概念地圖・Pearce–Hall 可聯結性
作者 山姆（謝冠生）・喵喵書評創辦人
發布
分類：行為
這一頁不只是把一個概念解釋一遍——一張自己畫的結構圖，加上拿台灣情境從頭走一次的實例演練、這個框架什麼時候會騙你，以及它接回 P.A.I.N. 之後長什麼樣。一頁必須交付的三層 →
可聯結性：意外結果讓線索重新被學習
馬場櫃檯把原本放在旁邊的通知卡重新移到螢幕正中央，因為昨天那張熟悉的卡片接了一個意外結果。Pearce–Hall 可聯結性關心的，正是線索後續取得聯結的能力如何改變。當後果一直符合預測，這項能力會降低；出現落差，後續學習的權重便可能提高。先記住時間：這一回合揭露的意外，留到下一回合起作用——把「剛才發生什麼」與「接著怎麼學」分開看。
預測落差怎麼留到下一回合
先替結果強度 λ 設定 0～1 的教學尺度，再把各次給定的預測 V 與實際結果相減、取絕對值。五筆輸入與圖上五點逐一對照如下。
| 先前試驗 t | 事前預測 V | 結果 λ | 絕對落差 | 設定下次 α |
|---|---|---|---|---|
| 1 | 0.12 | 1 | 0.88 | α₂＝0.88 |
| 2 | 0.74 | 1 | 0.26 | α₃＝0.26 |
| 3 | 0.91 | 1 | 0.09 | α₄＝0.09 |
| 4 | 0.86 | 0.05 | 0.81 | α₅＝0.81 |
| 5 | 0.27 | 0.02 | 0.25 | α₆＝0.25 |
這五個 V 是為了展示映射而各次給定的輸入，序列如何生成留在本例範圍外。圖中沒有推算完整學習軌跡，也沒有畫第六次的結果。第四筆預測高、結果低，取絕對值後仍得到較大的 α₅——高低落差的方向，在這一步先被拿掉。讀者要看的，是哪次結果留下了下一回合的學習條件。
這個簡化關係對應 Pearce 與 Hall 的原始論文中單線索的第八式；一般情形需用在場線索的淨總聯結來計算預測，原文也討論跨多次試驗平均。Hall 的理論解說可接著讀。本頁只拆可聯結性的時序，不展開整套興奮與抑制更新方程。
觀察線索時，抓住三個接縫
一、先固定線索與後果。馬場櫃檯拿通知卡來確認的，可能是預約登記完成，也可能是客戶會準時到場。這兩個後果必須先拆清楚。卡片若只代表登記完成，拿客戶缺席來指責它失準，起點就換了題——同一種顏色被同事賦予不同意思，後續紀錄也會混成一團。自問：這個線索預測的是哪一種後果？
二、讓事前預期留下痕跡。客戶到場之前，記下櫃檯根據通知做了什麼預期；到場時段結束，再補實際結果。若事後才問，大家很容易把答案改成「早就覺得會變動」。落差要有兩端——原先的預期與後來的結果，缺一邊就只能得到印象。自問：事前預期與實際結果差在哪裡？
三、把觀察延伸到後續。櫃檯當場皺眉，只說明此刻有反應。等下次同樣的通知出現，再看他是否主動打開改期紀錄、向客戶確認，並用新結果修正卡片的意義。要把那次意外與後面的核對行動接起來——工作行為提供的是類比線索，人的 α 仍需另行研究。自問：後續試驗中，是否更願意核對這個線索？
馬場預約通知重新受到注意
底下這家台灣中部的馬場，是為了把這個結構講清楚而編出來的示意情境，沒有指涉任何真實公司。
- 熟悉的通知卡：櫃檯平常把某種顏色的預約卡視為到場確認，排好時段後就先安排接待。連日核對都相符，卡片慢慢被推到螢幕旁邊。流程熟了，重查的次數跟著少了。
- 一次改期留下落差：客戶昨天臨時改期，通知卡仍沿用原色，櫃檯到時段結束才發現人不會來。卡片、預期與缺席結果同時進了交班紀錄——這次失準有了可回看的位置。排程空著，後面的安排也跟著重做。
- 下一張卡重新核對：今天再見到同色通知，櫃檯把它移到螢幕中央，先核對異動時間，再向負責窗口確認到場狀態。接下來幾次持續記錄這個動作，觀察卡片的用途有沒有被重新學會。後續行動，才把昨天的意外接住。
這段情境借用條件學習機制，幫管理者整理「預測失準之後，哪個線索重新受到核對」的問題。馬場真正要保留的是異動時間、卡片狀態與到場結果，讓櫃檯有機會回頭修正判斷。光看卡片被移動或核對變多，仍無法直接估出人的 α；新的交班要求也可能帶來相同行為。改善通知流程可以降低實際困擾，沒有必要靠驚嚇或故意製造錯誤來教人——讓已發生的落差被看見就夠了。以上為說明結構用的示意情境，僅供理解框架之用。
可聯結性什麼時候會騙你
- α 是模型隱變量。這個數值用來描述線索後續取得聯結的能力，需要透過模型與學習表現推論。櫃檯多看通知幾眼，也可能來自主管提醒、介面換位置或排班壓力——直接把核對次數換成 α，等於省略了識別機制的工作。
- 整個現場一起產生預測。通知卡旁還有客戶訊息、交班備註與預約系統，它們可能互相補充，也可能帶有相反的預測作用。一般模型要考慮多線索競爭與抑制所影響的淨總聯結——單獨拿卡片的一個值，就可能把真正的總預測看錯。
- 職場類比需要額外證據。條件學習實驗有明確的線索、試驗與結果，馬場工作則交錯著語言理解、責任分工和制度要求。若想宣稱改善措施透過可聯結性生效，還得安排對照與持續觀察——本篇的情境只提供整理問題的方式。
客戶的意外值得留下紀錄
熟悉的卡片接錯一次後果，重學它的理由就出現了。
Pearce–Hall 提醒我們，穩定的預測會改變後續學習的條件。放到《痛點》的 P.A.I.N. 思考裡，還得追到人身上：誰因為這張通知多等了一輪？誰重新排了時間？這張圖畫得出前次落差如何設定後次 α，畫不出客戶為一次失約承受的麻煩。通知重新被看見，只是追查的起點。若馬場只記「櫃檯漏看」，改期客戶與接待端之間的資訊接縫就會消失。留住那次例外，才能分清楚哪一段訊息需要改寫、哪一個交接需要補上——今晚從最近一筆改期紀錄開始，把通知發出的時刻與客戶最後確認的時刻並排標記，交給下一班核對。
Pearce–Hall，常被問到的幾件事
可聯結性和注意相同嗎？
可聯結性 α 描述線索在後續試驗取得聯結的能力，常被拿來討論與注意有關的學習現象。日常說的注意，則可能指看著多久、主動核對或主觀在意。把兩者連起來，需要指定任務與量測方式——櫃檯把卡片放中央是可觀察的動作，還要追蹤他接著學到了什麼，才有討論機制的基礎。
驚喜和壞消息都算意外嗎？
在這個簡化關係裡，取的是實際結果與預測之間的絕對差，因此結果比預測高或低，都可能提高下一回合的 α。關鍵是偏離多少，還要看結果強度如何定義。日常的好消息、壞消息包含價值判斷，不能直接代入數字——先說清楚預期的後果，再討論那次結果有多出乎預料。
為何預測穩定之後，可聯結性會降低？
當線索的後果反覆被準確預測，絕對誤差便小，簡化模型會把下一次 α 設低，使該線索後續取得聯結的能力下降。這提供了理解「熟悉之後較少重新學」的機制。既有預測仍可能很準確，後續是否更新還受其他條件影響——若結果再次偏離預期，模型便會重新調整下一次的可聯結性。
舊線索占住學習位置的情形，可與 Kamin 阻斷效應並讀。若想另看有方向的價值如何更新，接著讀 Q-learning 時間差分更新，再回到交班紀錄，把「這次知道什麼」和「下次核對什麼」各寫一行。
喜歡這篇文章嗎？
每週幫你拆二本好書，把判斷力、好書金句、好問題，直送你的信箱。
不適合你可隨時退訂 · 每週兩封，陪你把書讀進生活。
送出即表示同意我們依隱私權政策使用你的 email。