資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
Microsoft Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
JavaScript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝學
法學特里斯曼衰減模型
在心理學中，選擇性注意是一種認知過程，其中一個或多個刺激被關注，而所有其他感覺輸入都被忽略或抑制。然而，選擇性注意對於個體在日常生活中的運作至關重要，透過選擇性地關注特定刺激而忽略其他刺激，避免資訊超載和資訊處理系統的負擔。對於選擇性注意的過程，研究人員已經提出了許多理論，而特里斯曼的衰減模型就是其中之一。
什麼是特里斯曼衰減模型？
1964年，安妮·特里斯曼提出了注意的衰減理論，其中未被注意的資訊的處理被衰減。衰減器是一種降低訊號幅度或功率而不顯著改變其波形的電子裝置。特里斯曼認為，未被注意的資訊是被衰減或減弱，而不是被完全阻擋。根據特里斯曼的理論，一些有意義的或未被注意的資訊可能仍然可用，但可能難以記住或恢復。特里斯曼進行了各種實驗來證明衰減理論的有效性，使用了言語跟蹤法。實驗參與者透過耳機在每個耳朵接收兩個不同的聽覺資訊。透過這種方法，特里斯曼試圖瞭解參與者可以從未被注意的資訊中記住的資訊量和型別。特里斯曼的衰減模型被視為對布羅德本特過濾器模型的修正。
衰減過程
特里斯曼的衰減模型保留了早期選擇過程的思想以及物理線索作為主要不等點裝置的思想。然而，與布羅德本特的過濾器模型相比，過濾器現在衰減未被注意的資訊，而不是完全過濾掉它。特里斯曼透過新增閾值的概念來描述這個模型，以解釋為什麼某些詞在未被注意的通道中比其他詞聽到的頻率更高。衰減開始後，資訊被傳遞到一系列分析器，這些分析器執行更高級別的處理以獲得更有意義的內容。衰減理論的主要部分是，被注意的輸入每次都會經過完整的處理。相反，不相關的刺激通常缺乏足夠低的閾值以被充分了解，隻影響回憶的物理特性而不是語義。
識別閾值及閾值影響因素
識別閾值的功能很簡單。一個人對每個可能的輸入都有一個確定的閾值或啟用量。閾值越低，輸入就越容易被識別，即使在衰減之後也是如此。閾值有幾個影響因素，它們是：
語境和啟動——語境在降低理解刺激所需的閾值方面起著至關重要的作用，因為它會產生對相關資訊的預期。啟動機制執行語境。因此，與之相關的資訊變得更相關且更容易獲得——降低了理解過程的閾值。
主觀重要性——具有主觀重要性的詞語比那些沒有主觀重要性的詞語具有更低的閾值。另一方面，少數詞語的含義更易變化，並取決於它們的用法密度、連續性和與被注意資訊相關的語境來進行識別。
衰減程度——衰減程度可能與基本資訊的內容相關。對對聽到它們的人幾乎沒有益處的邏輯資訊發生的衰減程度更大。含糊不清的資訊獲得最大的衰減量，因為它們可能對被注意資訊產生的任何干擾都比補充資訊更有害。衰減水平對輸入是否被識別具有強烈的影響，並且可以根據注意需求而積極變化。
分析器層次結構
在促進識別重要、意外或被注意的刺激的同時，它確保這些資訊得到充分衰減，並且不會超過分析的早期階段，從而避免感覺處理能力過載。如果注意需求低，則會進行完整的層次結構處理。如果需求高，衰減會變得更積極，只允許來自未被注意資訊的 vital 或相關資訊進行處理。層次分析過程具有序列性質，對每個被分析的詞語產生獨特的影響。只有當閾值有利時，衰減資訊才會透過所有分析器。如果輸入在語音、大小和空間線索方面相似，則層次過程也提供了一個重要的動機。所有這些物理特徵都必須在資訊之間相似，然後才能根據這些特徵在早期水平有效地進行衰減。相反，衰減將在單詞和含義的識別過程中發生，而這是理解資訊量可能較短的地方。
結論
從以上討論可以得出結論，特里斯曼衰減模型旨在解釋為什麼有時未被注意的刺激比布羅德本特的過濾器模型更仔細地被處理。特里斯曼衰減模型是一種選擇性注意理論。衰減器分析資訊。已經討論了衰減過程、識別閾值和閾值影響因素以及分析器層次結構。特里斯曼衰減模型具有優勢；從實驗中可以看出，實驗參與者仍然能夠識別未被注意的資訊的內容，這表明他們能夠處理被注意和未被注意資訊的含義。特里斯曼衰減模型的一些批評是——它沒有恰當地描述語義分析的工作方式，並且衰減過程的性質從未被準確地指定。所有雙耳分聽任務的一個共同問題是，無法確定參與者是否沒有將注意力轉移到所謂的未被注意的通道。
5000+ 次瀏覽
