ACT-R

ACT-R
Oryginalni autorzy Johna Roberta Andersona
Wersja stabilna
7.21.6-<3099:2020-12-21> / 21 grudnia 2020 r . ; 2 lata temu ( 2020-12-21 )
Napisane w pospolity LISP
Typ Architektura kognitywna
Licencja GNU LGPL v2.1
Strona internetowa akt-r .psy .cmu .edu

ACT-R (wymawiane /ˌækt ˈɑr/; skrót od „ Adaptive Control of Thought — Rational ”) to architektura kognitywna opracowana głównie przez Johna Roberta Andersona i Christiana Lebiere z Carnegie Mellon University . Jak każda architektura kognitywna, ACT-R ma na celu zdefiniowanie podstawowych i nieredukowalnych operacji poznawczych i percepcyjnych, które umożliwiają ludzki umysł. Teoretycznie każde zadanie, które człowiek może wykonać, powinno składać się z serii tych odrębnych operacji.

Większość podstawowych założeń ACT-R jest również inspirowana postępem neuronauki kognitywnej , a ACT-R można postrzegać i opisywać jako sposób na określenie, w jaki sposób sam mózg jest zorganizowany w sposób umożliwiający poszczególnym modułom przetwarzania wytwarzanie funkcji poznawczych.

Inspiracja

ACT-R został zainspirowany pracami Allena Newella , a zwłaszcza jego wieloletnim orędownikiem idei ujednoliconych teorii jako jedynego sposobu na prawdziwe odkrycie podstaw poznania. W rzeczywistości Anderson zwykle uważa Newella za główne źródło wpływu na jego własną teorię.

Jak wygląda ACT-R

Podobnie jak inne wpływowe architektury kognitywne (w tym Soar , CLARION i EPIC), teoria ACT-R ma implementację obliczeniową jako interpreter specjalnego języka kodowania. Sam interpreter jest napisany w języku Common Lisp i może zostać załadowany do dowolnej dystrybucji języka Common Lisp.

Oznacza to, że każdy badacz może pobrać kod ACT-R ze strony internetowej ACT-R, załadować go do dystrybucji Common Lisp i uzyskać pełny dostęp do teorii w postaci interpretera ACT-R.

Umożliwia to również badaczom określenie modeli ludzkiego poznania w formie skryptu w języku ACT-R. Prymitywy językowe i typy danych mają odzwierciedlać teoretyczne założenia dotyczące ludzkiego poznania. Założenia te opierają się na wielu faktach pochodzących z eksperymentów z zakresu psychologii poznawczej i obrazowania mózgu .

Podobnie jak język programowania , ACT-R jest ramą: dla różnych zadań (np. Wieża Hanoi, pamięć tekstu lub listy słów, rozumienie języka, komunikacja, sterowanie samolotem) badacze tworzą „modele” (tj. programy) w ACT-R. Modele te odzwierciedlają założenia modelarzy dotyczące zadania w ramach poglądu ACT-R na poznanie. Następnie można uruchomić model.

Uruchomienie modelu automatycznie tworzy krok po kroku symulację ludzkiego zachowania, która określa każdą indywidualną operację poznawczą (tj. kodowanie i odzyskiwanie pamięci, kodowanie wizualne i słuchowe, programowanie i wykonywanie motoryczne, manipulowanie obrazami mentalnymi). Każdy krok jest powiązany z ilościowymi przewidywaniami opóźnień i dokładności. Model można przetestować, porównując jego wyniki z danymi zebranymi w eksperymentach behawioralnych.

W ostatnich latach ACT-R został również rozszerzony w celu ilościowego przewidywania wzorców aktywacji w mózgu, co wykryto w eksperymentach z fMRI . W szczególności ACT-R został rozszerzony, aby przewidywać kształt i przebieg w czasie odpowiedzi BOLD kilku obszarów mózgu, w tym obszarów dłoni i ust w korze ruchowej , lewej korze przedczołowej , przedniej części kory zakrętu obręczy i podstawnej zwoje .

Krótki zarys

Najważniejszym założeniem ACT-R jest to, że ludzką wiedzę można podzielić na dwa nieredukowalne rodzaje reprezentacji: deklaratywną i proceduralną .

W kodzie ACT-R wiedza deklaratywna jest reprezentowana w postaci chunków , czyli wektorowych reprezentacji poszczególnych właściwości, z których każda jest dostępna z oznaczonego slotu.

Kawałki są przechowywane i udostępniane przez bufory , które są frontem tego, co jest modułami , tj. wyspecjalizowanymi iw dużej mierze niezależnymi strukturami mózgu.

Istnieją dwa rodzaje modułów:

  • Moduły percepcyjno-motoryczne , które dbają o interfejs ze światem rzeczywistym (czyli z symulacją świata rzeczywistego). Najlepiej rozwiniętymi modułami percepcyjno-motorycznymi w ACT-R są moduły wizualne i manualne.
  • Moduły pamięci . W ACT-R występują dwa rodzaje modułów pamięci:
    • Pamięć deklaratywna , składająca się z faktów takich jak Waszyngton jest stolicą Stanów Zjednoczonych , Francja jest krajem w Europie lub 2+3=5
    • Pamięć proceduralna , zbudowana z produkcji. Produkcje reprezentują wiedzę o tym, jak coś robimy: na przykład wiedzę o tym, jak wpisać literę „Q” na klawiaturze, jak prowadzić samochód lub jak wykonać dodawanie.

Dostęp do wszystkich modułów można uzyskać tylko za pośrednictwem ich buforów. Zawartość buforów w danym momencie reprezentuje stan ACT-R w tym momencie. Jedynym wyjątkiem od tej reguły jest moduł proceduralny, który przechowuje i stosuje wiedzę proceduralną. Nie ma dostępnego bufora i jest faktycznie używany do uzyskiwania dostępu do zawartości innych modułów.

Wiedza proceduralna jest reprezentowana w formie produkcji . Termin „produkcja” odzwierciedla faktyczną implementację ACT-R jako systemu produkcyjnego , ale w rzeczywistości produkcja jest głównie formalną notacją określającą przepływ informacji z obszarów korowych (tj. buforów) do jąder podstawy i z powrotem do kory.

W każdym momencie wewnętrzny moduł dopasowujący wzorce wyszukuje produkcję pasującą do bieżącego stanu buforów. W danym momencie może być realizowana tylko jedna taka produkcja. Ta produkcja po uruchomieniu może modyfikować bufory, a tym samym zmieniać stan systemu. Tak więc, w ACT-R, poznanie rozwija się jako następstwo zwolnień produkcyjnych.

Debata symboliczna kontra koneksjonistyczna

W kognitywistyce różne teorie są zwykle przypisywane „ symbolicznemu ” lub „ koneksjonistycznemu ” podejściu do poznania. ACT-R wyraźnie należy do dziedziny „symbolicznej” i jako taka jest klasyfikowana w standardowych podręcznikach i zbiorach. Jego byty (fragmenty i produkcje) są dyskretne, a operacje są syntaktyczne, to znaczy nie odnoszą się do semantycznej treści reprezentacji, ale tylko do ich właściwości, które uznają je za odpowiednie do udziału w obliczeniach. Widać to wyraźnie w szczelinach porcji i właściwościach dopasowywania buforów w produkcjach, z których oba działają jako standardowe zmienne symboliczne.

Członkowie społeczności ACT-R, w tym jej twórcy, wolą myśleć o ACT-R jako o ogólnych ramach, które określają, w jaki sposób mózg jest zorganizowany i jak jego organizacja rodzi to, co jest postrzegane (i badane w psychologii poznawczej) jako umysł, wychodząc poza tradycyjną symboliczną/koneksjonistyczną debatę. Nic z tego oczywiście nie przemawia przeciwko klasyfikacji ACT-R jako systemu symbolicznego, ponieważ wszystkie symboliczne podejścia do poznania mają na celu opisanie umysłu jako produktu funkcji mózgu, wykorzystującego pewną klasę bytów i systemów do osiągnięcia tego celu.

Powszechne nieporozumienie sugeruje, że ACT-R może nie być systemem symbolicznym, ponieważ próbuje scharakteryzować funkcjonowanie mózgu. Jest to błędne z dwóch powodów: po pierwsze, wszystkie podejścia do komputerowego modelowania poznania, symbolicznego lub innego, muszą pod pewnym względem charakteryzować funkcję mózgu, ponieważ umysł jest funkcją mózgu. Po drugie, wszystkie takie podejścia, w tym podejścia koneksjonistyczne, próbują scharakteryzować umysł na kognitywnym poziomie opisu, a nie na poziomie neuronalnym, ponieważ tylko na poziomie poznawczym można zachować ważne uogólnienia.

Dalsze nieporozumienia wynikają z asocjacyjnego charakteru pewnych właściwości ACT-R, takich jak chunki przekazujące sobie nawzajem aktywację lub chunki i produkcje niosące właściwości ilościowe istotne dla ich wyboru. Żadna z tych właściwości nie jest sprzeczna z fundamentalną naturą tych bytów jako symbolicznych, niezależnie od ich roli w wyborze jednostek i ostatecznie w obliczeniach.

Teoria kontra implementacja i Vanilla ACT-R

Twórcy ACT-R zwykle podkreślają znaczenie rozróżnienia samej teorii od jej implementacji.

W rzeczywistości większość implementacji nie odzwierciedla teorii. Na przykład rzeczywista implementacja wykorzystuje dodatkowe „moduły”, które istnieją wyłącznie z powodów czysto obliczeniowych i nie mają odzwierciedlać niczego w mózgu (np. jeden moduł obliczeniowy zawiera generator liczb pseudolosowych używany do generowania zaszumionych parametrów, podczas gdy inny zawiera procedury nazewnictwa do generowania struktur danych dostępnych za pośrednictwem nazw zmiennych).

Ponadto sama implementacja ma na celu umożliwienie naukowcom modyfikowania teorii, np. poprzez zmianę standardowych parametrów, tworzenie nowych modułów lub częściową modyfikację zachowania istniejących.

Wreszcie, podczas gdy laboratorium Andersona w CMU utrzymuje i publikuje oficjalny kod ACT-R, udostępniono inne alternatywne implementacje tej teorii. Te alternatywne implementacje obejmują jACT-R (napisany w Javie przez Anthony'ego M. Harrisona z Naval Research Laboratory ) i Python ACT-R (napisany w Pythonie przez Terrence'a C. Stewarta i Roberta L. Westa z Carleton University w Kanadzie).

Podobnie ACT-RN (obecnie wycofany) był pełnoprawną neuronową implementacją wersji teorii z 1993 roku. Wszystkie te wersje były w pełni funkcjonalne, a modele zostały napisane i uruchomione we wszystkich z nich.

Ze względu na te implementacyjne stopnie swobody, społeczność ACT-R zwykle odnosi się do „oficjalnej”, opartej na Lispie wersji teorii, przyjętej w jej oryginalnej formie i pozostawionej niezmodyfikowanej, jako „Vanilla ACT-R”.

Aplikacje

Przez lata modele ACT-R były wykorzystywane w ponad 700 różnych publikacjach naukowych i były cytowane w wielu innych.

Pamięć, uwaga i kontrola wykonawcza

System pamięci deklaratywnej ACT-R był używany do modelowania ludzkiej pamięci od samego początku. Na przestrzeni lat przyjęto ją z powodzeniem do modelowania dużej liczby znanych efektów. Obejmują one efekt wachlarza interferencji dla powiązanych informacji, pierwszeństwa i aktualności dla pamięci listy oraz przywoływanie szeregowe.

ACT-R został wykorzystany do modelowania procesów uważności i kontroli w wielu paradygmatach poznawczych. Należą do nich zadanie Stroopa , przełączanie zadań , okres refrakcji psychologicznej i wielozadaniowość.

język naturalny

Wielu badaczy używało ACT-R do modelowania kilku aspektów rozumienia i tworzenia języka naturalnego. Obejmują one modele analizy składniowej, rozumienia języka, akwizycji języka i rozumienia metafor.

Złożone zadania

ACT-R został użyty do uchwycenia, w jaki sposób ludzie rozwiązują złożone problemy, takie jak Wieża Hanoi, lub jak ludzie rozwiązują równania algebraiczne. Został również wykorzystany do modelowania ludzkich zachowań podczas jazdy i latania.

Dzięki integracji zdolności percepcyjno-motorycznych ACT-R staje się coraz bardziej popularny jako narzędzie do modelowania czynników ludzkich i interakcji człowiek-komputer. W tej dziedzinie przyjęto modelowanie zachowania kierowcy w różnych warunkach, wybór menu i wyszukiwanie wizualne w aplikacji komputerowej oraz nawigację w sieci.

Neurobiologia poznawcza

Niedawno ACT-R został użyty do przewidywania wzorców aktywacji mózgu podczas eksperymentów obrazowania. W tej dziedzinie modele ACT-R zostały z powodzeniem wykorzystane do przewidywania aktywności przedczołowej i ciemieniowej w odzyskiwaniu pamięci, aktywności przedniego zakrętu obręczy w operacjach kontrolnych oraz związanych z praktyką zmian w aktywności mózgu.

Edukacja

ACT-R był często przyjmowany jako podstawa dla korepetytorów kognitywnych . Systemy te wykorzystują wewnętrzny model ACT-R do naśladowania zachowania ucznia i personalizowania jego instrukcji i programu nauczania, próbując „odgadnąć” trudności, jakie mogą mieć uczniowie, i zapewnić ukierunkowaną pomoc.

Tacy „Cognitive Tutors” są wykorzystywani jako platforma do badań nad uczeniem się i modelowaniem poznawczym w ramach Pittsburgh Science of Learning Center. Niektóre z najbardziej udanych aplikacji, takie jak Cognitive Tutor for Mathematics, są używane w tysiącach szkół w całych Stanach Zjednoczonych.

Krótka historia

Wczesne lata: 1973–1990

ACT-R jest ostatecznym następcą serii coraz bardziej precyzyjnych modeli ludzkiego poznania opracowanych przez Johna R. Andersona .

Jego korzenie sięgają oryginalnego modelu pamięci HAM (Human Associative Memory), opisanego przez Johna R. Andersona i Gordona Bowera w 1973 roku. Model HAM został później rozszerzony do pierwszej wersji teorii ACT. To był pierwszy raz, kiedy pamięć proceduralna została dodana do oryginalnego systemu pamięci deklaratywnej, wprowadzając dychotomię obliczeniową, która, jak później udowodniono, utrzymuje się w ludzkim mózgu. Teoria została następnie rozszerzona na model ludzkiego poznania ACT*.

Integracja z racjonalną analizą: 1990–1998

Pod koniec lat osiemdziesiątych Anderson poświęcił się badaniu i nakreśleniu matematycznego podejścia do poznania, które nazwał analizą racjonalną . Podstawowym założeniem Rational Analysis jest to, że poznanie jest optymalnie adaptacyjne, a precyzyjne oszacowania funkcji poznawczych odzwierciedlają statystyczne właściwości środowiska. Później wrócił do rozwoju teorii ACT, używając analizy racjonalnej jako jednolitej ramy dla podstawowych obliczeń. Aby podkreślić znaczenie nowego podejścia w kształtowaniu architektury, zmieniono jego nazwę na ACT-R, gdzie „R” oznacza „Rational”

W 1993 roku Anderson spotkał się z Christianem Lebiere, badaczem modeli koneksjonistycznych , znanym głównie z opracowania wraz ze Scottem Fahlmanem algorytmu uczenia Cascade Correlation. Ich wspólna praca zakończyła się wydaniem ACT-R 4.0. Dzięki Mike'owi Byrne'owi (obecnie na Uniwersytecie Rice'a ) wersja 4.0 zawierała również opcjonalne funkcje percepcyjne i motoryczne, w większości inspirowane architekturą EPIC, co znacznie rozszerzyło możliwe zastosowania teorii.

Obrazowanie mózgu i struktura modułowa: 1998–2015

Po wydaniu ACT-R 4.0 John Anderson coraz bardziej interesował się neuronalną wiarygodnością leżącą u podstaw jego teorii życia i zaczął wykorzystywać techniki obrazowania mózgu, dążąc do własnego celu, jakim jest zrozumienie obliczeniowych podstaw ludzkiego umysłu.

Konieczność uwzględnienia lokalizacji mózgu zmusiła do gruntownej rewizji teorii. ACT-R 5.0 wprowadził koncepcję modułów, wyspecjalizowanych zestawów reprezentacji proceduralnych i deklaratywnych, które można było odwzorować na znane systemy mózgowe. Ponadto w interakcji między wiedzą proceduralną i deklaratywną pośredniczyły nowo wprowadzone bufory, wyspecjalizowane struktury do przechowywania tymczasowo aktywnych informacji (patrz sekcja powyżej). Uważano, że bufory odzwierciedlają aktywność korową, a późniejsza seria badań potwierdziła, że ​​aktywacje w obszarach korowych można z powodzeniem powiązać z operacjami obliczeniowymi na buforach.

Nowa wersja kodu, całkowicie przepisana, została zaprezentowana w 2005 roku jako ACT-R 6.0. Zawierał również znaczące ulepszenia w języku kodowania ACT-R. Obejmowało to nowy mechanizm w specyfikacji produkcyjnej ACT-R, zwany dynamicznym dopasowywaniem wzorców. W przeciwieństwie do poprzednich wersji, które wymagały, aby wzorzec dopasowywany przez produkcję zawierał określone gniazda na informacje w buforach, dynamiczne dopasowywanie wzorców umożliwia również określenie pasujących gniazd na podstawie zawartości bufora. Opis i uzasadnienie dla ACT-R 6.0 podano w Anderson (2007).

ACT-R 7.0: 2015-obecnie

Na warsztatach w 2015 r. Argumentowano, że zmiany w oprogramowaniu wymagają zwiększenia numeracji modeli do ACT-R 7.0. Główną zmianą w oprogramowaniu było usunięcie wymogu określania porcji na podstawie predefiniowanych typów porcji. Mechanizm typu chunk nie został usunięty, ale zmieniony z wymaganej konstrukcji architektury na opcjonalny mechanizm składniowy w oprogramowaniu. Pozwoliło to na większą elastyczność reprezentacji wiedzy w zadaniach modelowania, które wymagają uczenia się nowych informacji, oraz rozszerzyło funkcjonalność zapewnianą przez dynamiczne dopasowywanie wzorców, umożliwiając teraz modelom tworzenie nowych „typów” porcji. Prowadzi to również do uproszczenia składni wymaganej do określenia działań w produkcji, ponieważ wszystkie działania mają teraz tę samą formę składniową. Oprogramowanie ACT-R zostało również zaktualizowane w celu uwzględnienia zdalnego interfejsu opartego na JSON RPC 1.0. Ten interfejs został dodany, aby ułatwić budowanie zadań dla modeli i pracę z ACT-R z języków innych niż Lisp, a samouczek dołączony do oprogramowania został zaktualizowany, aby zapewnić implementacje Pythona dla wszystkich przykładowych zadań wykonywanych przez modele samouczków .

Warsztaty i szkoła letnia

W 1995 roku Carnegie Mellon University zaczął organizować doroczne warsztaty ACT-R i szkołę letnią. Ich warsztaty ACT-R są obecnie organizowane na dorocznej konferencji MathPsych/ICCM, a ich szkoła letnia jest prowadzona na terenie kampusu z opcją wirtualnego uczestnictwa na Uniwersytecie Carnegie Mellon .

Spin-offy

Długi rozwój teorii ACT-R zaowocował pewną liczbą równoległych i powiązanych ze sobą projektów.

Najważniejsze z nich to system produkcji PUPS, wstępna realizacja teorii Andersona, później porzucona; oraz ACT-RN, implementacja sieci neuronowej teorii opracowanej przez Christiana Lebiere'a.

Lynne M. Reder, również z Carnegie Mellon University , opracowała SAC na początku lat 90. XX wieku, model pojęciowych i percepcyjnych aspektów pamięci, który ma wiele cech wspólnych z podstawowym deklaratywnym systemem ACT-R, chociaż różni się niektórymi założeniami.

W swojej pracy doktorskiej na Carnegie Mellon University Christopher L. Dancy opracował i skutecznie obronił w 2014 r. ACT-R/Phi, implementację ACT-R z dodanymi modułami fizjologicznymi, które umożliwiają ACT-R interakcję z ludzkimi procesami fizjologicznymi.

Notatki

  •   Anderson, JR (2007). Jak ludzki umysł może pojawić się w fizycznym wszechświecie? Nowy Jork, NY: Oxford University Press. ISBN 0-19-532425-0 .
  • Anderson, JR, Bothell, D., Byrne, MD, Douglass, S., Lebiere, C. i Qin, Y. (2004). Zintegrowana teoria umysłu. Przegląd psychologiczny , 1036–1060.

Linki zewnętrzne

Pobrano z „ https://en.wikipedia.org/w/index.php?title=ACT-R&oldid=1133481455 ”