学习迁移实验报告

——镜画仪

  卢峰

摘要：通过镜画练习的实验来检验被试的左右手迁移情况，分析实验结果发现：被试的左右手迁移作用明显；被试每次的尝试时间以及错误次数随尝试次数的增加而减少。给初作镜画的人带来一定的困难，但通过训练被***会很快适应原先的习惯画法。本次实验就是通过一个六角星形板的镜画练习来了解动作技巧形成的过程。

关键词：练习  迁移

1．  引言

已获得的知识，动作技能，情感和态度等对新的学习的影响或习得的经验对完成其他活动的影响，就是学习的迁移。它发生在两种学习之间，并产生一定的效果。如果先前的学习对后来的学习有积极的推动作用的叫正迁移；如果先前的学习对后来的学习起阻碍作用的叫负迁移。

镜画仪是心理学学习实验中常用的仪器，主要用于练习效果的研究和动作技能的迁移研究；由一个金属双轨构成的六角星图案板、平面镜、挡板和电子表等构成。

2．  方法

2．  1 实验目的：采用前后测验法检验右手镜画练习对左手的迁移作用。

2．2主试：赵慕华   被试：卢峰

2．3实验器材：镜画仪

2．4实验步骤：

2．4．1调试好仪器，被试面对镜子正坐，调节挡板，使被试不能直接从视线里看到图板，只能从镜中看到，固定挡板。

2．4．2 被试先用非优势手（左手）执笔，主试发出“开始”命令，被试先用探笔接触一下记时圆点，电子仪器开始记时。然后被试在六角星的双轨内尽快画一遍，要求不能触及双轨任何一边或星外某处。否则，就算一次错误，仪器会记录下并显示出来。被试画完一遍须再接触一下计时圆点，让仪器停止计时。被试用笔记录下画一遍所用的时间及错误的次数。

2．4．3被试再用优势手（右手）按同样的方法做镜画练习10遍，主试做好每遍记录。

2．4．4最后被试再用非优势手（左手）再做实验两次，主试记录。

3．  结果

    非优势手（左手）实验所用时间

优势手（右手）实验结果

 

4．  结论：（1）由实验可知，优势手（右手）对非优势手（左手）的练习有着明显的正迁移作用，在左右手之间的迁移也称两侧性迁移，即由身体一侧学会的技能迁移到身体另一侧。心理学家贾德认为产生迁移的关键是学习者领悟两种学习活动中概括出它们的共同原理；苛勒认为迁移是由于学习者领悟两种学习之间所存在的关系的结果。在镜画实验中，被试也报告由于自己概括出左右手练习的共同点，而有助于左手练习的提高，在一定程度上再次证明了的观点。

（2）实验中，被试在镜画仪最难画部分（转折部分）明显速度减慢，而在易画部分（直线部分）速度明显加快，准确率也较高。这是由于此时技能还处于初步阶段，人们常常忘记动作之间的联系，在动作交换和的地方，会出现暂时停顿。此时，若学习者稍微不注意，即很容易出现错误。

（3）通过实验，还可以了解到，视觉在动作技能的练习中有很大的作用。将六角星挡板遮住，只能从镜子中看见，其动作技能的完成明显比正常视觉条件下的练习要慢得多。动作技能的三大成分中，有一种是认知能力，其包括视、听、触、动绝等等，知觉能力的完全丧失或部分缺陷往往难以完成任务。

换言之，是由于先前的习惯的视觉效果对镜中视觉效果的一种负迁移。对着镜子画画，由于已经建立起来的手眼协调与实验条件下的手眼协调发生了冲突，因而旧的技能对新的技能产生了干扰作用。曼德勒关于学习水平与迁移量关系研究表明，随着先前学习水平的提高，迁移刚开始时是负的，但随着练习的不断扩大，先前的学习水平不断提高，迁移逐渐由负变正，并达到较高水平的迁移。

定势通常指先于一定的活动而又指向该活动的一种动力准备状态，又称之为心向。其对迁移作用表现为：促进和阻碍。

信息能否提取在很大程度上依赖于信息在记忆中如何组织的，合理信息易于提取，也易于迁移。

学习迁移的整合机制2、顺应性迁移

  指将原有的经验应用于新情境时所发生的一种适应性变化。当原有的经验结构不能将新的事物纳入其结构内时，需调整原有的经验或对新旧经验加以概括，形成一种能包容新旧经验的更高一级的经验结构，以适应外界的变化。

 顺应性迁移的根本特点是自下而上。

 

 

 

        

 

第二篇：基于实例的迁移学习算法研究

基于实例的迁移学习算法研究

【摘要】：传统的机器学习中当分布发生变换时，大部分的机器学习方法不具备自适应能力，需要重新学习，要求用户收集更多的训练数据。在现实的应用中，重新收集训练数据、重新训练学习机代价很大，非常有必要减少这些环节，迁移学习的研究就成为一种必然。迁移学习可以应用相关领域的数据，将相关领域的有用知识”迁移”到目标领域中，用以解决在目标领域的学习任务．而迁移学习的关键是如何选取相关数据以帮助目标领域的学习。本文提出一种基于聚类集成的迁移学习算法，通过从源数据中寻找能够帮助目标数据学习的实例以帮助目标领域的学习，并且针对基于聚类集成迁移学习目标数据较少，容易过度拟合的缺陷，提出了基于半监督的聚类集成迁移学习算法以改进该缺陷。最后对两个算法在20个新闻组数据集上进行了实验，证明这两个算法能有效提高目标数据的学习效率。【关键词】：迁移学习聚类集成半监督

【学位授予单位】：山西财经大学

【学位级别】：硕士

【学位授予年份】：2013

【分类号】：TP181

【目录】：摘要6-7ABSTRACT7-101.绪论10-151.1研究背景及意义10-111.2国内外研究现状11-131.2.1迁移学习研究现状11-121.2.2半监督学习的研究现状12-131.3论文的主要研究工作13-141.4论文的组织结构14-152.迁移学习与半监督学习的基本理论15-222.1迁移学习的基本理论15-182.1.1迁移学习的概念152.1.2迁移学习的研究内容15-172.1.3迁移学习的类型17-182.1.4迁移学习的应用182.2半监督学习的基本理论18-212.2.1半监督学习的概念18-192.2.2基本算法19-202.2.3半监督学习算法选择20-212.2.4半监督学习的研究趋势212.3迁移学习与半监督学习的关系21本章小结21-223.基于聚类集成的迁移学习算法22-403.1聚类与集成技术概述22-253.1.1聚类技术概述22-243.1.2集成技术概述24-253.2基于聚类集成的迁移学习25-283.2.1算法的基本思想25-263.2.2算法描述及分析26-283.3实验分析28-393.3.1数据集描述28-303.3.2数据集处理30-363.3.3评价指标363.3.4实验结果分析36-39本章小结39-404.与半监督结合的迁移学习算法40-484.1基于半监督的聚类集成迁移学习算法40-434.1.1算法的基本思想40-414.1.2算法的描述及分析41-434.2实验分析43-474.2.1实验数据集434.2.2评价指标43-444.2.3实验结果分析44-47本章小结47-48总结与展望48-49参考文献49-54致谢54-55攻读硕士学位期间发表的论文55-56   本论文购买请联系页眉网站。