Dissociable Category Learning Systems

Abstract

One of the fundamental cognitive operations in which we are engaged every day is the categorization of stimuli into distinct classes. Through it we simplify our immediate environment, structure incoming information and thus reduce cognitive load. Categorization can be done by applying logical rules (e.g. sturdy and waterproof indicates good quality) or by memorizing each individual item (e.g. a specific brand, such as Bosch or Siemens, indicates good quality). These two different categorization mechanisms were investigated in this thesis using a novel choice format adaptation of the type II and type VI problems introduced by Shepard et al. (1961). In type II problems, items can be optimally categorized by applying a two-dimensional eXclusive OR rule (XOR) (e.g. small and circular OR big and triangular belong to Category A). In type VI problems, there is no rule linking items of a category and the optimal solution is memorization. This new adaptation added the much more ecologically valid probabilistic monetary feedback. Moreover, it reduced strategy switch variance through instructions on the optimal strategies. According to these underlying optimal strategies, logical rule finding and memorization, the newly adapted problems were referred to as rule-based and stimulus-based tasks, respectively. The two tasks were compared using behavioral, attentional, cognitive modeling, functional Magnetic Resonance Imaging (fMRI) and model-based fMRI approaches. Rule-based and stimulus-based categorization occurred at the same rate, making this the first study in the literature to find equal learning points in type II and type VI tasks. Striking post-learning behavioral differences were found at the reaction time level, with participants needing twice as much time to categorize in the stimulus-based task than in the rule-based task. Eye-tracking measures revealed differences in attentional allocation suggestive of the underlying optimal strategies. Participants in the rule-based task paid more attention to the relevant rule-forming features than to the irrelevant features. Moreover, attention to features irrelevant to the task decreased steadily as a function of learning, but surprisingly, did not cease once the correct rule had been found. In the stimulus-based task, attentional allocation was minimally altered by learning. The cognitive computations behind the two tasks were investigated using a promising new model, the Category Abstraction Learning (CAL, Schlegelmilch et al., 2021) whose architecture mirrored the two types of category learning investigated. CAL unraveled that good performance in both tasks requires high encoding and retrieval abilities. Unlike the stimulus based task, the rule-based task is characterized by sharp generalization gradients, reflecting optimal generalization of rule-like information. As expected from previous studies, rule-based categorization relied more heavily on the prefrontal cortex and hippocampus than stimulus-based categorization. By contrast, stimulus-based categorization elicited more striatal and insular involvement than rule-based categorization. Model-based fMRI analyses confirmed that the prefrontal activity was associated with rule prediction. Collectively, this work suggests that rule-based and memorization-based category learning are dissociable systems which optimally interact and inform each other.

Einer der grundlegenden kognitiven Vorgänge mit denen wir uns tagtäglich beschäftigen ist die Kategorisierung von Reizen in verschiedene Klassen. Durch diese vereinfachen wir unsere unmittelbare Umgebung, strukturieren eingehende Informationen und reduzieren so die kognitive Belastung. Kategorisierung kann durch die Anwendung logischer Regeln (z.B. robust und wasserdicht deutet auf gute Qualität hin) oder durch das Einprägen einzelner Gegenstände (z.B. eine bestimmte Marke wie Bosch oder Siemens deutet auf gute Qualität hin) erfolgen. Diese beiden unterschiedlichen Kategorisierungsmechanismen wurden in dieser Arbeit anhand eines neuartigen Auswahlformats untersucht, das eine Adaption der von Shepard et al. (1961) eingeführten Typ-II- und Typ-VI-Probleme darstellt. Bei Typ-II-Problemen können Gegenstände durch Anwendung einer zweidimensionalen XOR-Regel optimal kategorisiert werden (z.B. klein und rund oder groß und dreieckig gehören zur Kategorie A). Bei Typ VI-Problemen gibt es keine Regel die Gegenstände einer Kategorie verbindet, die optimale Lösung ist also das Auswendiglernen. Diese neue Anpassung umfasst das ökologisch validere probabilistische monetäre Feedback. Außerdem reduzierte sie die Varianz in Strategiewechseln durch Anweisungen zu optimalen Strategien. Entsprechend dieser zugrundeliegenden optimalen Strategien, dem Finden logischer Regeln und dem Auswendiglernen, wurden die neu adaptierten Probleme als regelbasierte bzw. stimulusbasierte Aufgaben bezeichnet. Die beiden Aufgaben wurden mit Hilfe verschiedener Ansätze verglichen, die Verhaltens- und Aufmerksamkeitsaufgaben, kognitive Modellierung und funktionelle Magnetresonanztomographie (fMRT) umfassen. Die regelbasierte und die stimulusbasierte Kategorisierung erfolgte mit der gleichen Geschwindigkeit, so dass dies die erste Studie in der Literatur ist, die gleiche Lernpunkte bei Typ-II- und Typ-VI-Aufgaben findet. Auffällige Verhaltensunterschiede nach dem Lernen wurden auf der Ebene der Reaktionszeit gefunden, wobei die Teilnehmer in der reizbasierten Aufgabe doppelt so viel Zeit für die Kategorisierung benötigten wie in der regelbasierten Aufgabe. Eye-Tracking-Messungen zeigten Unterschiede in der Aufmerksamkeitsverteilung, die auf die zugrundeliegenden optimalen Strategien schließen lassen. Die Teilnehmer:innen der regelbasierten Aufgabe schenkten den relevanten, regelbildenden Merkmalen mehr Aufmerksamkeit als den irrelevanten Merkmalen. Darüber hinaus nahm die Aufmerksamkeit auf die für die Aufgabe irrelevanten Merkmale in Abhängigkeit vom Lernprozess stetig ab. Sie fielen aber überraschenderweise nicht gänzlich weg, sobald die korrekte Regel gefunden worden war. Bei der stimulusbasierten Aufgabe wurde die Aufmerksamkeitsverteilung durch das Lernen nur minimal verändert. Die kognitiven Berechnungen hinter den beiden Aufgaben wurden mit einem vielversprechenden neuen Modell untersucht, dem Category Abstraction Learning (CAL, Schlegelmilch et al., 2021), dessen Architektur die beiden untersuchten Arten des Kategorienlernens widerspiegelt. CAL enthüllte, dass eine gute Leistung in beiden Aufgaben hohe Enkodierungs- und Abruffähigkeiten erfordert. Im Gegensatz zur stimulusbasierten Aufgabe ist die regelbasierte Aufgabe durch scharfe Generalisierungsgradienten gekennzeichnet, die eine optimale Generalisierung von regelbasierten Informationen widerspiegeln. Wie aufgrund früherer Studien zu erwarten, stützte sich die regelbasierte Kategorisierung stärker auf den präfrontalen Kortex und den Hippocampus als die reizbasierte Kategorisierung. Im Gegensatz dazu löste die stimulusbasierte Kategorisierung eine stärkere Beteiligung des Striatums und der Insula aus als die regelbasierte Kategorisierung. Modellbasierte fMRT-Analysen bestätigten, dass die präfrontale Aktivität mit der Regelvorhersage verbunden war. Insgesamt legt diese Arbeit nahe, dass regelbasiertes und auf Auswendiglernen beruhendes Kategorienlernen dissoziierbare Systeme sind, die auf optimale Weise interagieren und sich gegenseitig informieren.