Войти
A когнитивная модель является приближением к когнитивным процессам животных (преимущественно человека) в целях понимания и предсказание. Когнитивные модели могут быть разработаны в рамках или без когнитивной архитектуры, хотя эти две модели не всегда легко различить.
В отличие от когнитивных архитектур, когнитивные модели, как правило, сосредоточены на одном когнитивном явлении или процессе (например, изучение списков), на том, как взаимодействуют два или более процесса (например, при визуальном поиске bsc1780) или на принятии решений о поведении. прогнозы для конкретной задачи или инструмента (например, как внедрение 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 наиболее популярных архитектур для когнитивного моделирования включают ACT-R, Clarion, LIDA и Soar.
Когнитивное моделирование исторически развивалось в рамках когнитивная психология / когнитивная наука (включая человеческий фактор ), а также получил вклад в области машинного обучения и искусственного интеллекта 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).
Для описания процессов, участвующих в восприятии, хранении и воспроизведении 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, таким образом, требуют доли ресурсов внимания, выделенных для речевой задачи. Другие процессы, которые, как считается, происходят в автономном режиме, происходят как часть фоновой мыслительной обработки ребенка, а не во время речевой задачи. В этом смысле онлайн-обработка иногда определяется как происходящая в реальном времени, тогда как автономная обработка называется бессрочной (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 определенной 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 нижеследующим описанием нескольких моделей, характер этой информации и, следовательно, тип (ы) представления, присутствующие в базе знаний ребенка, уже некоторое время привлекают внимание исследователей. (Элиза Бейкер и др. Психолингвистические модели развития речи и их применение в клинической практике. Journal of Speech, Language and Hearing Research. Июнь 2001 г. 44. стр. 685–702.)
A вычислительная модель - это математическая модель в вычислительной науке, которая 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 получены / 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.
. выражается символами, обычно не числовыми, которые требуют перевода перед использованием
субсимволический, если он сделан составляющими объектами, которые, в свою очередь, не являются представлениями, например, пиксели, звуковые образы воспринимаемые ухом образцы сигнала; подсимвольные единицы в нейронных сетях можно рассматривать как частные случаи этой категории
Гибридные компьютеры - это компьютеры, которые обладают функциями аналоговых компьютеров и цифровых компьютеров. Цифровой компонент обычно служит контроллером и обеспечивает логические операции, тогда как аналоговый компонент обычно служит средством решения дифференциальных уравнений. Подробнее см. гибридная интеллектуальная система.
В традиционном вычислительном подходе, представления рассматриваются как статические структуры дискретных символы. Познание происходит путем преобразования структур статических символов в дискретные, последовательные шаги. Сенсорная информация преобразуется в символьные входы, которые производят символические выходы, которые преобразуются в выходы мотор. 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. Разделение процессов на дискретные временные шаги может не полностью уловить 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 общего состояния, и (3) набором состояний или состоянием . пространство, представляющее совокупность общих состояний, в которых может находиться система. Система отличается тем, что изменение любого аспекта состояния системы зависит от других аспектов того же или других состояний системы.
Типичная динамическая модель формализована несколькими дифференциальными уравнениями, которые описывают, как состояние системы изменяется во времени. Таким образом, форма пространства возможных траекторий и внутренние и внешние силы, которые формируют конкретную траекторию, которая разворачивается во времени, вместо физической природы лежащих в основе механизмов, 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 работы по применению динамических систем к познанию можно найти в модели сетей Хопфилда. Эти сети были предложены в качестве модели для ассоциативной памяти. Они представляют нейронный уровень памяти, моделируя системы примерно из 30 нейронов, которые могут находиться как во включенном, так и в выключенном состоянии. Если позволить сети учиться самостоятельно, естественно возникают структура и вычислительные свойства. 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, представляя 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.
С учетом эволюционного развития человеческой нервной системы и сходства мозга другим органам Эльман предложил, чтобы язык и познание рассматривались как динамическая система, а не как процессор цифровых символов. Реализованные нейронные сети типа Эльмана стали известны как сети Эльмана. Вместо того, чтобы рассматривать язык как набор статических лексических элементов и грамматических правил, 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 аттракторов и репеллеров, которые ограничивают движение в пространстве состояний. Это означает, что репрезентации чувствительны к контексту, а ментальные репрезентации рассматриваются как траектории в ментальном пространстве, а не как объекты, которые конструируются и остаются статичными. Сети Элмана были обучены с помощью простых предложений представлять грамматику как динамическую систему. Как только базовая грамматика была изучена, сети могли затем анализировать сложные предложения, предсказывая, какие слова появятся следующими в соответствии с динамической моделью.
Классическая ошибка развития была исследована в контекст динамических систем: ошибка A-not-B предлагается не как явная ошибка, возникающая в определенном возрасте (от 8 до 10 месяцев), а как особенность процесса динамического 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. Когда они искали игрушку, они искали в местах, которые были смещены в сторону местоположения A. 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.
Один из предложенных механизмов динамической системы основан на анализе непрерывных рекуррентных нейронных сетей (CTRNN). Сосредоточившись на выходе нейронных сетей, а не на их состояниях, и изучив полностью взаимосвязанные сети, трехнейронный центральный генератор (CPG) можно использовать для представления таких систем, как движения ног во время ходьбы. Этот CPG содержит три мотонейрона для управления эффекторами стопы, махом назад и махом вперед ноги. Выходные данные сети показывают, находится ли стопа вверх или вниз, и какая сила прилагается для создания крутящего момента в суставе ноги. Одна из особенностей этого шаблона состоит в том, что выходы нейронов большую часть времени либо выключены, либо включены. Другая особенность состоит в том, что состояния являются квазистабильными, что означает, что они со временем 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 формализации динамических систем, применяемые для изучения познания, различаются. Одна такая формализация, называемая «поведенческой динамикой», рассматривает агента и окружающую среду как пару связанных динамических систем на основе классической теории динамических систем. В этой формализации информация из среды информирует о поведении агента, а действия агента изменяют среду. В частном случае циклов восприятия-действия связь среды и агента формализуется двумя функциями. 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 среды) в представление, которое полезно для управления действиями агентов. Были предложены другие подобные динамические системы (хотя и не были развиты в формальную основу), в которых нервная система агента, тело агента и окружающая среда связаны вместе
Поведенческая динамика был применен к поведению локомотива. 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.
В расширении классической теории динамических систем, вместо того, чтобы связывать динамические системы среды и агента друг с другом, «открытая динамическая система» определяет «общую систему», «агентскую систему» и механизм для связи этих двух систем. 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. Проводя различие между общей и агентной системами, 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.
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 представлении 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 для четырех типов классических примеров воплощенного познания:
Интерпретации этих примеров основаны на следующей логике : (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.
 | Викискладе есть медиафайлы, связанные с когнитивной моделью. |
| Викискладе есть медиафайлы, относящиеся к когнитивным моделям. |
