内隐学习（implicit learning）
目录 |
内隐学习是指人们对复杂规则知识的无意识获取，个体在无意识状态下自动地习 得知识并指导个体的行为选择。内隐学习提出的首要意义就在于，它揭示了人们对环境事件联系和外界刺激规律的把握，至少在相当程度上要归因于某种无意识的学习机制。[1]
例如，孩子在没有接受系统语法学习的情况下就能不知不觉地学会母语，并很少出现语法错误；一个人原本不懂书上的意思，但把书熟读后，自然也会领会其中的道理，即所谓的“读书百遍，其义自见”等。
Reber在1967年在一篇文章中第一次提出了“内隐学习”这一概念，指个体无意识获得刺激环境中复杂知识的过程。Reber通过实验得出，个体会在无意识的状态下，习得外部环境的潜在规则，并运用这种习得的规则进行行为选择，而不是想很多人认为的——任何情况下个体都会有意识地去探索外部环境的潜在规则。内隐学习是人们并没有意识到环境刺激中的潜在知识结构或者控制他们行动的规则，但却学会了这种规则。
自Reber之后，Mathews、Shanks、Wilkinson 等研究者都加入到了内隐学习的研究中。Lewicki 认为内隐学习是个体不知不觉地获得了知识，却无法用言语表达出来。Seger 研究者还提出内隐学习不需要运用意识的努力，而是个体偶然发生的学习的假设。
虽然内隐学习的本质内涵还没有定论，但众学者给出的定义主要涵盖了以下三方面的内容，即内隐是什么、知识表征是什么类型以及发生了什么样的现象。而界定是否是“内隐学习”通常也有三个标准：第一个标准是，内隐学习发生的无意识性。第二个标准是，内隐学习中知识获得的无意识性。第三个标准是，内隐学习下行为选择的无意识性。简而言之，内隐学习的过程和结果都是无意识的。
内隐学习的存在得到公认后，研究者们纷纷转向研究内隐学习的特征和机制。从众多研究报告中，我们概括出内隐学习的以下特征：
1．自动性
内隐学习的自动性是一个最令人感兴趣的方面。自动性，即内隐知识自动地产生，无需有意识地去发现任务操作中的外显规则。许多实验研究发现，在对语法规则的掌握上，外显学习的规则发现组和内隐学习的记忆组之间不存在差异，而另一些实验发现，规则的外显学习会妨碍限定状态语法的掌握，并且正是内隐学习的自动性，揭示了它不同于外显学习的独特本质，并确立了它的应有地位。内隐学习具有自动性这一不争的事实。而这些发现对于教育具有重要的启示。
2．抽象性
内隐学习的抽象性是内隐学习的另一个本质特征。这一特点体现在内隐学习可以抽象出事物的本质属性，所获得的知识不依赖于刺激的表面物理形式。内隐学习的迁移现象很好地证明了其抽象性特征，因为如果内在规则不变而只是表面符号变化的情况下发生了学习迁移，那么就足以表明学习者学到了表面特征之外的其他的抽象东西。Reber(1969)的实验结果发现语法规则的改变明显降低了被试的成绩，而字母串物理形式的改变对成绩未产生影响。
内隐学习的抽象性对学习方面的启示意义重大。经研究表明，在许多领域，对于复杂规则的掌握，内隐学习比外显学习具有更大的优势，如语言的掌握、运动技能的获得、复杂规则的学习及社会认知等。因此，研究知识的抽象性特征是内隐学习有其长远研究价值的关键。展望未来的研究动向，内隐学习抽象性背后的深奥机理及其巨大实践价值，势必引发研究者们在更广泛的范式领域中进行更深入的研究。
3．理解性
内隐学习的理解性同样也是把握内隐学习的一个本质特征，即内隐知识在部分程度上可以被意识到。Dulany等(1989)的实验中通过随后对被试划线反应所体现的规则掌握程度的分析发现，两种学习条件下被试实际判断规则的准确度都很高。因此Dulany等提出，被试在内隐学习中所掌握的规则能够被有意识所接近。
Reber等(1994)对人工语法构成的词谜进行了研究，结果也发现，随着被试外显报告所用规则能力的提高，他们也内隐地发展了更丰富复杂的规则性知识。国内研究者郭秀艳等人(2002)采用这种问接测量方式对内隐学习理解性的操作定义进行了探讨，发现随着学习的推进，内隐组与外显组被试的成绩都是逐渐上升的。由此证明内隐学习具有理解性。相信在言语报告法和其它检验技术的会聚操作下，内隐学习的理解性将得到更加深入地探明。
4．抗干扰性
内隐学习的抗干扰性是其区别于外显学习的一大特征，在Reber(1993)的内隐学习生物进化论中有详尽的阐述，具体表现为：强健性(不易受到机能障碍和机能失调的影响)、年龄和IQ独立性(不受年龄和IQ的影响)、平均性(个体差异小、群体差异小)、过程的普遍性(内隐学习的内部机制具有跨物种的普遍性)。
内隐学习的生物进化论提出后，得到了一些研究者的支持。DpEredita和Hoyer(1998)采用类似人工语法的范式(用客体的特征、大小和方向的有序变化代替了字母的排序规则)研究了青年组、中年组和老年组的学习情况，结果内隐测试成绩无显著差异。总的来说，大部分实证研究数据支持了内隐学习具有抗干扰的特征。