1 前言
人们将感知到的客体按照不同的标准或规则分类存储，即类别学习(Johansen & Kruschke, 2005)。
语言增强思维理论(theory of language-augmented thought)指出，语言的主要功能之一就是通过标签的形式指代客体(Couchman et al., 2010; Lupyan, 2012)，即言语标签。在类别学习中，言语标签分为类别言语标签和特征言语标签。类别言语标签用于指代某一类别(如“苹果”)，是该类别内所有样例共同的名称(Johanson & Papafragou, 2016)；特征言语标签则指代样例的某一具体特征(如“红色”)(Zettersten & Lupyan, 2020)。类别言语标签是外显的，通常由实验者人为设定；而特征言语标签是内隐的，例如，看到红色时，脑海中自动浮现“红色”这一词汇，此时，“红色”就是由命名性激活的特征言语标签。命名性指针对某一特征，个体能够用言语标签指代或者能够用容易理解的话语概括。命名性不受人为控制，易受到被试先前经验的影响，且同一特征可能会在不同被试中激活不同的特征言语标签。根据特征的命名难易程度，命名性可分为易命名和不易命名。例如，太阳的颜色通常被描述为“红色”，且大多数人对此一致认同；而芥末的颜色可能会被描述为“深绿色带点黄色”，且不同的人会有不同的描述。
在类别学习中，一方面，类别言语标签影响已习得类别的表征，表现在类别言语标签能够激活该类别中更典型的样例。“三角形”这一类别意味着一组“由三条边组成的封闭图形”，其类别言语标签为“三角形”。研究发现个体在不同的实验任务(如作画、辨别或判断)中，对于类别言语标签和等价类别定义的反应有所差异(Lupyan, 2011)：大部分被试听到“三角形”这一标签时，倾向于将其表征为“等边三角形”，而听到“三边图形”这一等价类别定义时则不然。另一方面，言语标签能够促进新类别的学习(唐志文, 邢强, 2013; Vong et al., 2016)。在类别层面上，相较于无言语标签的类别，有言语标签的类别更易学习。Lupyan等人(2007)的研究通过听觉形式呈现言语标签与无标签的条件进行对比，结果发现有标签条件下被试的分类成绩更佳；其实验2对比了标签的视觉呈现和听觉呈现，结果显示两种呈现方式均能提升分类表现。以往大量研究集中探讨类别言语标签的作用，直到近期，特征言语标签才逐渐受到关注。Zettersten和Lupyan(2020)发现易命名特征能够促进类别学习：由易命名特征构成样例的分类正确率显著高于由不易命名特征构成样例，但反应时无显著差异。
带有言语标签的类别更容易被学习和区分，这一现象被称为“言语标签效应”。研究者认为，“言语标签效应”之所以存在，是因为类别言语标签一旦呈现，就会引发某种程度的注意优化(attention optimization)。这一过程表现为，标签首先分散了部分注意力，随后将注意力转移到类别内的共性上(Althaus & Mareschal, 2014)。
目前，研究者对于类别言语标签影响类别学习的机制进行了深入探讨，但对特征言语标签的理解则相对有限。Zettersten和Lupyan(2020)认为成功利用某一特征进行分类的关键在于其“命名性”：易命名特征更易激活其对应特征言语标签，从而更强烈地吸引学习者的注意，使其更易被编码。
本研究旨在进一步探究“易命名特征在何种条件下以及如何促进类别学习”的问题，将易命名特征与诊断性/概率性相结合，对比诊断性特征易命名(以下简称为“诊断易命名”)和概率性特征易命名(以下简称为“概率易命名”)两种条件。诊断性特征是指一个或多个可以完全区分类别归属的特征，而概率性特征则意味着，若完全依据该特征分类只能达到一定概率的成功率(Newell et al., 2010)。已有研究表明，个体尤其是成年人在分类时更倾向于依赖诊断性特征(Liu et al., 2015; Markman & Ross, 2003)。
眼动轨迹的变化能够反映注意资源分配情况：当个体注视某一特征时，意味着其正在进行加工和编码(Carvalho & Goldstone, 2017)。本研究要求被试报告学习策略，并利用眼动技术直接探测被试对各类特征的注意模式变化，以此深入探究特征言语标签的作用机制。
本研究推测，只有当易命名特征具有诊断性时才能促进类别学习，此种情况下，个体会更快速地将注意力集中在该特征上，从而更高效且准确地习得类别。然而，当易命名特征具有概率性时，个体可能会错误地依赖其进行分类，导致难以识别出诊断性特征。在这种情况下，易命名特征不仅无法促进类别学习，反而可能分散注意力，干扰正确的类别习得。
2 实验1A：易命名特征对由颜色特征构成刺激类别学习的影响
为探究易命名特征对类别学习的影响，实验1A以由颜色特征构成的刺激为类别学习材料，比较易命名颜色作为诊断性特征和概率性特征时的类别学习成绩。
2.1 被试
用G*Power 3.1.9计算被试量，当显著性水平为0.05且效应量Cohen’s f为中等值0.25时，达到0.9的统计检验力至少需要60名被试。72名被试(平均年龄22.00±1.99岁)随机分配到两组：诊断易命名组(35名，7名男性)和概率易命名组(37名，5名男性)。所有被试先前未参加过类似实验，且视力或矫正视力正常，无色盲色弱。实验结束后，被试获得相应学分。
2.2 实验材料
材料改编自Zettersten和Lupyan(2020)的研究，如图1 所示，实验1A材料包括两组刺激，每组包含两个类别原型和由其变化而来的四个样例。刺激为同时包括易命名和不易命名特征的色轮。使用模态一致指数和Simpson多样性指数验证，两种颜色在命名性上差异显著。色轮下方的色块为诊断性特征，其他两个位置为概率性特征。诊断易命名组的诊断性特征为易命名颜色(红色、棕色)，易命名特征能够100%预测类别；概率易命名组的诊断性特征为不易命名颜色(可能的命名：芥末色、薰衣草色)，该组中的易命名特征只能以75%的概率预测类别。
2.3 实验设计和流程
采用单因素被试间设计，自变量为易命名特征特性(诊断易命名、概率易命名)，因变量为分类正确率和反应时。
实验采用“观察学习”范式。在实验中，每个被试需要完成3个组块的分类学习，每个组块共8个试次(其中四个样例各呈现1次，两个原型各呈现2次)，组块之间安排15 s休息时间。在每个试次中，首先呈现一个500 ms的注视点，接着呈现色轮，要求被试按键(“F”键或“J”键)选择其所属类别，无时间限制。按键反应后，立即提供正误反馈，反馈呈现时间为1500 ms，随后显示1000 ms的空屏，进入下一个试次。最后，被试需要回答两个问题。问题1：“在整个实验过程中，你主要依据色轮的哪个位置分类？”问题2：“在实验一开始的时候，你主要依据色轮的哪个位置分类？”问题选项为：“具体色轮位置、综合其中两个色块、综合三个色块。”
2.4 结果
为明确类别学习的进程，将两种条件下各个组块的正确率和反应时变化制作成学习曲线，见图2 和图3 。两种条件下的学习进程呈现相同的趋势：随着组块的推进，分类正确率逐渐上升，而反应时逐渐下降，说明了两种条件下均存在有效的类别学习过程。
对正确率进行2(易命名特征特性：诊断易命名、概率易命名)×3(组块：组块1、2、3)的重复测量方差分析，结果发现，易命名特征特性主效应显著[F(1, 70)=21.38, p<0.001, η${_{\rm p}^2} $ =0.23]，诊断易命名组正确率(0.85±0.36)显著高于概率易命名组正确率(0.66±0.47)；组块主效应显著[F(2, 140)=22.36, p<0.001, η${_{\rm p}^2} $ =0.24]，两两组块之间均差异显著(ps<0.05)；交互效应不显著[F(2, 140)=1.65, p=0.196]。在对反应时进行分析前，将错误试次和反应时超过±3个标准差的试次进行剔除。同样对反应时进行2×3的重复测量方差分析，结果发现组块主效应显著[F(2, 140)=22.09, p<0.001, η${_{\rm p}^2} $ =0.24]；组块1的反应时要显著长于组块2和组块3(ps<0.001)；易命名特征特性主效应不显著[F(1, 70)=0.32, p=0.575]，交互效应不显著[F(2, 140)=1.69, p=0.198]。
对分类策略进行分析，可将被试的分类策略分为四种：仅依据诊断性特征进行分类视为诊断性特征策略，仅依据概率性特征视为概率性特征策略，结合任意两个特征进行分类视为多特征策略，结合全部三个特征进行分类视为整体策略。使用不同分类策略的人数见表1 。对整个实验过程中采用不同策略的被试人数进行卡方分析[χ2(3)=5.25, p=0.160]，说明两组被试均没有特别倾向使用某一种策略。而实验初期采用不同策略的被试人数差异显著[χ2(3)=15.80, p<0.01]。具体而言，诊断易命名组的被试几乎不会单独关注不易命名概率性特征，而概率易命名组的被试更倾向于采取单独关注易命名概率性特征的策略。
表1 实验1A中使用不同分类策略人数与占比(%) |
| 诊断性特征 策略 | 概率性特征 策略 | 多特征 策略 | 整体 策略 | ||
| 实验整体 | 诊断易命名 | 8 (22.86) | 3 (8.57) | 9 (25.71) | 15 (42.86) |
| 概率易命名 | 4 (10.81) | 10 (27.03) | 10 (27.03) | 13 (35.14) | |
| 实验初期 | 诊断易命名 | 9 (25.71) | 2 (5.71) | 10 (28.57) | 14 (40.00) |
| 概率易命名 | 5 (13.51) | 16 (43.24) | 3 (8.11) | 13 (35.14) | |
注：括号外为人数，括号内为占比，以下同。 |
实验结果表明，相较于概率易命名组，诊断易命名组的被试能够在相同学习进程内实现较高的分类准确率。在学习初期，概率易命名组的被试倾向于只关注易命名特征，推测这些被试首先尝试依据易命名特征进行分类，并且在随后的学习过程中也未能找到最佳分类策略。
3 实验1B：易命名特征对由复杂形状特征构成刺激类别学习的影响
实验1A中，易命名颜色在日常生活中更为常见，因此实验1B选用人工生成的形状特征，避免颜色特性可能带来的熟悉度效应。
3.1 被试
75名被试(平均年龄为18.87±2.46岁)随机分配到诊断易命名组(36名，20名男性)和概率易命名组(39名，16名男性)。被试招募要求同实验1A。
3.2 实验材料
材料改编自Zettersten和Lupyan(2020)的研究，特征为随机生成的24点封闭形状(24-point shapes)，研究者招募被试对形状进行命名，命名一致性程度高为易命名，命名一致性程度低为不易命名。使用模态一致指数和Simpson多样性指数验证，两种形状在命名性上差异显著(Vanderplas & Garvin, 1959)。如图1 所示，与实验1A相比，实验1B将右上角位置的特征设为诊断性特征，类别结构和其他设置均与实验1A相同。
3.3 实验设计和流程
实验设计和流程同实验1A，类别学习进程增加到6个组块，以便进一步探究学习效果。被试在报告分类依据时需具体指出所依据的特征，这一调整旨在更精确地了解被试的分类策略。
3.4 结果
同实验1A，两种条件下的学习曲线均呈现同一趋势：随着组块的增加，分类正确率逐渐上升，反应时逐渐下降，表明两种条件下均有发生类别学习，详见图2 和图3 。
对正确率进行2×6的重复测量方差分析。结果发现易命名特征特性主效应显著[F(1, 73)=48.54, p<0.001, η$ {_{\rm p}^2}$ =0.40]，诊断易命名组正确率(0.84±0.36)显著高于概率易命名组正确率(0.62±0.49)；组块主效应显著[F(5, 365)=23.35, p<0.001, η${_{\rm p}^2} $ =0.24]，交互作用边缘显著[F(5, 365)=2.43, p=0.050, η${_{\rm p}^2} $ =0.03]。简单效应分析表明：在概率易命名组中，组块间正确率差异显著[F(5, 69)=7.20, p<0.001, η${_{\rm p}^2} $ =0.34]，总体上正确率随着组块的推进而上升，但是组块4的正确率出现下降，且显著小于组块5(p=0.008)和组块6(p<0.001)。在诊断易命名组中，组块间正确率差异显著[F(5, 69)=9.68, p<0.001, η${_{\rm p}^2} $ =0.41]，正确率始终随着组块的推进而上升。由于概率易命名组有一名被试在组块4中的正确率为0，缺少反应时数据，故未纳入分析。同样，对反应时进行2×6的重复测量方差分析，结果发现组块主效应显著[F(5, 360)=14.91, p<0.001, η${_{\rm p}^2} $ =0.17]；组块1的反应时显著长于其他组块(组块2～6)(ps<0.001)；组块4的反应时显著长于组块2(p=0.001)和组块3(p=0.014)，其他组块反应时差异不显著(ps>0.05)。易命名特征特性主效应不显著[F(1, 72)=3.14, p=0.081]；交互作用不显著[F(5, 360)=0.56, p=0.732]。
表2 实验1B中使用不同分类策略人数与占比(%) |
| 诊断性特征 策略 | 概率性特征 策略 | 多特征 策略 | 整体 策略 | ||
| 实验整体 | 诊断易命名 | 24 (66.67) | 7 (19.44) | 2 (5.56) | 3 (8.33) |
| 概率易命名 | 5 (12.82) | 13 (33.33) | 10 (25.64) | 11 (28.21) | |
| 实验初期 | 诊断易命名 | 8 (22.22) | 10 (27.78) | 2 (5.56) | 16 (44.44) |
| 概率易命名 | 2 (5.13) | 20 (51.28) | 4 (10.26) | 13 (33.33) | |
同实验1A，在反应时无显著差异的情况下，相较概率易命名组，诊断易命名组被试始终保持更高的正确率。在诊断易命名组中，从组块1到组块2，分类正确率迅速上升，反应时显著下降，此后变化趋于稳定，表明该组的被试能够在短时间内发现并利用易命名诊断性特征进行分类，这一点也在策略分析中得到验证。相对地，在概率易命名组中，组块4的正确率出现下降，反应时上升，推测被试在这一阶段调整了分类策略，但未能找到最优策略。结合策略分析，该组的被试在整个实验过程中极少单独关注诊断性特征。这可能是因为易命名概率性特征能以75%的概率成功分类样例，因此即使被试在学习中期意识到当前策略并非最佳，仍倾向于继续依赖易命名特征进行分类，而未完全转向诊断性特征策略。
4 实验2：易命名特征对由简单形状特征构成刺激类别学习的影响
实验1B使用的线条结构较为复杂，使得被试在首次接触时需要花费较多时间进行知觉和识别。因此，实验2将使用更为简化的形状材料，减少复杂结构对学习进程的影响。其次，实验2引入眼动追踪技术直接检测被试在类别学习过程中的注意变化，进一步探究易命名特征影响类别学习的机制。
4.1 被试
68名被试(平均年龄19.28±1.56岁)随机分配到诊断易命名组(33名，7名男性)和概率易命名组(35名，7名男性)。被试招募要求同前。
4.2 实验材料
材料改编自Zettersten和Lupyan(2020)的研究，见图1 实验2材料。每个形状特征由七巧板板块(tangrams)拼成(Atkinson et al., 2019)。不易命名特征由易命名特征顺时针旋转180°所得，确保这两种特征除在命名性上的差异外，点线数量和复杂程度等其他性质保持一致。为了控制特征位置对实验结果的影响，诊断性特征的呈现位置在不同的被试间平衡。在同一被试中，诊断性特征始终出现在相同位置；在不同被试之间，诊断性特征可能出现在饼状图任意位置。类别结构和其他材料设置均与实验1B一致。
4.3 实验设计、流程和实验仪器
实验2的设计同实验1B，增加眼动指标作为因变量，具体为各兴趣区注视总时长(即单个试次中，落入该兴趣区内的所有注视点持续时长的总和)。每个特征所在的位置定义为一个兴趣区，每个刺激共设置3个兴趣区。
实验流程同实验1B，此外，被试的眼动过程将被追踪，使用的设备为EyeLink Ⅱ(SR Research, Ontario, Canada)，采样频率为1000 Hz。所有刺激呈现在分辨率为1024×768的电脑显示器上，刷新频率为85 Hz。
4.4 结果
实验2的学习曲线再次验证实验1的结果，表明两组被试均有发生类别学习，详见图2 和图3 。
对正确率进行2×6的重复测量方差分析。结果发现，易命名特征特性主效应显著[F(1, 66)=13.14, p=0.001, η${_{\rm p}^2} $ =0.17]；组块主效应显著[F(5, 330)=20.26, p<0.001, η${_{\rm p}^2} $ =0.24]；易命名特征特性与组块的交互效应显著[F(5, 330)=3.56, p<0.001, η${_{\rm p}^2} $ =0.05]。简单效应分析显示，在组块1中，诊断易命名组与概率易命名组之间的正确率差异不显著(p=0.677)，而在其他组块(组块2～6)中，诊断易命名组的正确率均显著高于概率易命名组(ps<0.05)。同样，对反应时进行2×6的重复测量方差分析，结果发现，组块主效应显著[F(5, 330)=9.21, p<0.001, η${_{\rm p}^2} $ =0.12]，组块1的反应时显著长于其他组块(组块2～6)(ps<0.05)，而组块6的反应时显著短于其他组块(组块1～5)(ps<0.05)；易命名特征特性主效应不显著[F(1, 66)=2.54, p=0.116]。交互作用不显著[F(5, 330)=2.91, p=0.058]。
关于眼动数据，由于两个概率性特征并无差异，所以将它们对应的兴趣区进行了合并分析。因此，两组各具有两种兴趣区：诊断易命名组具有易命名诊断性特征和不易命名概率性特征两种兴趣区；概率易命名组具有不易命名诊断性特征和易命名概率性特征两种兴趣区。各兴趣区内注视总时长详见图4 。
删除注视时长小于80 ms和超过±3个标准差的试次，随后对各兴趣区内注视总时长进行2(易命名特征特性：诊断易命名、概率易命名)×2(兴趣区：诊断性特征兴趣区、概率性特征兴趣区)×6(组块：组块1、2、3、4、5、6)的重复测量方差分析，其中易命名特征特性为被试间因素，而兴趣区和组块为被试内因素。结果发现，易命名特征特性主效应边缘显著[F(1, 66)=3.91, p=0.052, η${_{\rm p}^2} $ =0.06]，组块主效应显著[F(5, 330)=15.84, p<0.001, η${_{\rm p}^2} $ =0.19]，易命名特征特性和组块交互效应显著[F(5, 330)=3.79, p=0.014, η${_{\rm p}^2} $ =0.05]，三重交互效应边缘显著[F(5, 330)=2.39, p=0.058, η${_{\rm p}^2} $ =0.35]，兴趣区主效应和其他交互效应均不显著(ps>0.05)。简单简单效应分析结果显示，对于诊断性特征，在后3个组块中，诊断易命名组对其的关注时长始终显著短于概率易命名组(ps<0.05)；对于概率性特征，在后3个组块中，诊断易命名组对其的关注时长始终显著短于概率易命名组(ps<0.05)。同时，在诊断易命名组的组块1中，被试对易命名诊断性特征的关注时长显著长于不易命名概率性特征(p=0.019)；而在概率易命名组的组块1中，被试对两种特征的注视总时长没有显著差异(p>0.05)。
实验2再次验证了在相同的反应时间内，相对概率易命名组，诊断易命名组的被试能够更好地习得类别。被试对不同特征的注意变化揭示了易命名特征影响类别学习的机制：在学习的最初阶段，两组被试均对易命名特征给予更多关注，说明易命名特征首先吸引被试注意；随后，概率易命名组虽改变了注意模式，但仍未减少对易命名概率性特征的关注；而诊断易命名组始终对易命名诊断性特征保持较高的关注。
5 讨论
本研究探究了易命名特征对类别学习的影响，并揭示了其作用机制。实验分别采用颜色和形状刺激，比较了易命名特征具有诊断性或概率性时的成绩差异。结果表明，在相同反应时间内，诊断性易命名特征能够显著促进类别学习，且在形状材料学习中的促进作用更为明显。在类别学习初期，学习者倾向于首先关注易命名特征，并在整个学习过程中始终将其作为主要的分类依据，即使这种依据并非最佳策略。研究证明，言语标签作为内隐的特征标签时，其对类别学习的影响稳定存在。但只有当言语标签和分类任务相关的维度有所联系时，言语标签才有助于类别学习，否则会削弱类别的习得(Brojde et al., 2011)。
无论是何种刺激，实验结果均一致。这些性质不同的刺激，不仅模拟了现实中复杂多样的材料，同时也证明了特征言语标签促进类别学习的稳定效应。此外，关于易命名特征如何影响分类策略，实验1A中类别学习初期大部分被试依据易命名特征进行分类，结合实验2学习初期易命名特征注视总时长长于不易命名特征总时长，说明特征的易命名性会首先吸引学习者的注意。实验1B中被试最初的策略选择中没有表现出相同的趋势，可能是因为实验1B所采用的点线形状较为复杂，无论是何种特征，都需要耗费足够多的时间进行观察和识别，导致被试并未表现对于某一特征的关注偏向。当后续实验将学习进程延长到6个组块时，两个实验中的概率易命名组都在组块4中出现了正确率的短暂下降，这一趋势可能源于被试试图在学习中期调整自己的策略。眼动数据的分析发现，易命名特征特性和组块交互效应显著，兴趣区主效应不显著，说明即使在易命名特征为概率性特征的情况下，学习者仍未减少对其的关注，并始终将其作为分类依据之一。
易命名特征能够促进类别学习的原因可能是，它通过激活与之对应的言语标签来优化注意力。当易命名特征与诊断性结合时，学习者能够迅速集中注意力于诊断性特征，从而加速类别学习。然而，当易命名特征与概率性结合时，学习者可能过度关注这些易命名特征，阻碍了最佳分类策略的发现。这表明，易命名特征能够通过激活言语标签优化注意力分配，但其效果在与诊断性特征结合时更为显著。
在分类任务中，将易命名诊断性特征从不易命名概率性特征中区分开来相对容易，这体现了一定程度的注意优化；然而，将不易命名诊断性特征从易命名概率性特征中区分开来则更具挑战性，因为部分注意资源始终被易命名特征占据，从而阻碍了对诊断性特征的发现。根据注意的选择性假设(attention optimization hypothesis)，在个体注意资源有限的情况下，为了更高效地习得类别知识，注意资源通常会更多地分配给那些能够有效区分类别的诊断性信息(Zaki & Salmi, 2019)。前人研究发现，注意模式(Deng & Sloutsky, 2015)、特征本身的占比面积和突出性(Hammer, 2015)、对比类别的呈现(Zaki & Salmi, 2019)都会影响诊断性特征的发现和利用。本研究提供了另一种可能：通过使诊断性特征具有易命名性，加速被试对诊断性特征的发现与应用。
易命名特征是否真正通过激活其相对应的言语标签来影响类别学习呢？在实验1A中，易命名的颜色作为诊断性特征促进了类别学习，根据知觉符号理论(perceptual symbol theory)，颜色知觉会激活颜色概念表征，即其言语标签，而言语标签反过来又影响颜色的分类与再认(张积家 等, 2018)。因此，易命名颜色更易激活其言语标签，而不易命名颜色可能因为缺乏明确的言语标签，使个体难以对其进行有效的表征，从而影响分类任务的完成。在实验1B中，易命名特征在知觉上相对简单，编码难度低。Johanson和Papafragou(2016)发现，当言语标签同知觉信息冲突，即标签指向类别与知觉信息指向类别不一致时，被试仍根据标签而非知觉信息分类。该结果表明，言语标签不仅能够促进分类，还能够调整类别的界限。由于言语表征相对于知觉表征具有更强的优势，可以推测，在易命名形状作为诊断性特征时，激活了对应的言语标签，从而促进类别学习。实验2使用知觉复杂程度相同但是命名性不同的形状特征，进一步验证了这一结论。
本研究存在一定的局限性。外显的类别标签由实验者特意呈现给被试，使得有标签和无标签之间的区别十分明确。而对于特征命名性而言，特征标签是内隐的，易命名和不易命名原本就是一组相对而非绝对的概念。
未来可以进一步探讨以下几个方面：第一，易命名特征作为无关特征的情况下，即其完全不能预测类别，甚至与诊断性特征指向不同的类别时，易命名特征对类别学习的影响。第二，在类别学习中，成人倾向于关注诊断性特征，而儿童更倾向于平均关注各个特征(Deng & Sloutsky, 2016; Robinson & Sloutsky, 2007)。易命名特征对儿童学习类别的影响是否与成人不同，值得进一步探讨。
6 结论
(1)言语标签效应不仅存在于类别层面，也同样适用于特征层面，但只有当易命名特征与诊断性相结合时，易命名特征才能促进类别学习。(2)在类别学习初期，学习者倾向于优先关注易命名特征，无论这些特征具有诊断性或者概率性，易命名性会成为首要注意的特征特性。(3)在整个类别学习过程中，学习者始终将易命名特征作为分类依据之一，即使依据该特征分类并非最佳策略。