数学の問題解決戦略の検出：遡及的自己報告、レイテンシ、fMRIデータの使用に関する調査

この研究では、検索戦略と計算戦略によって数学的な問題がいつ解決されるかを判断する方法を探ります。過去の研究では、口頭での報告、解決策の潜在性、神経イメージングがすべてこの区別の不完全な指標を提供することが示されています。現在の研究の参加者は、「ピラミッド」と「フォーミュラ」の問題と呼ばれる2つの異なる問題タイプを含む数学的問題を解決しました。参加者には、3つのピラミッドを選択し、3つの選択式の問題を解決する広範なトレーニングが与えられました。訓練された問題は高度に実践されていましたが、訓練されていない問題はそうではありませんでした。訓練されていない問題と訓練された問題の区別がデータで観察されました。訓練されていない問題は解決に時間がかかり、より頻繁に使用される手続き的戦略があり、訓練された問題と比較した場合、水平間頭頂溝（HIPS）でより大きな活性化を示しました。訓練された訓練を受けていない問題の間の神経の区別に適合する分類器は、2つの問題タイプ内および2つの問題の間のトレーニングを正常に予測しました。この分類器を使用して、戦略使用の予測を生成しました。分類器からの証拠、問題解決レイテンシー、およびレトロスペクティブレポートを組み合わせることにより、スキャナーの各問題を解決するために使用される戦略を予測し、異なる戦略間の区別に関する予期せぬ洞察を得ました。

This research explores how to determine when mathematical problems are solved by retrieval versus computation strategies. Past research has indicated that verbal reports, solution latencies, and neural imaging all provide imperfect indicators of this distinction. Participants in the current study solved mathematical problems involving two distinct problem types, called 'Pyramid' and 'Formula' problems. Participants were given extensive training solving 3 select Pyramid and 3 select Formula problems. Trained problems were highly practiced, whereas untrained problems were not. The distinction between untrained and trained problems was observed in the data. Untrained problems took longer to solve, more often used procedural strategies and showed a greater activation in the horizontal intraparietal sulcus (HIPS) when compared to trained problems. A classifier fit to the neural distinction between trained-untrained problems successfully predicted training within and between the two problem types. We employed this classifier to generate a prediction of strategy use. By combining evidence from the classifier, problem solving latencies, and retrospective reports, we predicted the strategy used to solve each problem in the scanner and gained unexpected insight into the distinction between different strategies.