wiliam key estes

Item-item Stimulus Mempresentasikan Seluruh Kategori. Langkah selanjutnya dalam mengaplikasikan model array adalah menentukan sejauh mana stimulus parsial adalah mewakili kategorinya secara kesuluruhan. Untuk itu, kita menyusun matriks koefisien persamaan yang membandingkan elemen-elemen di dalam satu kategori dengan elemen-elemen lain di dalam kategori itu, termasuk perbandingan satu stimulus dengan dirinya sendiri.

	STIMULUS 1A	STIMULUS 2A	KESAMAAN DENGAN A
STIMULUS 1A	1	s	(1+s)
STIMULUS 2A	s	1	(1+s)

Kemudian, kita menyusun matriks yang mempresentasikankesamaan item di A dengan item di B dan karenanya mempresentasikan kesamaan masing-masing item di A untuk B secara keseluruhan.

	STIMULUS 1B	STIMULUS 2B	KESAMAAN DENGAN B
STIMULUS 1A	s³	s²	(s³+ s²)
STIMULUS 2A	s²	s³	(s²+ s³)

Terakhir, kita dapat membuat prediksi probabilitas kategorisasi stimulus yang benar. Jadi, probabilitas kategorisasi stimulus 2A yang benar dihitung dengan membagi kesamaan stimulus kategori 2A terhadap kategori A dengan kesamaan stimulus 2A terhadap kategori A dan B. Menempatkan stimulus 2A sebagai anggota A adalah :

(1+s)

(1+s) + (s²+ s³)

Ketika stimulus 2A muncul, probabilitas ia akan dikategorisasikan sebagai “A” adalah :

Tetapi, perhatikan bahwa manipulasi matematis ini bukan sekedar latihan sehingga eksperimenter dapat memprediksi performa dalam tugas belajar kategoris. Teori ini mengasumsikan bahwa orang melakukan proses kognitif yang ditangkap dalam matematika teori ini. Estes (1994) menulis :

Pada awal setiap percobaan setelah yang pertama, subjek menghitung [cetak miring ditambahkan] kesamaan anatara contoh-contoh yang disajikan ke setiap anggota dari array memori saat ini, menjumlahkan [cetak miring ditambahkan] kesamaannya dengan semua anggota yang diasosiasikan dengan masing-masing kategori, menghitung [cetak miring ditambahkan]  probabilitas setiap kategori, dan memberikan [cetak miring ditambahkan] respons berdasarkan probabilitas ini. Tentu saja, tidak diasumsikan bahwa individu menjalankan perhitungan iniseperti yang dilakukan komputer, namun diasumsikan bahwa sistem pemrosesan penghitungan untuk mendapatkan probabilitas respons adalah mirip dengan proses yang dihasilkan oleh komputer yang diprogram untuk mensimulasi itu. (h. 46)

Jelas, dengan analisis ini, Estes telah menyentuh psikologi kognitif.

Pandangan Estes tentang Perang Penguatan. Estes percaya bahwa penguatan akan mencegah terjadinya hilangnya asosiasi dengan cara mempertahankan asosiasi antara stimuli tertentu dengan respon tertentu.

Menurut Estes, organisme bukan hanya belajar hubungan S-R tetapi juga hubungan R-O (response-outcome). Yakni, organisme belajar, dan mengingat, respons mana yang akan menimbulkan konsekuensi tertentu. Organisme hanya belajar apa yang menimbulkan konsekuensi, dan informasi ini menentukan respons mana yang akan dipilih.

Dalam analisisnya dalam penguatan, Estes membuat perbedaan penting antara belajar dan performa.

Meskipun pendapat Estes menekankan mekanisme kognitif (memori) dan ia memandang penguatan dan hukuman sebagai penyedia informasi bagi organisme, pandangannya ini masih menganggap manusia itu seperti mesin. Hulse, Egeth, dan Deese (198) meringkas pendapat Estes tentang bagaimana penguatan dan hukuman secara otomatis memandu perilaku :

Fungsi penguatan dalam teori Estes bukan unuk menguatkan secara langsung formasi asosiasi baru; kontiguitas sederhana sudah cukup. Dalam hal ini dia sejalan dengan Guthrie. Kejadian penguatan memiliki efek performa, yang dalam term Guthrie berarti tendensi urutan tertentu dari respons yang telah dipelajari untuk mendapatkan beberapa capaian final. Fungsi penguatan memiliki adalah menyediakan umpan balik (feedback) bedasarkan antisipasi.... terhadap imbalan atau hukuman yangakan datang yang beriringan dengan stimuli yang ada (atau yang diambil dari memori) dalam situasi belajar sehingga ia  memandu munculnya perilaku dalam cara tertentu. Dengan kata lain, teori Estes menekankan model sibernetika untuk pengaruhi penguatan terhadap performa: perilaku dipandu ke tujuan dan menjauhi situasi aversif melalui umpan balik positif atau negatif dari kejadian penguatan (h. 73-74)

Estes, Tolman, dan Bandura percaya bahwa kita mempelajari apa-apa yang kita kihat dan belajar bagaimana informasi ini diterjemahkan ke dalam perilaku bedasarkan tujuan organisme.

BELAJAR UNTUK BELAJAR

       Kontroversi mengenai pendapat belajar inkremental versus all-or-none (terkadang disebut continuity-noncontinuity controversy) masih ada. Contoh yang tampaknya memuaskan bagi kedua pendapat yang berseteru itu adalah pendapat awal Estes bahwa, dengan lingkungan belajar yang kompleks, proses belajar berlangsung dengan cara sekaligus atau tidak sama sekali (all-or-none), hanya saja ia berjalan sedikit demi sedikit pada satu waktu. Sesungguhnya, secara logika, teori belajar inkremental juga dapat direduksi menjadi teori all-or-none.

Ada bukti yang menunjukan bahwa pandangan inkremental dan all-or-none sama-sama benar. Salah satu contoh datangdari karya terkenal Harry Harlow. Selama bertahun-tahun Harlow menggunakan riset kreatifnya atas monyet untuk menjelaskan berbagai macam topik yang relevan dengan perilaku manusia.

Pada setiap problem, monyet disuruh mengambil satu dari dua objek yang memiliki penguatan yang diletakkan di bawah objek itu. Problem menggunakan perangkat objek yang berbeda-beda. Temuan Harlow adalah semakin banyak program diskriminasi yang berhasil dipecahkan monyet, semakin pintar mereka dalam memecahkannya.

Tampak bahwa hewan itu learnig to learn (belajar untuk belajar), atau membentuk apa yang oleh Harlow disebut learning set, dan peningkatan dalam pemecahan problem ke problem relatif lambat. Tetapi, problem yang lebih belakangan cenderung dipecahkan dengan hanya satu kekeliruan atau bahkan tanpa ada kekeliruan. Ini seolah-olah mengesankan bahwa monyet-monyet itu mengembangkan strategi “win-stay, lose-shift.” Yakni, jika mereka memilih objek yang benar pada percobaan pertama, mereka akan bertahan dengan pilihan itu pada percobaan selanjutnya; jika pilihan pertama mereka salah, mereka mengalihkan ke objek lainnya pada percobaan selanjutnya.

Harlow (1949) mengatakan, “Sebelum pembentukan learning set, satu training menghasilkan sesuatu yang tidak berguna; setelah pembentukan learning set, satu kali training menghasilkan solusi problem.

Untuk menghasilkan hasil ini, Harlow (1950, 1959) menggunakan konsep error factors (faktor kesalahan). Faktor kesalahan adalahstrategi yang salah yang harus dihilangkan sebelum problem diskriminasi dapat dipecahkan. Faktor kesalahan dapat berupa kecenderungan untuk selalu memilih objek di kiri (posisi yang dsukai); faktor kesalahan lainnya mungkin tendensi untuk terus memilih objek yang sama meskipun pilihan itu salah (preservasi stimulus). Menurut Harlow, belajar adalah soal menghilangkan strategi yang salah (faktor kesalahan), buka soal memperkuat respons yang benar.

Teoretisi lain yang menerima interpretasi inkremental lamban dan all-or-none adalah Donald Hebb. Menurut Hebb, belajar yang terjadi pada awal kehidupan adalah proses inkremental, sedangkan belajar pada masa selanjutnya adalah bersifat kognitif, mendalam dan al-or-none.

STATUS TERKINI MODEL MATEMATIKA UNTUK BELAJAR

Pendekatan Estes sesugguhnya sering disebut sebagai model matematika untuk belajar sebab dia berusaha menunjukkan bagaimana proses belajar dapa dideskripsikan dalam term rumus matematika. Karenanya, ketika ada kesempatan untuk menggunakan matematika dengan cara baru untuk ilmu psikologi, model matematika disambut denga antusias dan optimis. Belakangan ini ada banyak rumus matematika yang bermacam-macam untuk mendiskripsikan fenomena belajar yang berbeda-beda. Model matematika memang belum mengalami sintesis yang berarti; namun ia menjadi ciri dari pendekatan baru untuk bidang ini.

EVALUASI TEORI ESTES

Kontribusi

Shepard (1992) melihat Estes sebagai tokoh utama yang mempengaruhi perubahan arah teori belajar, yang menggerakkannya di bidang yang berorientasi lebih kognitif yang dicirikan oleh “paparan formal yang elegan dan ketetapan konseptual ... yang dipadukan dengan dasar yang kukuh dalam observasi” (210). Kutipan Estes untuk Medal of Science, yang dikutip di awal bab ini, menegaskan tema ini.

Apabila kita membandingkan matematika SST dengan rumus Hull, kita melihat bahwa pendekatan Estes cukup sederhana, hanya menggunakan dua faktor yang mengombinasikan prinsip-prinsip teori probabilitas yang logis. Seperti Guthrie, teori belajarnya hanya membutuhkan kontiguitas dan, seperti Guthrie lagi, dia mengemukakan intervensi sebagai penyebab pelenyapan dan lupa.

Tetapi, dalam SST, logika probabilitas dan sampling-lah yang menimbulkan prediksi teori ini, termasuk kurva belajar atau kurva pelenyapan. Demikian pula, logika teori probabilitaslah yang menghasilkan penjelasan penilaian kategoris dalam model array yang lebih baru. Jadi, kita melihat pendekatan Estes sebagai pendekatan “Top-Down”, dimulai dengan beberapa prinsip fundamental dan mengahasilkan berbagai macam prediksi perilaku yang tepat.

Estes dipuji oleh Shepard (1992) karena ia tak dibatasi oleh tradisi behavioris mainstream pada 1950-an. Teorinya mudah diperluas ke teori belajar pada manusia dan diperluas ke jenis-jenis belajar yang lebih kompleks, seperti klasifikasi dan belajar konsep (Estes, 1957, 1960), dan karenanya dia meletakkan dasar-dasar untuk ilmu kognitif selanjutnya. Selain itu, Bower (1994) menulis,

Karenanya, dalam prespektif yang lebih luas, walaupun asumsi spesifik dan paradigma eksperimental dari SST telah diganti dan dimodifikasi selama beberapa tahun belakangan ini, semangat untuk mengembangkan model belajar dan kognisi koneksionis yang didistribusikan secara paralel [Bab 14] bisa dianggap sebagai warisan dari kerangka SST. Tidaklah mengejutkan jika tokoh peneliti utama model jaringan adaptif adalah Wiulliam K. Estes. (h. 298)