Poznanie obliczeniowe

Poznanie obliczeniowe (czasami określane jako obliczeniowa kognitywistyka lub psychologia obliczeniowa ) to badanie obliczeniowych podstaw uczenia się i wnioskowania za pomocą modelowania matematycznego , symulacji komputerowej i eksperymentów behawioralnych . W psychologii jest to podejście, które rozwija modele obliczeniowe na podstawie wyników eksperymentów. Ma na celu zrozumienie podstaw ludzkiego sposobu przetwarzania informacji . Na początku kognitywiści obliczeniowi starali się przywrócić i stworzyć naukową formę Brentano .

Sztuczna inteligencja

Istnieją dwa główne cele produkcji sztucznej inteligencji: wytwarzanie inteligentnych zachowań niezależnie od jakości wyników oraz modelowanie inteligentnych zachowań występujących w przyrodzie. Na początku swojego istnienia nie było potrzeby, aby sztuczna inteligencja naśladowała to samo zachowanie, co poznanie człowieka. Do lat sześćdziesiątych XX wieku ekonomiści Herbert Simon i Allen Newell próbowali sformalizować ludzkie umiejętności rozwiązywania problemów, wykorzystując wyniki badań psychologicznych do opracowywania programów, które wdrażają te same techniki rozwiązywania problemów, co ludzie. Ich prace położyły podwaliny pod symboliczną sztuczną inteligencję i poznanie obliczeniowe, a nawet pewne postępy w kognitywistyce i psychologii poznawczej .

Dziedzina symbolicznej sztucznej inteligencji opiera się na hipotezie fizycznych systemów symboli Simona i Newella, która głosi, że wyrażanie aspektów inteligencji poznawczej można osiągnąć poprzez manipulację symbolami . Jednak John McCarthy skupił się bardziej na pierwotnym celu sztucznej inteligencji, jakim jest rozbicie istoty logicznego i abstrakcyjnego rozumowania niezależnie od tego, czy człowiek stosuje ten sam mechanizm, czy nie.

W ciągu następnych dziesięcioleci postęp w sztucznej inteligencji zaczął koncentrować się bardziej na opracowywaniu programów opartych na logice i wiedzy, odchodząc od pierwotnego celu symbolicznej sztucznej inteligencji. Naukowcy zaczęli wierzyć, że symboliczna sztuczna inteligencja może nigdy nie być w stanie naśladować niektórych skomplikowanych procesów ludzkiego poznania, takich jak percepcja czy uczenie się . Postrzegana wówczas niemożność (od czasu obalenia) zaimplementowania emocji w sztucznej inteligencji była postrzegana jako przeszkoda na drodze do osiągnięcia ludzkiego poznania za pomocą komputerów. Badacze zaczęli przyjmować „podsymboliczne” podejście do tworzenia inteligencji bez konkretnego przedstawiania tej wiedzy. Ruch ten doprowadził do powstania dyscypliny modelowania komputerowego , koneksjonizmu i inteligencji obliczeniowej .

Modelowanie komputerowe

Ponieważ bardziej przyczynia się do zrozumienia ludzkiego poznania niż sztuczna inteligencja, obliczeniowe modelowanie poznawcze powstało z potrzeby zdefiniowania różnych funkcji poznawczych (takich jak motywacja, emocje czy percepcja) poprzez przedstawienie ich w obliczeniowych modelach mechanizmów i procesów. Modele obliczeniowe badają złożone systemy przy użyciu algorytmów wielu zmiennych i obszernych zasobów obliczeniowych do tworzenia symulacji komputerowych . Symulację uzyskuje się poprzez dostosowanie zmiennych, zmianę jednej z nich lub nawet połączenie ich razem, aby zaobserwować wpływ na wyniki. Wyniki pomagają eksperymentatorom przewidywać, co stałoby się w rzeczywistym systemie, gdyby zaszły podobne zmiany.

Kiedy modele obliczeniowe próbują naśladować funkcje poznawcze człowieka, wszystkie szczegóły funkcji muszą być znane, aby mogły zostać prawidłowo przeniesione i wyświetlone w modelach, umożliwiając naukowcom dogłębne zrozumienie i przetestowanie istniejącej teorii, ponieważ żadne zmienne nie są niejasne, a wszystkie zmienne można modyfikować . Rozważmy model pamięci zbudowany przez Atkinsona i Shiffrina w 1968 roku , który pokazał, w jaki sposób próba prowadzi do pamięci długotrwałej , w której przechowywane są przećwiczone informacje. Pomimo postępu, jaki dokonał się w ujawnianiu funkcji pamięci, model ten nie daje odpowiedzi na kluczowe pytania, takie jak: ile informacji można przećwiczyć na raz? Ile czasu zajmuje przeniesienie informacji z próby do pamięci długotrwałej? Podobnie inne modele obliczeniowe stawiają więcej pytań dotyczących poznania niż udzielają odpowiedzi, przez co ich wkład w zrozumienie ludzkiego poznania jest znacznie mniej znaczący niż w przypadku innych podejść poznawczych. Dodatkową wadą modelowania komputerowego jest zgłaszany brak obiektywizmu.

John Anderson w swoim modelu Adaptive Control of Thought-Rational (ACT-R) wykorzystuje funkcje modeli obliczeniowych i odkrycia kognitywistyki. Model ACT-R opiera się na teorii, że mózg składa się z kilku modułów, które niezależnie od siebie wykonują wyspecjalizowane funkcje. Model ACT-R jest klasyfikowany jako symboliczne podejście do kognitywistyki.

Sieci koneksjonistyczne

Innym podejściem, które bardziej zajmuje się semantyczną treścią kognitywistyki, jest koneksjonizm lub modelowanie sieci neuronowych. Koneksjonizm opiera się na idei, że mózg składa się z prostych jednostek lub węzłów, a reakcja behawioralna pochodzi głównie z warstw połączeń między węzłami, a nie z samego bodźca środowiskowego.

Sieć koneksjonistyczna różni się od modelowania komputerowego szczególnie dwiema funkcjami: neuronową propagacją wsteczną i przetwarzaniem równoległym . Neuronowa propagacja wsteczna to metoda wykorzystywana przez sieci koneksjonistyczne do wykazywania dowodów uczenia się. Po tym, jak sieć koneksjonistyczna wygeneruje odpowiedź, symulowane wyniki są porównywane z rzeczywistymi wynikami sytuacyjnymi. Informacje zwrotne dostarczane przez wsteczną propagację błędów byłyby wykorzystywane do poprawy dokładności kolejnych odpowiedzi sieci. Druga funkcja, przetwarzanie równoległe, wynikała z przekonania, że wiedza i percepcja nie ograniczają się do określonych modułów, ale raczej są rozproszone w sieciach kognitywnych. Teraźniejszość równoległego przetwarzania rozproszonego została pokazana w demonstracjach psychologicznych, takich jak efekt Stroopa , gdzie mózg wydaje się analizować postrzeganie koloru i znaczenia języka w tym samym czasie. Jednak to teoretyczne podejście było nieustannie odrzucane, ponieważ dwie funkcje poznawcze dotyczące postrzegania kolorów i tworzenia słów działają oddzielnie i jednocześnie, a nie równolegle.

Dziedzina poznania mogła skorzystać na wykorzystaniu sieci koneksjonistycznych, ale konfigurowanie modeli sieci neuronowych może być dość żmudnym zadaniem, a wyniki mogą być mniej czytelne niż system, który próbują modelować. Dlatego wyniki mogą służyć jako dowód na rzecz szerokiej teorii poznania bez wyjaśniania konkretnego procesu zachodzącego w obrębie funkcji poznawczej. Inne wady koneksjonizmu leżą w metodach badawczych, które stosuje lub hipotezach, które testuje, ponieważ często okazywały się one niedokładne lub nieskuteczne, odbierając modele koneksjonistyczne od dokładnego przedstawienia funkcjonowania mózgu. Te problemy powodują, że modele sieci neuronowych są nieskuteczne w badaniu wyższych form przetwarzania informacji i utrudniają koneksjonizmowi postęp w ogólnym zrozumieniu ludzkiego poznania.

Zobacz też

Dalsza lektura

Busemeyer, Jerome R .; Wang, Zheng; Townsend, James T .; Eidels, Ami, wyd. (2015). Oksfordzki podręcznik psychologii obliczeniowej i matematycznej . Biblioteka Psychologii Oksfordzkiej. Tom. 1. Oksford; Nowy Jork: Oxford University Press . doi : 10.1093/oxfordhb/9780199957996.001.0001 . ISBN 9780199957996 . OCLC 894139948 .
Chipman, Susan F., wyd. (2017). „Część I. Nowa psychologia obliczeniowa: architektury poznawcze i komputerowe modelowanie poznania”. Oksfordzki podręcznik kognitywistyki . Biblioteka Psychologii Oksfordzkiej. Tom. 1. Oksford; Nowy Jork: Oxford University Press . doi : 10.1093/oxfordhb/9780199842193.001.0001 . ISBN 9780199842193 . OCLC 953823360 .
Słońce, Ron , wyd. (2008). Podręcznik psychologii obliczeniowej Cambridge . Cambridge, Wielka Brytania; Nowy Jork: Cambridge University Press . doi : 10.1017/CBO9780511816772 . ISBN 9780521857413 . OCLC 153772906 .

Linki zewnętrzne i bibliografia