类别归纳(Category-based induction)是指利用类别成员关系知识,将类别的已知属性拓展到新的类别成员的过程。类别归纳作为核心成分,出现在分类、概率判断、类比推理、决策等一系列认知活动中,在个体学习和适应生活的过程中发挥了重要的作用。类别归纳的推论力度受到前提中样例数量的影响。前提中样例数量越多,个体的归纳强度就越强的现象被称为前提单调性效应(premise monotonicity effect)。前提单调性效应是类别归纳中具有代表性且稳健的效应之一,研究该效应对揭示类别归纳认知机制的具有重要意义。类别归纳的经典理论对前提单调性效应的解释主要基于相似性和经验知识两方面。然而,类别归纳包含多样而又灵活的信息表征过程,上述模型缺乏对类别归纳过程是怎样在时间序列上进行的解释。尽管基于样例的线性弹道积累器模型(exemplar-based linear ballistic accumulator model)将反应时纳入对类别归纳决策过程的估计,但是该模型是数学模型,缺乏对类别归纳心理过程的描述。事件相关电位(event-related potentials,ERPs)技术能够直接测量个体的认知活动,且具有毫秒级的时间分辨率的优势。新近研究通过ERP技术探究类别归纳的时间动态过程,获得了许多发现。但是传统ERP分析中叠加平均的方法保留了脑电中锁时锁相的活动(time-locked and phase-locked activity),却损失了锁时非锁相的活动(time-locked and non-phase-locked activity)。而锁时非锁相的活动也提供了与认知过程相关的重要信息。因此本研究的研究一通过时频分析技术将脑电数据解码为锁时锁相和锁时非锁相的神经振荡(neural oscillation),在前人ERP研究的基础上,探讨类别归纳前提单调性效应的时频特征。目前类别归纳单调性效应的脑电研究还较为缺乏,时域、时频域脑电指标对类别归纳单调性效应表征的代表性还有待于评估。提取特征通过机器学习模型进行分类的方法具有较高的客观性与可靠性。采用脑电指标作为特征,通过机器学习对癫痫、精神分裂、抑郁等的识别取得了良好的效果。因此本研究的研究二拟选取机器学习的K近邻(K-Nearest Neighbor)、朴素贝叶斯(Naive Bayesian Model)、支持向量机(Support Vector Machine)以及随机森林(Random Forest)算法构建分类模型,对时域、时频域脑电特征对类别归纳前提单调性效应的代表性进行评估,同时筛选出适合类别归纳前提单调性效应的机器学习模型。研究一采用语义类别归纳任务,实验设计与前人研究类似,操纵前提数量(单前提,双前提)和前提、结论类别一致性(类别一致,类别不一致),要求被试根据前提推论结论成立的强度大小进行李克特4点评分(4-point Likert Scale,1-4点评分)。为了验证实验范式的有效性进行行为预实验,结果显示该范式能够有效的测量类别归纳的前提单调性的心理特征,也能够将类别归纳与有潜在可能解释实验结果的分类(categorization)有效的分离。在研究一中,记录被试在实验过程中的行为与脑电数据。结果显示类别归纳前提单调性效应不仅表现在行为指标和ERP指标上,更重要的是,锁时锁相和锁时非锁相的神经振荡能量均能揭示类别归纳中前提单调性效应的特征。锁相的前部delta频带能量反映了前提数量导致的工作记忆更新上的差异;锁相后部theta-alpha频带能量,反映了前提数量导致的推理信心的改变;非锁相前部theta频带能量的差异反映了前提数量影响了认知控制需要与适应性认知控制的执行;非锁相后部alpha-beta频带能量的差异反映了前提数量影响了句子语义整合与推理驱动的信息整合。研究二的语义类别归纳任务仅保留前提、结论类别一致的单、双前提论断,记录被试在实验过程中的脑电数据。提取时域脑电成分幅值、时频域锁相能量以及时频域非锁相能量作为特征,构建机器学习分类模型来区分单、双前提论断。结果显示,采用时频域非锁相能量特征的支持向量机模型对类别归纳的单前提论断和双前提论断的识别效果最好,准确率达到85.51%、查准率达到85.12%、查全率达到85.48%、F1-score达到0.85。结果证明,在表征类别归纳的前提单调性效应上,时频域非锁相能量比其他两种指标更具有代表性。支持向量机是一种适用于类别归纳的前提单调性效应的机器学习模型。综上所述,本研究揭示了类别归纳前提单调性效应的时频特征,并通过机器学习构建模型证明非锁相能量是类别归纳前提单调性效应具有代表性的表征指标。时频域结果支持了类别归纳的联结主义网络模型,为深入理解类别归纳认知机制提供了证据。由于脑电技术存在空间分辨率低的局限,未来研究可以利用脑磁图(magnetoencephalography)、功能磁共振成像(functional magnetic resonance imaging)等技术,探究类别归纳前提单调性效应的大脑活动的空间特征。另外,当前机器学习的分类效果受到脑电数据样本量的限制,在未来可以通过更大的数据集训练、筛选模型从而获得分类效果更加优良机器学习模型。