Kategorie zuzuordnen sind. Dabei werden verschiedene Formen des perzeptuellen Lernens unterschieden, wobei folgend nur auf das regelbasierte und das Informations-Integrations- Kategorienlernen eingegangen wird (für einen Überblick siehe Ashby & Maddox, 2005). 2.2.1, Regelbasiertes Kategorienlernen: In Aufgaben, die regelbasiertes Kategorienlernen erfordern, können die Kategorien über explizite Regeln erlernt werden, die für gewöhnlich einfach zu verbalisieren sind. Häufig ist für die Zuordnung der Objekte (folgend Stimuli) nur eine Dimension relevant, z.B. 'alle schwarzen Stimuli gehören zu Kategorie A und alle weißen Stimuli zu Kategorie B' (Shepard, Hovland & Jenkins, 1961). Allerdings stellt die Eindimensionalität keine Pflicht für regelbasiertes Lernen dar, denn auch aus mehreren Dimensionen kombinierte Regeln können sich einfach verbalisieren lassen (Ashby & Maddox, 2005), z.B. 'alle schwarzen Dreiecke und alle weißen Quadrate gehören zu Kategorie A und alle weißen Dreiecke und alle schwarzen Quadrate zu Kategorie B' (Shepardet al., 1961). Als Voraussetzung für regelbasiertes Kategorienlernen wird somit die Möglichkeit der Verbalisierung der optimalen Zuordnungsregel betrachtet. Ashby und Maddox (2005) beschreiben drei Bedingungen, die dafür erfüllt sein müssen. Zunächst muss für jede Eigenschaft bzw. Dimension der Stimuli, die für die korrekte Zuordnung relevant ist, eine semantische Bezeichnung vorhanden sein. Dies wären bei den genannten Beispielen 'Farbe' bzw. 'Form'. Des Weiteren muss es möglich sein, die Aufmerksamkeit auf jede dieser Eigenschaften selektiv richten zu können. Dies ist der Fall, wenn die Merkmale der Stimuli voneinander separierbar sind (Ashby & Maddox, 1994). Zuletzt muss die Regel, in der die Ausprägungen der Stimuli auf den relevanten Dimensionen kombiniert werden, selbst verbalisierbar sein. Dazu muss es möglich sein unabhängige Entscheidungen für die Ausprägungen auf den einzelnen Dimensionen treffen zu können, um daraufhin die separaten Entscheidungen mithilfe von logischen Konjunktionen, wie 'und', 'oder' und 'nicht' zu einer Regel zu kombinieren. In dem oben genannten Beispiel für eine verknüpfte Regel wäre die Kombination aus den Einzelentscheidungen 'Für die Kategorie A muss ein Stimulus weiß und ein Dreieck sein oder schwarz und ein Quadrat, sonst gehört er zu Kategorie B.'. Sind diese drei Bedingungen erfüllt, lässt sich die Zuordnung zu den einzelnen Kategorien über eine explizite Regel ausdrücken, sodass regelbasiertes Kategorienlernen am ehesten zu einer perfekten Leistung führt (Minda & Miles, 2010). 2.2.2, Informations-Integrations-Kategorienlernen: Gegensätzlich zum regelbasierten Lernen sind Informations-Integrations-Aufgaben dadurch gekennzeichnet, dass sich die optimale Zuordnung nicht oder nur sehr schwer verbalisieren lässt. Diese Tatsache entsteht daraus, dass die Entscheidungen über die Ausprägungen auf den einzelnen Dimensionen nicht separierbar sind, sodass die Informationen aus den einzelnen relevanten Dimensionen integriert werden müssen, bevor eine Entscheidung über die Kategorienzugehörigkeit getroffen werden kann (Ashby & Maddox, 2005). Des Weiteren kann die optimale Entscheidungsgrenze, die die Kategorien voneinander trennt und aus der sich die Zuordnungsregel ergibt, bei Informations-Integrations-Aufgaben (auch bei regelbasierten Aufgaben) sowohl linear als auch nichtlinear sein (ein Beispiel für eine lineare Entscheidungsgrenze in regelbasierten und Informations-Integrations-Aufgaben befindet sich im Anhang A). Linear bedeutet in dem Zusammenhang, das die Unterscheidung zwischen den Kategorien am besten durch eine Grenze erfolgt, die einen linearen Anstieg besitzt, d.h. mathematisch durch eine lineare Funktion (y= mx+n) ausgedrückt werden kann. Die Theorie der Entscheidungsgrenzen (decision bound theory) nimmt an, dass Personen beim Erlernen der Kategorien den Wahrnehmungsraum der Stimuli (der Wahrnehmungsraum kann als Koordinatensystem betrachtet werden, das durch die Dimensionen der Stimuli aufgespannt wird) in Regionen aufteilen, denen Reaktionen zugeordnet werden (Maddox & Ashby, 1993). Fällt demnach ein präsentierter Stimulus z.B. in die Region A des multidimensionalen Raums, wird auf ihn mit der assoziierten Reaktion, in dem Fall die Zuordnung zu Kategorie A, geantwortet. Dabei wird aufgrund einer Studie von Ashby und Waldron (1999) vermutet, dass nicht die Entscheidungsgrenze, sondern die Regionen mit den assoziierten Reaktionen gelernt werden, sodass perzeptuelles Kategorienlernen im Fall einer Informations-Integrations-Aufgabe nicht parametrisch erfolgt. Diese Tatsache ist noch strittig, hat jedoch keinen Einfluss auf die Theorie der Entscheidungsgrenzen, da sie sowohl als parametrisch (Lernen der Entscheidungsgrenzen) als auch als nicht parametrisch (Lernen der Regionen assoziiert mit den Reaktionen) ausgelegt werden kann (Ashby & Maddox, 2005). 2.2.3, COVIS-Theorie: Im Laufe der Zeit wurden viele Theorien und Modelle entwickelt, um die kognitiven Prozesse während des perzeptuellen Kategorienlernens zu beschreiben. Eine von ihnen stellt die eben beschriebene Theorie der Entscheidungsgrenzen dar. In den letzten Jahren wurden vor allem Theorien postuliert, die von multiplen Kategorisierungssystemen ausgehen (u.a. Ashby, Alfonso-Reese, Turken & Waldron, 1998; Erickson & Kruschke, 1998; Nosofsky, Palmeri & McKinley, 1994). Während zwischen den meisten Theorien Einigkeit herrscht, dass eines der Systeme explizit und eines implizit ist, herrscht Uneinigkeit über die Beschaffenheit des impliziten Systems. Eine der verbreitetsten Theorien stellt das Competition of Verbal and Implicit Systems (COVIS) von Ashby et al. (1998) dar, das ebenfalls zwischen einem System für implizite und einem System für explizite Regeln differenziert und auf einer neuropsychologischen Basis beruht (für einen Überblick der neuronalen Strukturen siehe Ashby & Ell, 2001; Seger & Miller 2010). Wie der Name bereits vermuten lässt, wird eine Art Wettbewerb zwischen den beiden Systemen angenommen, wobei anfänglich stets das explizite System dominiert, da es vom Bewusstsein gesteuert wird. Im Laufe des Lernprozesses setzt sich allerdings das System durch, das den größten Lernerfolg verspricht. Das explizite System, das dem Lernen von regelbasierten Kategorien dient, verwendet dem Bewusstsein zugängliche Hypothesen, die relativ einfach verbalisierbar sind. Es ist stark abhängig vom Arbeitsgedächtnis und der exekutiven Aufmerksamkeit. Das Arbeitsgedächtnis wird benötigt, um potentielle Regeln im Gedächtnis zu behalten, während sie auf ihr Zutreffen getestet werden. Dabei wird angenommen, dass eine Regel solange angewendet wird bis etwas (z.B. ein negatives Feedback) ihre Richtigkeit widerlegt. In diesem Fall werden laut COVIS zwei separate Prozesse aktiviert, die die Verwendung exekutiver Aufmerksamkeit erfordern. Zum Einen muss eine neue Regel gesucht und ausgewählt werden und zum Anderen muss die Aufmerksamkeit von der alten auf die neue Regel gelenkt werden. Dabei wird angenommen, dass die Auswahl der Regeln im Wesentlichen vom präfrontalen Cortex und dem anterioren Cingulum gesteuert wird, während der Aufmerksamkeitswechsel wiederum im Striatum (insbesondere dem Kopf des Nucleus caudatus) bestimmt wird (Ashby et al., 1998; Ashby & Maddox, 2005). Das implizite System, das unter anderem dem Lernen von Informations-Integrations- Kategorien dient, stellt ein prozedural lernendes System dar, das dem Bewusstsein nicht zugänglich ist. Die Kategorien werden im Sinne der Theorie der Entscheidungsgrenzen (siehe weiter oben) erlernt, wonach Stimuli bestimmten Regionen innerhalb des Wahrnehmungsraums zugeordnet werden. Da diesem Lernen keine verbalen Regeln zugrunde gelegt werden können, nehmen Ashby et al. (1998) an, dass es stark von einem zeitnahen Feedback abhängig ist, um die geeignete Assoziation zwischen Stimulus und Reaktion zu stärken. Zwar existieren Studien, die diese Vermutung stützen (Ashby, Maddox & Bohil, 2002; Maddox, Ashby & Bohil, 2003), jedoch konnten Cincotta & Seger (2007) diese Abhängigkeit nicht replizieren. Als neuronales Korrelat zum impliziten System wird der Schwanz des Nucleus caudatus betrachtet, da er direkten Input aus den visuellen Arealen (ausgenommen V1) und dopaminergen Input aus der Substantia nigra erhält (Ashby et al., 1998, Ashby & Maddox, 2005).