Effects of the Functional Content of Instructions on Second-Order Matching-to-Sample Performance / Efeitos do conteúdo funcional da instrução sobre o desempenho em igualação à amostra de segunda ordem / Efectos del contenido funcional de la instrucción sobre el desempeño en igualación a la muestra de segundo orden

Abstract The effect of the functional content of instructions on the acquisition, transfer and description of performance in a second order matching-to-sample task was evaluated. Twenty undergraduate students were assigned to one of four experimental groups: (a) procedural instruction at the start of the task (PStart); (b) procedural instruction in each trial (PTrial); (c) instruction referring to instances in each trial (ITrial); and (d) instruction referring to relation in each trial (RTrial). The proportion of correct attempts was analyzed, and was found to be higher in the ITrial and RTrial groups for the training phase, and for the PStart, PTrial and RTrial groups in the extra-instance and extra-modal transfer test, as well as for the ITrial group in the extra-relational test; the larger number of accurate performance descriptions was observed in the RTrial group. These results show that abstract stimulus control can be presented either by way of transfer of functions throughout instructions, or by differentiation of positive and negative cases of the contingencies, which is enhanced by the concurrent presence of the instruction and the stimulus array.

Resumo Neste estudo, avaliou-se o efeito do conteúdo funcional da instrução sobre a aquisição, transferência e descrição da execução numa tarefa de igualação à amostra de segunda ordem. Foram designados vinte estudantes de psicologia a um de quatro grupos experimentais: (a) instrução procedimental ao início da tarefa (PInício); (b) instrução procedimental em cada ensaio (PEnsaio); (c) instrução referida a instâncias em cada ensaio (IEnsaio), e (d) instrução referida à relação em cada ensaio (REnsaio). Analisou-se a proporção de acertos, a qual foi superior nos grupos IEnsaio e REnsaio na fase de treinamento, para os grupos PInício, PEnsaio e REnsaio em testes de transferência extrainstância e extramodal, e para o grupo IEnsaio em testes de transferência extrarrelacional; a maior quantidade de descrições adequadas de execução se apresentou no grupo REnsaio. Esses resultados mostram que o controle abstrato do estímulo pode ser apresentado tanto por transferência de função por meio de instruções quanto por diferenciação de casos positivos e negativos das contingências, o que se vê potencializado pela presença simultânea da instrução e do acordo estimulativo.

Resumen En el presente estudio se evaluó el efecto del contenido funcional de la instrucción sobre la adquisición, transferencia y descripción de la ejecución en una tarea de igualación a la muestra de segundo orden. Se asignaron veinte estudiantes de psicología a uno de cuatro grupos experimentales: (a) instrucción procedimental al inicio de la tarea (PInicio); (b) instrucción procedimental en cada ensayo (PEnsayo); (c) instrucción referida a instancias en cada ensayo (IEnsayo); y (d) instrucción referida a relación en cada ensayo (REnsayo). Se analizó la proporción de aciertos, la cual fue superior en los grupos IEnsayo y REnsayo en la fase de entrenamiento, para los grupos PInicio, PEnsayo y REnsayo en pruebas de transferencia extrainstancia y extramodal, y para el grupo IEnsayo en pruebas de transferencia extrarelacional; la mayor cantidad de descripciones adecuadas de ejecución se presentó en el grupo REnsayo. Estos resultados muestran que el control abstracto del estímulo se puede presentar tanto por transferencia de función a través de instrucciones como por diferenciación de casos positivos y negativos de las contingencias, lo cual se ve potenciado por la presencia concurrente de la instrucción y el arreglo estimulativo.

Smart sampling and incremental function learning for very large high dimensional data.

Very large high dimensional data are common nowadays and they impose new challenges to data-driven and data-intensive algorithms. Computational Intelligence techniques have the potential to provide powerful tools for addressing these challenges, but the current literature focuses mainly on handling scalability issues related to data volume in terms of sample size for classification tasks. This work presents a systematic and comprehensive approach for optimally handling regression tasks with very large high dimensional data. The proposed approach is based on smart sampling techniques for minimizing the number of samples to be generated by using an iterative approach that creates new sample sets until the input and output space of the function to be approximated are optimally covered. Incremental function learning takes place in each sampling iteration, the new samples are used to fine tune the regression results of the function learning algorithm. The accuracy and confidence levels of the resulting approximation function are assessed using the probably approximately correct computation framework. The smart sampling and incremental function learning techniques can be easily used in practical applications and scale well in the case of extremely large data. The feasibility and good results of the proposed techniques are demonstrated using benchmark functions as well as functions from real-world problems.