1705233402
属性列举及属性基础上的典型性等级
1705233403
1705233404
假如我们似乎轻而易举就能想起熟悉的物体和生物体的属性，那么我们就可以通过一个相当简单的实验过程收集那些属性，而此实验过程可以很容易地应用于大量的被试。在Rosch和Mervis（1975）所作的属性列举实验中，他们给每个被试（400个美国心理学学生）6张在顶端写有实验项目的纸。被试用1分半钟时间写下所有他们能想到的属性。为了去掉某一项目的那些明显假的或者错误的属性或意义上太空泛的答案，两名检查员对这些属性清单进行了检查。
1705233405
1705233406
使用的试验项目选自图1.3描写的在样本合格性等级中得到的清单，包括由20个不同等级范畴成员组成的集合，FRUNITURE（家具）、VEHICLE（交通工具）、FRUIT（水果）、WEAPON（武器）、VEGETABLE（蔬菜）和CLOTHING（衣服）这些范畴每个范畴为一个集合。从＞椅子＜到＞电话＜（家具），从＞小汽车＜到＞电梯＜（交通工具），从＞橙子＜到＞橄榄＜（水果），一共试验了120个项目。
1705233407
1705233408
这个实验有两个目的：证明家族相似性（见上文）这一概念；对Rosch和Mervis来说更重要的是，提供基于属性的典型性等级（比起Rosch和Mervis自己的术语“家族相似性尺度”来，这个中性术语更合适）。然后，这些典型性等级可以用来证实早先的样本合格性等级。
1705233409
1705233410
属性基础上的等级是如何计算的？撇开数学上的细节，可以区分为两个步骤。第一步，对属性进行“称量”，也就是说，确定20个被测试的范畴成员中有多少成员列举了每一个属性。如果一个属性为全部范畴成员所共有，那么给它20分的最高分（如在交通工具实例中的“运输手段”这一属性）。一个属性只为一个范畴成员列出（试想一下“安装在建筑物内”这一属性只适合于＞LIFT＜（＞电梯＜）或＞ELEVATOR＜（＞电梯）＜）时只得1分。适用于几个但不是全部范畴成员的属性被给予中等得分。得到的结果就是称量过的属性清单。
1705233411
1705233412
在第二步中，把为每一个范畴成员列举出的所有属性的分量累加起来并排成等级排序（实际的过程要更复杂一些）(10)。有许多具有共有所以也是分量重的属性的范畴成员，像FRUIT这个范畴中的＞橙子＜或者＞苹果＜，在总体上获得很高的等级；而像＞橄榄＜这种与别的范畴成员只共有很少几个（如果有的话）属性的范畴成员则得分很低。对比一下属性基础上的等级排序与样本合格性等级，这两类等级显示出高度的相关性。
1705233413
1705233414
这种相关性可以从两个方面用来证实原型范畴的概念。一方面，范畴由好成员与差成员组成这一假设再也不只是依靠对样本合格性等级的直觉判断，现在，这一假设还能与大量的属性联系起来。另一方面，好样本与差样本这一概念可以用来解释为什么属性在范畴成员中分布得那么不均匀。好样本与同一范畴中的其他成员有许多共同的属性，而差样本或边缘样本与同一范畴的其他成员只共有很少的属性。
1705233415
1705233416
但是，正如我们从这一节开头讨论的那些词典词条定义中所知道的那样，属性的范畴内联系只表现了问题的一个方面。同样重要的是区别性属性的问题，即一个范畴的成员，不管是好样本还是差样本，是否与其他相邻范畴的成员拥有共同的属性。这一点在进一步的属性列举实验中得到检验。在这个实验中，CAR（小汽车）这一范畴中的好样本与差样本和TRUCK（卡车）、BUS（巴士）和MOTORCYCLE（摩托车）这些范畴中的成员进行对比。结果显示，不同范畴的好样本之间的属性交叉区最小，而不同范畴的差样本或边缘样本之间的属性交叉区却大得多。换言之，原型小汽车，比如一辆轿车跟原型卡车共有的属性，比一辆客货两用轿车跟原型卡车共有的属性要少；一辆轿车跟原型摩托车共有的属性，比一辆三轮车跟原型摩托车共有的属性少。
1705233417
1705233418
考虑问题的两面，我们可以把原型范畴的属性结构小结如下：
1705233419
1705233420
· 认知范畴的原型成员拥有最多的与这一范畴的其他成员共同的属性，而拥有最少的与相邻范畴的成员同现的属性。这意味着就属性而言，原型成员与其他范畴中的原型成员的区别最大。
1705233421
1705233422
· 差样本（或曰边缘范畴成员）跟范畴中的其他成员只共有很少量的属性，却又拥有同时也属于别的范畴的属性，当然，这只是“范畴边界是模糊的”的另一种说法。
1705233423
1705233424
属性和维度
1705233425
1705233426
回顾图1.7那个鸟属性矩阵，Rosch和Mervis显然确已解决了当研究＞鸵鸟＜及鸟范畴的其他差样本时出现的属性“缺失”问题。但这还留给我们“偏离”的实例，也就是其属性不符合预期标准的那些范畴成员。这种“偏离实例”大部分包含与维度（dimensions）有关的属性，如“大小”、“重量”、“（尾巴的）长度”和“（腿的）粗细”。这把我们带回到Labov的杯子和碗的讨论中，这些杯子与碗我们在1.1节讨论模糊范畴边界时已经讨论过。在为他的实验选取那些杯子及像杯子的容器时，Labov可以依靠“宽度”、“高度/深度”和“形状”，也就是依靠那些被广泛接受的维度类型的“逻辑”特性，而不必陷自己于变化无常的经验主义属性列举。在这个方面，他比Rosch和Mervis更认同那些传统的语言学家。维度有一个优点，那就是在控制的条件下可以改变它们，而这种变化也可以容易而明确地以线条画表现出来。这可以在图1.4中得到说明，为方便起见，在这儿重复为图1.9。
1705233427
1705233428
1705233429
1705233430
1705233431
图1.9 Labov（1973：354）使用的像杯子的物体的图画选（5号图是重画的）
1705233432
1705233433
图中维度的变化基于1号这个“原型的”杯子。在上一排，容器的高度（或曰深度）保持不变而宽度却从一个容器到另一个容器系统性地逐渐扩大。相反地，在第二排中，容器的宽度是相同的，却从左到右变得越来越深。Labov使用的度量变化还涉及容器的形状，包括圆柱体和截去顶端的圆锥体等（在图1.9里未加以表现）。另外，他还使用“语境”或“功能”（“中性/咖啡/食物/鲜花语境”）、“质料”（玻璃、瓷器）和“柄的有/无”这些属性，初看起来，它们都是“非度量”属性。
1705233434
1705233435
为使这些各种各样的属性跟维度统一起来，Labov把他实验容器的特定宽度/高度比例定义为宽和高维度上离散的值。以同样的方法，与语境、质料和手柄有关的属性也被解释为维度上的值：把中性、咖啡、食物和鲜花语境定义为“语境”这一维度上的值；把玻璃、瓷器定义为“质料”这一维度上的值；把手柄的有无定义为“手柄”这一维度上的两个值。
1705233436
1705233437
在实际的实验结果中，也就是在对特定容器使用杯子或者碗或茶缸时，这些属性值是如何显示出来的呢？按照Labov的说法，这些词的使用反映了实验被试对“已称量过的”接受度判断。这些判断在这种意义下得到称量：即有关属性的不同值引导被试为实验中的容器选择不同的名称。如果“原型的”杯子（1号容器）被全部被试叫做杯子，这一判断可以与这一事实相联系：即1号容器表现了中性语境中理想的宽度/高度比例。2号容器依然压倒多数地被称为杯子，因为它表现了非常相似的宽度/高度比例。与此相反，4号容器被评定为杯子的边缘实例，因为它的宽度/高度比例明显不同于理想的值。如果杯子这个词的使用在咖啡语境中为被试所扩大而在食物语境中被缩小，那是因为宽度/高度比例与“语境”维度上各自值的相互作用的结果。
1705233438
1705233439
这种三向相关性还可以表示为一致性曲线（如图1.5和1.6所示），而更复杂的互动只能由数学公式和概率计算来把握，这已超出了本导论的范围（见阅读注解7）。
1705233440
1705233441
尽管如此，Labov的目的和所使用的方法本应该变得非常清楚。从那些至少理论上可以看作是维度值的属性出发，他克服了逻辑观离散属性的内在限制，而这也似乎是他比Rosch和Mervis更进一步的地方。在称量过程中，度量值因而互相联系起来，而在这儿他的方法也与Rosch和Mervis的操作程序最为接近。
1705233442
1705233443
范畴内部结构和完形
1705233444
1705233445
在对比属性基础上的典型性等级和样本合格性等级（即直接典型性等级）的时候，我们认为后者的基础是直觉。但是，问题在于这种直觉可能是从什么衍生出来的。它是否可能依靠某种内部的属性基础上的等级呢？从“朴素”的观点上来看，这似乎是不可能的。当我们面对一只动物时，我们几乎不会通过估量特定的属性来开始对它进行范畴化，除非它有像斑马的条纹或大象的牙这种显著得让我们感到惊讶的属性。对于大多数生物体和实物来说，特别是那些我们熟悉的，我们好像是以不同的方式来对它们进行范畴化的。我们只是从整体上来把握它，进而对它的典型性进行初步评价，因而，后来才可能考虑特定的属性。
1705233446
1705233447
问题在于，这个看似有理的想法，似乎没有可能在控制的实验情境中进行研究，或者说得更直截了当些，好像不可能以实验来排除人们是在一个属性接着一个属性的基础之上来对项目进行范畴化并评价其合格性的。再一次回到Labov的命名实验，这种假设的确是言之成理的：那就是被试的判断根据的是杯子或碗的总体印象而不是对宽度/高度比例、质料和语境的内部计算，但也不能排除这种情况。到现在为止，我们不得不满足于不太正式的实验采访的结果。
1705233448
1705233449
此种采访中的一些是在房子的范畴化这一语境中进行的（Schmid 1993：121以次）。这些采访的起点是Labov的诱导物体图画范畴名称的方法，把这一方法用于图1.10中的建筑物。这个实验的采访部分的目的是收集范畴化过程是怎样进行以及被试是如何体验这一过程的信息。
1705233450
1705233451
