明⽰的および暗⽰的知識とはなにか，どうやって測るか，なにに役⽴つか

メニュー• 明⽰的および暗⽰的知識ってなに？

– ⾔語的側⾯– 学習者の側⾯– ⾔語運⽤の側⾯– 多様な観点

• どうやって測る？– 潜在構造アプローチ

• なにに役⽴つ？

なに？• 様々な視点の混在

– 認知⼼理学的視点– 第⼆⾔語習得・⼼理⾔語学的視点– 外国語教育・テスティング的視点

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

なに？• 様々な視点の混在

– 認知⼼理学的視点– 第⼆⾔語習得・⼼理⾔語学的視点– 外国語教育・テスティング的視点

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

草薙邦広kusanagi@nagoya-u.jp

外国語教育メディア学会中部⽀部主催新⼈奨励賞受賞記念講演会

2015/2/21名古屋⼤学

なに？

普遍性を⽬指した形態素習得研究

学習者の⽂法パフォーマンスは…⼀様ではない！

– タスクに依存的– 状況に依存的– 社会的・社会⾔語的セッテイングに依存的…

なに？

• What did you bring that book that I didn‘t want to be read to out of up for?

なに？

• What1 did you bring up that book2 that I3 didn't want to be read to___3 out of___2 for___1?

なに？

このばらつきを説明したい– Speed Accuracy Trade-Off（SAT）

e.g., Kusanagi et al. (in press)

なに？

• Tomorrow I tennis play will.• I was part time job and not go to school.

なに？

⾔語的要因の影響– Task-structure interaction

• どのような⾔語項⽬も同じ関数を描くわけでない• 早いパフォーマンスは不正確• 急げば正確さは下がる

• 下がる項⽬と下がらない項⽬がある

0.0 

0.2 

0.4 

0.6 

0.8 

1.0 

Untimed Rapid

Mean A

ccuracy S

core

Common

Material

Kusanagi and Yamashita (2013):時間制限のあるなし条件でGJTを実施したところ，両課題の成績には⾔語的要因（数の⼀致の種類・屈折の規則性）と交互作⽤が⾒られた

Tamura and Kusanagi (in press):時間制限と⾔語的要因の交互作⽤が⾒られた（時間制限×名詞の種類による⼀致の誤り）

今回の受賞

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Normal presentation Case alternation

Accu

racy

Syntactic

Pragmatic

Fukuta and Kusanagi (2014):時間制限と⾔語的要因の交互作⽤が⾒られた（⼲渉的負荷×語⽤論／統語的誤り）

なに？

⾔語的要因の影響– 少しマシなアプローチ（準備中）

• 線形予測⼦を反応時間，応答変数を⼆値（正誤）としたロジスティック回帰モデル

– （Kusanagi, in preparation）

• 係数が正だと遅くなる⽅が正答確率が⾼くなる• 負だと遅くなる⽅が正答確率が低くなる• 項⽬ごとの係数の差を⽐較する

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

(a)

Time

Accu

racy

0 1 2 3 4 50.

00.

20.

40.

60.

81.

0

(b)

Time

Accu

racy

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

(c)

Time

Accu

racy

傾きも切⽚もいろんな値を取りうる⾔語項⽬の特性がある程度規定しているだろう

なに？

学習者の視点–SAT，もう⼀度

なに？

学習者の視点– Task-learner interaction– どのような学習者も⼀様にSATの関数を描く

わけではない– ESL vs. EFL. 継承語話者

草薙 (2014):分析的ビリーフと時間制限のないGJTの成績の相関経験的ビリーフと時間制限のあるGJTの成績の相関

Kusanagi et al. (in press):⽂法的慎重性は，C-testの成績，C-testの完遂時間との相関がある

Kusanagi (in preparation):⽂法的慎重性は，GJTの弁別⼒，判断基準，反応時間のばらつきと⾃動化係数を予測する

なに？

学習者の視点– すこしマシなアプローチ（準備中）

• タスク要因が及ぼす影響は個々⼈で異なる• 学習者要因がSATの関数⾃体，およびパラミター

に影響をしているだろう• マルチレベル分析

なに？

運⽤の視点– 同じテストであっても，タスクの条件（e.g., 時間制

限）によって成績が異なる– 相関係数が低い場合も多い– 同じ構成技能とはみなせないほどの差がでる

ことがある

Grammatical ItemsAc

cura

cy

0.0

0.2

0.4

0.6

0.8

1.0

Normal Speeded

Ungrammatical Items

Accu

racy

0.0

0.2

0.4

0.6

0.8

1.0

Normal Speeded

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

Normal

Spee

ded

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

Normal

Spee

ded

Kusanagi (2014):時間制限のないGJTの成績と時間制限のあるGJTの成績の相関。同じ項⽬でも相関関係が強くない

d'

-2-1

01

23

Normal Speeded -3 -2 -1 0 1 2 3

-3-2

-10

12

3

Normal

Spe

eded

Kusanagi (2014):時間制限のないGJTの時間制限のあるGJTの弁別⼒（dʼ）の相関

0 5000 10000 15000 20000 25000

0.0

0.2

0.4

0.6

0.8

1.0

Normal: Reliability

Simulated Time Limit

Rel

iabi

lity

0 5000 10000 15000 20000 25000

0.0

0.2

0.4

0.6

0.8

1.0

Speeded: Reliability

Simulated Time Limit

Rel

iabi

lity

草薙 (投稿中):時間制限を変えることによる信頼性係数の変化のシミュレーション。時間制限の位置で信頼性係数は⼤きく変わる

TOEIC GJT

GJT .45 [.08, .71]

TGJT .44 [.06, .71] ‐.13 [‐.49, .27]

Kusanagi and Yamashita (2013):時間制限のないGJTの成績と時間制限のあるGJTの成績，TOEICスコアの相関

なに？

運⽤の視点– テスト項⽬のみが構成技能を規定してるので

はない– 構成技能間の相関関係における仲介要因とし

てのテスト特性（e.g., Jeon & Yamashita, 2014）

• 時間制限が構成技能間の相関関係におよぼす影響→私の遅れている博論

なに？

明⽰的および暗⽰的知識とは？– ⽂法パフォーマンスのばらつきをモデル化したい– パフォーマンスは関数を描く（SAT）

– しかしその関数は…• ⾔語的な側⾯• 学習者な側⾯• 運⽤上の側⾯（構成技能）において

– 複雑だがカオスではない，なにか規則的な連関をもっている

なに？

３つの次元を単⼀概念でモデリング– ⾔語的要因→SAT関数– 学習者要因→SAT関数– タスク要因→構成技能ネットワークの差

• これらの現象は原理的にはひとつ• こういった現象の観測の背景にあるのが明⽰的お

よび暗⽰的知識と仮定• 明⽰的および暗⽰的知識は構成概念

タスク特性

プロセスA プロセスB

構成概念A 構成概念B

⾔語的要因 学習者要因

時間，注意，⼲渉負荷…

⾃動的，流暢，はやい，無意識，統制できない，認知負荷がよわい，全体的…

報告できる，統制的，意識あり，おそい，認知負荷がつよい，逐次的…

e.g., 数の⼀致における動詞の変化形，名詞の属性… e.g., 年齢，環境，適性…

ビリーフ，⽂法的慎重性

タスク特性

プロセスA プロセスB

⾔語的要因 学習者要因

時間，注意，⼲渉負荷…

⾃動的，流暢，はやい，無意識，統制できない，認知負荷がよわい，全体的…

報告できる，統制的，意識あり，おそい，認知負荷がつよい，逐次的…

e.g., 数の⼀致における動詞の変化形，名詞の属性… e.g., 年齢，環境，適性…

ビリーフ，⽂法的慎重性

明⽰的知識 暗⽰的知識

なに？

構成概念としての妥当化–構成概念（構成技能）のネットワーク上で，異なる相関パターンを⽰すとよい（e.g., 草薙, 2013）

なに？

プロセスによる妥当化–構成概念の妥当性検証の⼀環として，

対応するプロセスをモデル化し，明確にしていかないといけない• e.g., Compensatory-Encoding Theory• 私の遅れている博論

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

認知⼼理学では？意識のあり⽅（the state of mind）

– ⼈⼯⾔語学習の徹底的な検証– 暗⽰的知識は無意識学習の結果– 意識化にないパフォーマンス

• これが絶対的基準• 成績がチャンスレートより上であり，さらに• ⾔語報告できない，⾃信がない

– メタ⾔語基準，主観的測度…• 「知識があることを認識できない」• 詳しくは午後の私の発表を

認知⼼理学では？

ほかの領域との関連– 知識の創発過程を重視する– 運⽤上のプロセスとの関連を規定しない– そもそも⾃然⾔語の知⾒ではない

– 彼らの当たり前「暗⽰的知識のほうが遅く，成績が低い」

SLAでは？

ひとつの観測変数が⼤好き– 「何がthe best measureか」という観点– 潜在変数（構成概念）では…？– 正答率，反応時間データ，視線計測データな

ど，1観測変数に対するカテゴリカル変数の影響という事例の膨⼤の蓄積

– 対応する学習・認知プロセス，過去の理論的成果との⼀致を⽰す⾏動データによる検証

SLAでは？

Nativelikeness–⺟語に典型的であるという⾒⽅–暗⽰的知識のみが⾃然で流暢な⾔語運⽤を担うという⾒⽅• e.g., Krashenの初期の議論

SLAでは？

複数の概念的特性による⼆項対⽴明⽰的知識 暗⽰的知識

遅い はやい形式に焦点 意味に焦点

意識的 無意識的逐次的 全体的

時間的にばらつく 時間的に安定している統制できる 統制できない

認知負荷が強い 認知負荷が弱い⾔語的に報告できる ⾔語的に報告できない

しかしやっぱり1観測変数が好き

SLAでは？

複数の概念的特性による⼆項対⽴明⽰的知識 暗⽰的知識

遅い はやい形式に焦点 意味に焦点

意識的 無意識的逐次的 全体的

時間的にばらつく 時間的に安定している統制できる 統制できない

認知負荷が強い 認知負荷が弱い⾔語的に報告できる ⾔語的に報告できない

しかしやっぱり1観測変数が好き

SLAでは？

還元主義– 明⽰的および暗⽰的知識はそれぞれ，脳内の

処理機構において空間的局所性をもつ– ⾔語学習・運⽤上の機能的局所性ももつ– やはり究極的には観測変数に還元したい– ⼼理的実在性の有無を重視する

しかしやっぱり1観測変数が好き

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

SLAでは？

重⼤な差– 認知⼼理学における暗⽰的知識の特性とSLA

における暗⽰的知識のそれが⼀致しない– 認知⼼理学における暗⽰的知識は，根本的に

は，時間の軸と関係ない→両⽅独⽴してはやくなりうる→通常，明⽰的知識のほうがはやい

– しかし，SLAでは「時間」はやはり第⼀義的定義

0.0 0.2 0.4 0.6 0.8 1.00.

00.

20.

40.

60.

81.

0

(a)

> 11500 ms

< 11

500

ms

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

(b)

> 11500 ms

< 11

500

ms

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

(a)

> 11500 ms

< 11

500

ms

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

(b)

> 11500 ms

< 11

500

ms

草薙・川⼝ (2015):⽂法性判断の確信度・正答率・反応時間の関係をみた基礎的研究

①単変数の混合分布モデルをもちいて「はやい反応」「遅い反応」に分割

②被験者正答率は「はやい反応」のほうが⾼い。（a）⽂法⽂，（b）⾮⽂法⽂。

③被験者ごとに集計した施⾏の「直感にもとづいた」という印象の⽐率は，おそい反応のほうが⾼い

Kusanagi (in prepration):⽂法性判断の確信度・正答率・反応時間の関係を多変量ロジスティック回帰モデルで⾒た場合

ロジスティック回帰モデルによる正答確率の期待値。反応時間が遅くなるほど，正答確率が下がっていく。上の線が「規則に基づいた」という印象，下の線が「直感に基づいた」という印象の場合。

1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

RT

Pro

babi

lity

ロジスティック回帰モデルによる「規則に基づいた」と答える期待値。反応時間が遅くなるほど，確率が下がっていく。

1 2 3 4 5

0.4

0.5

0.6

0.7

0.8

0.9

1.0

RT

Pro

babi

lity

Kusanagi (in prepration):⽂法性判断の確信度・正答率・反応時間の関係を多変量ロジスティック回帰モデルで⾒た場合

ロジスティック回帰モデルによる正答確率の期待値。反応時間が遅くなるほど，正答確率が下がっていく。上の線が「規則に基づいた」という印象，下の線が「直感に基づいた」という印象の場合。

1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

RT

Pro

babi

lity

ロジスティック回帰モデルによる「規則に基づいた」と答える期待値。反応時間が遅くなるほど，正答確率が下がっていく。

1 2 3 4 5

0.4

0.5

0.6

0.7

0.8

0.9

1.0

RT

Pro

babi

lity

意識的な⽅がはやい？！

Kusanagi (under review):形容詞の語順に関する知識をオフライン・オンラインで⽐較した。e.g., A white little cat? A little white cat?

紙⾯上の2択問題では，チャンスレートよりも成績が上。しかし，⾔語報告の課題で規則を報告したものは皆無だった（メタ⾔語は⾒られなかった）

しかし⾃⼰ペース読み課題では，誤りに対して鈍感であった。

Acc

urac

y

0.0

0.2

0.4

0.6

0.8

1.0

0

100

200

300

400

500

600

A-1 A B B+1 B+2

a little/blue blue/little bird in

Article Adj 1 Adj 2 Noun Prep

Read

ing

time

(ms)

Regions

Preferred orderViolation

Kusanagi and Fukuta (in press):上記の実験を統語的プライミングでみたところ，⺟語話者とは異なり，学習者にはプライミング効果がみられなかった。

1000

1100

1200

1300

1400

1500

1600

Prefered Violation

Reading Time (m

s)

Stimuli

Prime Preferred

Prime Violation

1000

1100

1200

1300

1400

1500

1600

Prefered Violation

Reading Time (m

s)

Stimuli

Prime Preferred

Prime Violation

Kusanagi (under review):形容詞の語順に関する知識をオフライン・オンラインで⽐較した。e.g., A white little cat? A little white cat?

紙⾯上の2択問題では，完全にチャンスレートよりも成績が上。しかし，⾔語報告の課題で規則を報告したものは皆無だった（メタ⾔語は⾒られなかった）

しかし⾃⼰ペース読み課題では，誤りに対して鈍感であった。

Acc

urac

y

0.0

0.2

0.4

0.6

0.8

1.0

0

100

200

300

400

500

600

A-1 A B B+1 B+2

a little/blue blue/little bird in

Article Adj 1 Adj 2 Noun Prep

Read

ing

time

(ms)

Regions

Preferred orderViolation

Kusanagi and Fukuta (in press):上記の実験を統語的プライミングでみたところ，⺟語話者と異なり，学習者にはプライミング効果がみられなかった。

1000

1100

1200

1300

1400

1500

1600

Prefered Violation

Reading Time (m

s)

Stimuli

Prime Preferred

Prime Violation

1000

1100

1200

1300

1400

1500

1600

Prefered Violation

Reading Time (m

s)

Stimuli

Prime Preferred

Prime Violation

無意識的であるからといって，はやく作動するわけでない？！

おそい はやい無意識的意識的

AGLなどの認知⼼理学

おそい はやい無意識的意識的

⼀部のSLA・⼼理⾔語学

おそい はやい無意識的意識的

また⼀部のSLA・⼼理⾔語学

私の考えかた

意識と時間の差–潜在変数ないし潜在クラスと捉えるので，⼆変数のずれについてはそこまで厳密でなくともよい

–むしろ構成概念ネットワークの上で弁別できることのほうが⼤事

SLA・⼼理⾔語学

認知⼼理学

外国語教育・テスティング

測り⽅原則

–できるだけ多数の観測変数を得る• 多特性多要因，多タスク• 施⾏データ

– 正答・誤答（カテゴリカル），反応時間（連続），主観的測度（カテゴリカル・離散・連続）…

• ⼈データ– 正答率，反応時間，ばらつき，⾃動化係数，

学習者要因，信号検出理論指標，主観的測度，メタ知識基準

測り⽅

潜在構造アプローチ– 変数志向型（潜在変数）

• 因⼦分析／共分散構造解析（潜在変数も観測変数も連続）

– ⼈・施⾏志向型（潜在構造）• 潜在クラス解析（観測変数が連続，潜在変数が質）

• 混合分布モデリング（mixture modeling）

– 項⽬反応理論• Speeded IRT（⼤好物ですが今⽇はパス）

• SAT-based IRT

測り⽅モデルベースの議論

1. 明⽰的知識および暗⽰的知識はそれぞれに対応する観測変数の対⽴

2. 明⽰的知識および暗⽰的知識は２つの量的潜在変数（変数志向，構成技能）

3. 明⽰的知識および暗⽰的知識は単⼀の量的潜在変数上の両極（変数志向，評価的）

4. 明⽰的知識および暗⽰的知識は単⼀の質的潜在変数ないし2つの潜在的なクラス（⼈・ケース志向，パフォーマンス，確率論的）

観測変数1 観測変数2

モデル1

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的知識 暗⽰的知識

モデル2

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的ー暗⽰的

モデル3

明⽰的知識 暗⽰的知識

モデル4

観測観測観測観測観測観測観測

観測観測観測観測観測観測観測観測

観測変数1 観測変数2

モデル1

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的知識 暗⽰的知識

モデル2

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的ー暗⽰的

モデル3

明⽰的知識 暗⽰的知識

モデル4

観測観測観測観測観測観測観測

観測観測観測観測観測観測観測観測

測り⽅モデル1：2観測変数• 明⽰的知識および暗⽰

的知識はそれぞれに対応する観測変数の対⽴で測定される

– 簡便で実際性あり– ⾔語的要因，学習者要因，

タスク要因の交互作⽤を記述していくことができる

– ⼈と項⽬の分析ができる– ⼀般化に乏しい

観測変数1 観測変数2

測り⽅モデル2：2潜在変数• 明⽰的知識および暗⽰的知

識は２つの量的潜在変数– R. Ellisなど– CFA・SEM（変数志向）– 明⽰的および暗⽰的知識を⼈

それぞれの尺度得点として与えられる

– 明⽰的および暗⽰的知識の関係性を調査できる

– 項⽬や施⾏は⾒れない– 「テスト項⽬」ではなく，

「タスク要因」

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的知識 暗⽰的知識

測り⽅モデル3：1潜在変数• 明⽰的知識および暗⽰

的知識は単⼀の量的潜在変数上の両極– AGLの考え⽅に近い– CFA, SEM（変数志向）

– ⼀⼈につき1尺度に集約できる

– 「明⽰度」「暗⽰度」– もっとも現実的

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的ー暗⽰的

測り⽅モデル4：2潜在クラス• 明⽰的知識および暗⽰的

知識は単⼀の質的潜在変数ないし2つの潜在的なクラス– 潜在クラスモデル，混合

分布モデル，クラスタリングなど（

– 明⽰的知識，暗⽰的知識は各施⾏が属する潜在クラス

– 最も⾃由なモデリングができる（⼈，項⽬はネストと捉える→マルチレベル分析）

明⽰的知識 暗⽰的知識

観測観測観測観測観測観測観測

観測観測観測観測観測観測観測観測

測り⽅

モデル4の単純な例– 「はやさ」のみのモデル（e.g., 草薙, 2013; 草薙・川⼝, 2015）

• 1変数の混合分布モデルによる分類（EMアルゴリズム）

• 各試⾏の所属確率も使える– e.g., 平均所属確率，外れ値処理

500 1000 1500

0.00

000.

0010

Time (ms)

Den

sity ⼈に再分配

項⽬に再分配

学習者要因

他の構成技能

⾔語的要因

測り⽅

モデル4の拡張– 多変量に拡張

• 多変量混合分布モデルによる分類

– 正答／誤答，反応時間，視線計測指標値，主観的測度（⾃信，メタ知識基準…）

• 多変量混合分布モデルの例（「フィッシャーの菖蒲」データ）しかし現状では観測変数が量・質混合の場合に対応できない…

Sepal.Length

2.0 3.0 4.0 0.5 1.5 2.5

4.5

6.0

7.5

2.0

3.0

4.0

Sepal.Width

Petal.Length

13

57

4.5 5.5 6.5 7.5

0.5

1.5

2.5

1 2 3 4 5 6 7

Petal.Width

なにに役⽴つか⾔語・学習者・構成技能の⼀元化

– 学習者のパフォーマンスのばらつきを同⼀の概念上で統合できる

– ⾔語的要因と明⽰的および暗⽰的知識は教材，指導法の選択に

– 学習者要因と明⽰的知識および暗⽰的知識は学習法や指導法，カリキュラムデザインや⾃律学習の促進に

– 構成技能としての明⽰的知識および暗⽰的知識は熟達度や各技能の評価⼀般，テストの開発に

なにに役⽴つか⾔語・学習者・構成技能の⼀元化

– 学習者のパフォーマンスのばらつきを同⼀の概念上で統合できる

– ⾔語的要因と明⽰的および暗⽰的知識は教材，指導法の選択に

– 学習者要因と明⽰的知識および暗⽰的知識は学習法や指導法，カリキュラムデザインや⾃律学習に

– 構成技能としての明⽰的知識および暗⽰的知識は熟達度や各技能の評価⼀般，テストの開発に

いつまでも，直感的にはわかるけど，「難しい概念」ではいけない

なにに役⽴つか⾔語・学習者・構成技能の⼀元化

– 学習者のパフォーマンスのばらつきを同⼀の概念上で統合できる

– ⾔語的要因と明⽰的および暗⽰的知識は教材，指導法の選択に

– 学習者要因と明⽰的知識および暗⽰的知識は学習法や指導法，カリキュラムデザインや⾃律学習に

– 構成技能としての明⽰的知識および暗⽰的知識は熟達度や各技能の評価⼀般，テストの開発に

よりよい教育実践のためにこそ明⽰的および暗⽰的知識の研究！

---To date, there has been no empirical test of the interface positions for thesimple reason that researchers have failed to give due consideration to implicit and explicit knowledge as constructs. （R. Ellis, 2004, p. 147）

---Sophistication in one of these areas in not enough if naivety in other flaws the whole. Interdisciplinary collaboration is essential in the development of both theory and empirical research methods. Particular priorities include: … 3. Psychometrics: investigations of the core dimensions and latent structure of these variables. (N. Ellis, 2007, p. 129)

---With the increasing evidence supporting the reliability and validity of GJT as an L2 measurement tool (Gass, 1994), it would be worthwhile to diversify the measurement of grammar knowledge by including both a speeded GJT and a traditional grammar test as part of a reading componential analysis study. Such research will help us understand how implicit and explicit grammar knowledge individually and collectively contribute to L2 reading comprehension. (Jeon & Yamashita, 2014, p. 194)

草薙邦広kusanagi@nagoya-u.jp

外国語教育メディア学会中部⽀部主催新⼈奨励賞受賞記念講演会

2015/2/21名古屋⼤学

明⽰的および暗⽰的知識とはなにか，どうやって測るか，なにに役⽴つか

観測変数1 観測変数2

観測変数3 観測変数4

明⽰的ー暗⽰的

Sepal.Length

2.0 3.0 4.0 0.5 1.5 2.5

4.5

6.0

7.5

2.0

3.0

4.0

Sepal.Width

Petal.Length

13

57

4.5 5.5 6.5 7.5

0.5

1.5

2.5

1 2 3 4 5 6 7

Petal.Width

おそい はやい無意識的意識的

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

(a)

Time

Accu

racy

0 1 2 3 4 5

0.0

0.2

0.4

0.6

0.8

1.0

(b)

Time

Accu

racy

Accu

racy