综述：派生的层次化响应：一项范围综述

《Journal of Contextual Behavioral Science》：Derived hierarchical responding. A scoping review

本文通过系统综述16项实验研究，探讨关系框架理论（RFT）中层次化网络的训练及衍生响应机制。研究发现，非任意网络训练多基于物理属性，而任意网络则通过多例证训练建立抽象层级关系，衍生响应中顶向下功能转换（TD）占主导，但底向上转换（BU）和分支区分（BR）仍存在证据缺口。研究指出当前证据碎片化，未来需统一术语、优化样本选择并增加复杂网络训练，以揭示层级化响应的内在机制及其跨领域应用潜力。

　　**解读：基于Relational Frame Theory的层级网络与衍生关系研究**

在人类语言和复杂行为的形成过程中，层级网络的概念逐渐受到重视。层级网络是指一种刺激类别（如“生物”）包含多个子类别（如“动物”和“植物”），而这些子类别又进一步细分为更具体的子类（如“猫”和“狗”属于“动物”，“草”和“树”属于“植物”）。这种分类方式在多个领域中都具有重要意义，包括概念学习、语言发展、心理病理学和教育等。这些网络的构建和测试，有助于我们理解人类如何通过语言进行抽象推理和分类。

层级网络的建立与测试，通常涉及特定的训练方法，例如通过多例训练（Multiple Exemplar Training, MET）来建立非任意的或任意的刺激关系。非任意网络通常基于物理或功能上的共同特征（如形状、颜色或空间关系），而任意网络则依赖于文化背景或抽象概念（如宗教类别或抽象符号）。研究发现，尽管这些网络在训练和测试过程中表现出不同的复杂性和功能特性，但它们在某些核心特征上具有一致性，如互惠蕴含（Mutual Entailment）、组合蕴含（Combinatorial Entailment）和功能转换（Transformation of Functions）。这些特征构成了层级网络的基本框架，并帮助研究人员评估这些网络的扩展能力。

在非任意网络的研究中，有六项实验被纳入分析。这些研究通常涉及将刺激按照其物理属性进行分类，如通过颜色、形状或空间关系来建立分类系统。例如，一些研究通过颜色变化训练参与者对不同刺激进行分类，如绿色背景下的所有三角形被归类为“形状”，而红色背景下的某些三角形则被进一步分类为“锐角三角形”或“钝角三角形”。在这些研究中，参与者通常在训练后展现出对分类任务的掌握，包括对新刺激的泛化能力和对衍生关系的识别。然而，这些研究大多局限于两层级的分类系统，未能充分探讨更复杂的层级关系，如从顶层向底层的功能转换（Top-Down Transformation of Functions）或从底层向顶层的功能整合（Bottom-Up Transformation of Functions）。

在任意网络的研究中，共有九项实验被纳入分析。这些网络的建立通常不依赖于物理上的共同属性，而是通过文化或抽象概念进行关联。例如，某些研究利用“包含”和“属于”等非任意的语义关系来训练参与者对抽象符号或虚构词汇进行分类。研究发现，虽然这些网络在结构上表现出一定的复杂性，但它们的功能转换和衍生关系测试仍存在一定的局限性。部分研究未能充分测试从顶层向底层或从底层向顶层的功能转换，而另一些研究则关注于单一功能的转换，忽略了不同分支之间的功能差异。此外，这些网络的建立通常依赖于参与者已有的语言经验，而非完全从零开始训练。

从研究方法的角度来看，本综述采用了一种基于PRISMA-ScR的文献筛选策略，通过多个数据库（如Web of Science、Scopus和ProQuest）收集相关文献，并根据严格的纳入标准进行筛选。这些标准包括：实验性操作至少一个自变量，训练跨两个或更多层级的分类响应，测试未训练的衍生响应，以及发表在同行评审的期刊上。筛选过程通过两个独立研究者进行，确保了筛选结果的一致性，最终确定了16项实验研究，涵盖7项非任意网络研究和9项任意网络研究。

在非任意网络的研究中，研究者通常采用多例训练法，以建立特定的刺激关系。例如，在某些研究中，参与者被训练将不同形状的刺激（如三角形、正方形和圆形）与相应的类别（如“形状”）建立联系。在训练过程中，研究者会利用物理属性（如颜色、形状或空间关系）来引导参与者形成分类响应。此外，一些研究还测试了参与者对新刺激的泛化能力，以及对组合蕴含和互惠蕴含的识别。这些研究结果表明，非任意网络的建立可以通过特定的物理属性来实现，并且参与者能够将这些属性泛化到未见过的刺激上。

在任意网络的研究中，研究者通常采用不同的方法来建立刺激之间的关系。例如，一些研究利用“包含”和“属于”等语义关系来训练参与者对抽象符号或虚构词汇进行分类。这些研究的复杂性体现在网络的层级和分支结构上，例如某些研究训练了包含多个分支的层级网络，其中每个分支又包含多个子类别。研究还测试了这些网络中是否存在功能的整合（Inclusivity）和区分（Branch Differentiation），即某些功能是否适用于整个网络，而某些功能则仅适用于特定的分支。

尽管这些研究在方法上存在一定的多样性，但它们共同揭示了一些重要的发现。首先，非任意网络和任意网络在某些方面表现出相似的功能转换模式，例如从顶层向底层的泛化和从底层向顶层的功能整合。其次，研究显示，通过特定的训练程序，参与者能够在未见过的刺激中表现出对网络结构的理解，这表明层级网络具有一定的泛化能力。此外，研究还发现，不同网络的复杂性会影响功能转换的表现，例如具有多个分支的网络更容易表现出功能的整合和区分。

然而，这些研究也暴露出一些局限性。首先，目前关于层级网络的研究仍较为分散，缺乏统一的定义和分类标准。这使得不同研究之间的比较变得困难，也限制了对层级网络机制的深入理解。其次，许多研究仍然依赖于非任意的刺激关系，而较少关注如何在完全任意的刺激之间建立层级网络。这可能影响研究的外部效度，因为实际语言中的层级网络通常涉及抽象或文化相关的刺激关系。第三，研究对象多为正常发展的成年人，而较少关注儿童或语言能力有限的个体。因此，未来的研究可以进一步探讨这些网络在不同人群中的表现，以及它们在语言发展和认知训练中的应用潜力。

此外，本综述还指出了一些未来研究的方向。首先，需要更系统地探讨层级网络的建立条件，例如如何通过不同的训练程序来促进功能转换。其次，研究应更加关注网络的复杂性，包括不同层级和分支之间的关系，以及功能的整合和区分。第三，应扩大研究对象的范围，以涵盖更多不同背景的个体，如儿童、语言障碍患者或文化背景不同的参与者。第四，未来的研究可以尝试将不同类型的框架（如对比、反对、时间关系等）整合到层级网络的训练中，以更全面地理解语言和认知的复杂性。

综上所述，本综述不仅梳理了当前关于层级网络和衍生关系的研究，还指出了其局限性，并提出了未来研究的方向。这些研究为理解人类如何通过语言建立复杂的分类和推理系统提供了重要的理论和实证基础，同时也为未来的实验设计和理论发展提供了有价值的参考。通过进一步探讨这些网络的建立条件、复杂性以及在不同人群中的表现，我们有望更深入地理解语言和认知的机制，并为教育、心理治疗和语言训练提供新的思路。