Когнитивная модель - Cognitive model

А когнитивная модель это приближение к животному когнитивные процессы (преимущественно человек) для понимания и предсказания. Когнитивные модели могут быть разработаны в рамках или без когнитивная архитектура, хотя их не всегда легко отличить.

В отличие от когнитивных архитектур, когнитивные модели, как правило, сосредоточены на одном когнитивном явлении или процессе (например, изучение списка), на том, как взаимодействуют два или более процесса (например, при принятии решений визуальным поиском bsc1780) или на прогнозировании поведения для конкретной задачи или инструмент (например, как установка нового программного пакета повлияет на производительность). Когнитивные архитектуры, как правило, сосредоточены на структурных свойствах моделируемой системы и помогают сдерживать развитие когнитивных моделей в архитектуре. Точно так же разработка модели помогает выявить ограничения и недостатки архитектуры. Некоторые из самых популярных архитектур для когнитивного моделирования включают ACT-R, Clarion, LIDA, и Парить.

История

Когнитивное моделирование исторически сложилось в когнитивная психология /наука о мышлении (в том числе человеческие факторы ), и получил вклады из областей машинное обучение и искусственный интеллект назвать несколько. Существует много типов когнитивных моделей, и они могут варьироваться от диаграмм в виде прямоугольников и стрелок до набора уравнений и программ, которые взаимодействуют с теми же инструментами, которые люди используют для выполнения задач (например, компьютерная мышь и клавиатура).[1]

Коробочно-стрелочные модели

Для описания процессов, связанных с восприятием, хранением и воспроизведением речи, используется ряд ключевых терминов. Обычно их используют логопеды при лечении ребенка-пациента. Входной сигнал - это речевой сигнал, слышимый ребенком, обычно исходящий от взрослого говорящего. Выходной сигнал - это произнесенное ребенком высказывание. Невидимые психологические события, которые происходят между поступлением входного сигнала и воспроизведением речи, находятся в центре внимания психолингвистических моделей. События, обрабатывающие входной сигнал, называются процессами ввода, тогда как события, обрабатывающие производство речи, называются процессами вывода. Считается, что некоторые аспекты обработки речи происходят в режиме онлайн, то есть они происходят во время фактического восприятия или производства речи и, следовательно, требуют доли ресурсов внимания, выделенных для речевой задачи. Другие процессы, которые, как считается, происходят в автономном режиме, происходят как часть фоновой мысленной обработки ребенка, а не в течение времени, посвященного речевой задаче. В этом смысле онлайн-обработка иногда определяется как происходящая в реальном времени, тогда как говорят, что автономная обработка быть свободным от времени (Hewlett, 1990). В психолингвистических моделях с прямоугольником и стрелкой каждый предполагаемый уровень представления или обработки может быть представлен на диаграмме «прямоугольником», а отношения между ними - «стрелками», отсюда и название. Иногда (как в моделях Smith, 1973 и Menn, 1978, описанных далее в этой статье) стрелки представляют процессы, дополнительные к тем, которые показаны в прямоугольниках. Такие модели делают явными предполагаемые действия по обработке информации, выполняемые конкретной когнитивной функцией (например, языком), аналогично компьютерным блок-схемам, которые изображают процессы и решения, выполняемые компьютерной программой. Модели прямоугольников и стрелок сильно различаются по количеству описываемых ими невидимых психологических процессов и, следовательно, по количеству содержащихся в них ящиков. Некоторые имеют только один или два прямоугольника между входными и выходными сигналами (например, Menn, 1978; Smith, 1973), тогда как другие имеют несколько прямоугольников, представляющих сложные отношения между рядом различных событий обработки информации (например, Hewlett, 1990; Hewlett , Гиббон ​​и Коэн-Маккензи, 1998; Стакхаус и Уэллс, 1997). Однако наиболее важным блоком и источником продолжающихся дебатов является то, что представляет собой базовое представление (или UR). По сути, базовое представление фиксирует хранящуюся в уме ребенка информацию о слове, которое он или она знает и использует. Как будет проиллюстрировано последующим описанием нескольких моделей, характер этой информации и, следовательно, тип (ы) представления, присутствующие в базе знаний ребенка, уже некоторое время привлекают внимание исследователей. (Элиз Бейкер и др. Психолингвистические модели развития речи и их применение в клинической практике. Журнал исследований речи, языка и слуха. Июнь 2001 г., стр. 44. 685–702.)

Вычислительные модели

А вычислительная модель математическая модель в вычислительная наука это требует обширных вычислительных ресурсов для изучения поведения сложной системы с помощью компьютерного моделирования. Исследуемая система часто представляет собой сложную нелинейную систему, для которой недоступны простые, интуитивно понятные аналитические решения. Вместо получения математического аналитического решения проблемы экспериментирование с моделью проводится путем изменения параметров системы в компьютере и изучения различий в результатах экспериментов. Теории работы модели могут быть выведены / выведены из этих вычислительных экспериментов. Примерами общих вычислительных моделей являются модели прогнозирования погоды, модели имитатора Земли, модели имитатора полета, модели сворачивания молекулярных белков и модели нейронных сетей.

Символический

. выражается символами, обычно не числовыми, которые требуют перевода, прежде чем их можно будет использовать

Субсимволический

субсимволический если это сделано составляющими объектами, которые, в свою очередь, не являются репрезентациями, например, пиксели, звуковые образы, воспринимаемые ухом, образцы сигналов; подсимволические единицы в нейронных сетях можно рассматривать как частные случаи этой категории

Гибридный

Гибридные компьютеры - это компьютеры, которые обладают функциями аналоговых и цифровых компьютеров. Цифровой компонент обычно служит контроллером и обеспечивает логические операции, в то время как аналоговый компонент обычно служит средством решения дифференциальных уравнений. Смотрите более подробную информацию на гибридная интеллектуальная система.

Динамические системы

В традиционном вычислительный подход, представления рассматриваются как статические структуры дискретных символы. Познание происходит путем преобразования статических структур символов в дискретный, последовательные шаги. Сенсорный информация преобразуется в символические входы, которые производят символические выходы, которые преобразуются в мотор выходы. Вся система работает в непрерывном цикле.

Чего не хватает в этой традиционной точке зрения, так это того, что человеческое познание происходит непрерывно и в реальном времени. Разбивка процессов на дискретные временные шаги может не полностью захватить это поведение. Альтернативный подход состоит в том, чтобы определить систему с (1) состоянием системы в любой момент времени, (2) поведением, определяемым как изменение во времени в общем состоянии, и (3) набором состояний или пространство состояний, представляющий совокупность общих состояний, в которых может находиться система.[2] Система отличается тем, что изменение любого аспекта состояния системы зависит от других аспектов того же или других состояний системы.[3]

Типичный динамичный модель формализованный несколькими дифференциальные уравнения которые описывают, как состояние системы изменяется с течением времени. Таким образом, форма пространства возможных траектории и внутренние и внешние силы, которые формируют определенную траекторию, которая разворачивается во времени, вместо физической природы лежащих в основе механизмы которые проявляют эту динамику, несут объяснительную силу. С этой динамической точки зрения параметрические входные данные изменяют внутреннюю динамику системы, а не определяют внутреннее состояние, которое описывает какое-то внешнее состояние дел.

Ранние динамические системы

Ассоциативная память

Ранние работы по применению динамических систем к познанию можно найти в модели Сети Хопфилда.[4][5] Эти сети были предложены в качестве модели для ассоциативная память. Они представляют собой нейронный уровень объем памяти, моделирующие системы примерно из 30 нейронов, которые могут быть как во включенном, так и в выключенном состоянии. Позволив сеть само по себе, структура и вычислительные свойства возникают естественным образом. В отличие от предыдущих моделей, «воспоминания» могут быть сформированы и вызваны путем ввода небольшой части всей памяти. Также можно закодировать временную упорядоченность воспоминаний. Поведение системы моделируется с помощью векторов которые могут изменять значения, представляющие различные состояния системы. Эта ранняя модель была важным шагом на пути к динамическому системному взгляду на человеческое познание, хотя многие детали еще не были добавлены, а другие явления еще не учтены.

Овладение языком

Принимая во внимание эволюционное развитие человека нервная система и сходство мозг в другие органы, Эльман предложил, чтобы язык и познание следует рассматривать как динамическую систему, а не как процессор цифровых символов.[6] Реализованные нейронные сети типа Эльмана получили название Сети Эльмана. Вместо того, чтобы рассматривать язык как набор статических лексический предметы и грамматика правила, которые изучаются и затем используются в соответствии с фиксированными правилами, представление динамических систем определяет лексикон как области государственного пространства в динамической системе. Грамматика состоит из аттракторы и репеллеры, ограничивающие движение в пространстве состояний. Это означает, что репрезентации чувствительны к контексту, а ментальные репрезентации рассматриваются как траектории в ментальном пространстве, а не как конструируемые и статичные объекты. Сети Элмана были обучены с помощью простых предложений представлять грамматику как динамическую систему. После изучения базовой грамматики сети могут анализировать сложные предложения, предсказывая, какие слова появятся следующими в соответствии с динамической моделью.[7]

Когнитивное развитие

Классическая ошибка развития была исследована в контексте динамических систем:[8][9] В Ошибка A-not-B Предполагается, что это не явная ошибка, возникающая в определенном возрасте (от 8 до 10 месяцев), а характеристика динамического процесса обучения, который также присутствует у детей старшего возраста. Было обнаружено, что дети в возрасте 2 лет совершают ошибку, аналогичную ошибке A-not-B, при поиске игрушек, спрятанных в песочнице. После наблюдения за спрятанной игрушкой в ​​локации A и неоднократных поисков ее там, двухлетним детям показали игрушку, спрятанную в новом локации B. Это говорит о том, что существует постоянное представление о местоположении игрушки, которое меняется с течением времени. Прошлое поведение ребенка влияет на его модель расположения песочницы, поэтому при описании поведения и обучения необходимо учитывать, как система песочницы и прошлые действия ребенка меняются с течением времени.[9]

Передвижение

Один из предложенных механизмов динамической системы исходит из анализа непрерывного времени. повторяющиеся нейронные сети (CTRNN). Сосредоточившись на выходе нейронных сетей, а не на их состояниях, и исследуя полностью взаимосвязанные сети, три нейрона центральный генератор шаблонов (CPG) можно использовать для представления таких систем, как движения ног во время ходьбы.[10] Эта CPG содержит три двигательные нейроны для управления движением стопы, махом назад и движением ноги вперед. Выходные данные сети представляют, находится ли ступня вверх или вниз, и какое усилие прилагается для создания крутящий момент в суставе ноги. Одной из особенностей этого паттерна является то, что выходы нейронов либо выключен или включен большую часть времени. Другая особенность состоит в том, что состояния являются квазистабильными, что означает, что они в конечном итоге перейдут в другие состояния. Такая простая схема генератора шаблонов предлагается в качестве строительного блока для динамической системы. Наборы нейронов, которые одновременно переходят из одного квазистабильного состояния в другое, определяются как динамический модуль. Теоретически эти модули можно комбинировать для создания более крупных схем, составляющих полную динамическую систему. Однако детали того, как эта комбинация могла возникнуть, полностью не проработаны.

Современные динамические системы

Поведенческая динамика

Современные формализации динамических систем, применяемые для изучения познания, разнообразны. Одна такая формализация, называемая «поведенческой динамикой»,[11] лечит агент и окружающая среда как пара соединенный динамические системы на основе классической теории динамических систем. В этой формализации информация из Окружающая среда информирует о поведении агента, а действия агента изменяют среду. В конкретном случае циклы восприятия-действия, связь среды и агента формализуется двумя функции. Первый преобразует представление о действии агентов в конкретные модели мышечной активации, которые, в свою очередь, создают силы в окружающей среде. Вторая функция преобразует информацию из окружающей среды (то есть паттерны стимуляции рецепторов агента, которые отражают текущее состояние окружающей среды) в представление, которое полезно для управления действиями агентов. Были предложены другие аналогичные динамические системы (хотя и не развитые в формальную основу), в которых нервная система агента, тело агента и окружающая среда связаны вместе.[12][13]

Адаптивное поведение

Поведенческая динамика была применена к локомотивному поведению.[11][14][15] Моделирование передвижения с помощью поведенческой динамики демонстрирует, что адаптивное поведение может возникать в результате взаимодействия агента и окружающей среды. Согласно этой структуре, адаптивное поведение может быть зафиксировано с помощью двух уровней анализа. На первом уровне восприятия и действия агент и среда могут быть концептуализированы как пара динамических систем, связанных вместе силами, которые агент прикладывает к среде, и структурированной информацией, предоставляемой средой. Таким образом, поведенческая динамика возникает из взаимодействия агента и среды. На втором уровне временной эволюции поведение может быть выражено как динамическая система, представленная в виде векторного поля. В этом векторном поле аттракторы отражают устойчивые поведенческие решения, тогда как бифуркации отражают изменения в поведении. В отличие от предыдущей работы по генераторам центральных паттернов, эта структура предполагает, что стабильные поведенческие паттерны являются возникающим, самоорганизующимся свойством системы агент-среда, а не детерминированными структурой агента или окружающей среды.

Открытые динамические системы

В расширении классической теория динамических систем,[16] Вместо того, чтобы связывать динамические системы среды и агента друг с другом, «открытая динамическая система» определяет «общую систему», «систему агента» и механизм, связывающий эти две системы. Полная система - это динамическая система, которая моделирует агента в среде, тогда как система агента - это динамическая система, которая моделирует внутреннюю динамику агента (то есть динамику агента в отсутствие среды). Важно отметить, что механизм отношений не связывает две системы вместе, а, скорее, непрерывно модифицирует всю систему в целостную систему независимого агента. Различая общую и агентную системы, можно исследовать поведение агента, когда он изолирован от среды и когда он встроен в среду. Эту формализацию можно рассматривать как обобщение классической формализации, в соответствии с которой система агентов может рассматриваться как система агентов в открытой динамической системе, а агент, связанный с окружающей средой и окружением, может рассматриваться как общая система в открытой динамической системе. динамическая система.

Воплощенное познание

В контексте динамических систем и воплощенное познание, представления могут быть концептуализированы как индикаторы или посредники. В представлении индикатора внутренние состояния несут информацию о существовании объекта в среде, где состояние системы во время воздействия на объект является представлением этого объекта. С точки зрения посредника, внутренние состояния несут информацию об окружающей среде, которая используется системой для достижения своих целей. В этом более сложном описании состояния системы несут информацию, которая является посредником между информацией, которую агент получает из окружающей среды, и силой, оказываемой на среду поведением агентов. Применение открытых динамических систем обсуждалось на четырех типах классических примеров воплощенного познания:[17]

  1. Случаи, когда среда и агент должны работать вместе для достижения цели, называются «близостью». Классический пример близости - поведение простых агентов, работающих для достижения цели (например, насекомых, пересекающих окружающую среду). Успешное достижение цели полностью зависит от связи агента с окружающей средой.[18]
  2. Экземпляры, в которых использование внешних артефактов улучшает производительность задач по сравнению с производительностью без этих артефактов. Этот процесс называется «разгрузкой». Классическим примером разгрузки является поведение Скраббл игроки; люди могут создавать больше слов во время игры в Scrabble, если перед ними лежат плитки и им разрешено физически изменять их расположение. В этом примере плитки Scrabble позволяют агенту разгрузить рабочая память требования к самой плитке.[19]
  3. Экземпляры, в которых функционально эквивалентный внешний артефакт заменяет функции, которые обычно выполняются внутренним агентом, что является частным случаем разгрузки. Одним из известных примеров является навигация человека (в частности, агентов Отто и Инги) в сложной среде с помощью артефакта или без него.[20]
  4. Экземпляры, где нет ни одного агента. Отдельный агент является частью более крупной системы, содержащей несколько агентов и множество артефактов. Один известный пример, сформулированный Эд Хатчинс в его книге Познание в дикой природе, это управление военным кораблем.[21]

Интерпретация этих примеров основана на следующих логика: (1) полная система захватывает воплощение; (2) одна или несколько агентских систем фиксируют внутреннюю динамику отдельных агентов; (3) полное поведение агента можно понимать как изменение внутренней динамики агента по отношению к его положению в окружающей среде; и (4) пути открытой динамической системы можно интерпретировать как репрезентативные процессы. Эти воплощенные примеры познания показывают важность изучения возникающей динамики систем агент-среда, а также внутренней динамики агентных систем. Вместо того чтобы противоречить традиционным подходам когнитивной науки, динамические системы являются естественным продолжением этих методов и должны изучаться параллельно, а не на соревнованиях.

Смотрите также

использованная литература

  1. ^ Солнце, Р. (ред.), (2008). Кембриджский справочник по компьютерной психологии. Нью-Йорк: Издательство Кембриджского университета.
  2. ^ ван Гельдер, Т. (1998). Динамическая гипотеза в когнитивной науке В архиве 2018-07-01 в Wayback Machine. Поведенческие науки и науки о мозге, 21, 615-665.
  3. ^ ван Гелдер Т. и Порт Р.Ф. (1995). Пора: обзор динамического подхода к познанию В архиве 2017-11-17 в Wayback Machine. В Р.Ф. Порт и Т. ван Гельдер (ред.), Разум как движение: исследования динамики познания. (стр. 1-43). Кембридж, Массачусетс: MIT Press.
  4. ^ Хопфилд, Дж. Дж. (1982). Нейронные сети и физические системы с новыми коллективными вычислительными возможностями. PNAS, 79, 2554-2558.
  5. ^ Хопфилд, Дж. Дж. (1984). Нейроны с градуированной реакцией обладают коллективными вычислительными свойствами, как у нейронов с двумя состояниями.. PNAS, 81, 3088-3092.
  6. ^ Эльман, Дж. Л. (1995). Язык как динамическая система. В Р.Ф. Порт и Т. ван Гельдер (ред.), Разум как движение: исследования динамики познания. (стр. 195-223). Кембридж, Массачусетс: MIT Press.
  7. ^ Эльман, Дж. Л. (1991). Распределенные представления, простые рекуррентные сети и грамматическая структура. Машинное обучение, 7, 195-225.
  8. ^ Спенсер, Дж. П., Смит, Л. Б., и Телен, Э. (2001). Тесты динамических систем учитывают ошибку A-not-B: влияние предыдущего опыта на способности пространственной памяти двухлетних детей. Развитие ребенка, 72 (5), 1327-1346.
  9. ^ а б Телен Э., Шонер, Г., Шайер, К., Смит, Л. Б. (2001). Динамика воплощения: полевая теория достижения консервантов для младенцев В архиве 2018-07-01 в Wayback Machine. Поведенческие и мозговые науки, 24, 1-86.
  10. ^ Чил, Х. Дж., Бир, Р. Д., и Галлахер, Дж. К. (1999). Эволюция и анализ модельных ЦПГ для ходьбы. Журнал компьютерной нейробиологии, 7, 99-118.
  11. ^ а б Уоррен, У. Х. (2006). Динамика восприятия и действия В архиве 2017-09-18 в Wayback Machine. Психологический обзор, 113 (2), 359-389. DOI: 10.1037 / 0033-295X.113.2.358
  12. ^ Бир, Р. Д. (2000). Динамические подходы к когнитивной науке. Тенденции в когнитивных науках, 4 (3), 91-99.
  13. ^ Бир, Р. Д. (2003). Динамика активного категориального восприятия у развитого модельного агента. Адаптивное поведение, 11 (4), 209-243. DOI: 10.1177 / 1059712303114001
  14. ^ Фажен, Б., Р., и Уоррен, В. Х. (2003). Поведенческая динамика рулевого управления, объезда препятствий и выбора маршрута. Журнал экспериментальной психологии: человеческое восприятие и производительность, 29, 343-362.
  15. ^ Фажен Б. Р., Уоррен В. Х., Темизер С. и Кельблинг Л. П. (2003). Динамическая модель визуально управляемого рулевого управления, обхода препятствий и выбора маршрута. Международный журнал компьютерного зрения, 54, 15-34.
  16. ^ Хоттон, С., и Йошими, Дж. (2010). Динамика воплощенного познания. Международный журнал бифуркации и хаоса, 20 (4), 943-972. Дои:10.1142 / S0218127410026241
  17. ^ Хоттон, С., и Йошими, Дж. (2011). Распространение теории динамических систем на модели воплощенного познания. Когнитивная наука, 35, 444-479. DOI: 10.1111 / j.1551-6709.2010.01151.x
  18. ^ Хогеланд, Дж. (1996). Разум воплощенный и встроенный. В J. Haugeland (Ed.), Размышляя: Очерки метафизики разума (стр. 207-237). Кембридж, Массачусетс: Издательство Гарвардского университета.
  19. ^ Маглио П., Мэтлок Т., Рафаэли Д., Черницким Б. и Кирш Д. (1999). Интерактивный навык в скрэбле. В M. Hahn & S.C. Stoness (Eds.), Proceedings of двадцать первой ежегодной конференции Общества когнитивных наук, (стр. 326–330). Махва, Нью-Джерси: Лоуренс Эрлбаум Ассошиэйтс.
  20. ^ Кларк, А., и Чалмерс, Д. (1998). Расширенный разум. Анализ, 58 (1), 7-19.
  21. ^ Хатчинс, Э., (1995). Познание в дикой природе. Кембридж, Массачусетс: MIT Press.

внешние ссылки