Введение

Модель работы познания
Модели работы познания
Когнитивная модель – это приближение одного или нескольких когнитивных процессов у людей или других животных с целью понимания и предсказания. Существует множество типов когнитивных моделей, которые могут варьироваться от блок-схем до набора уравнений и программ, взаимодействующих с теми же инструментами, что и люди при выполнении задач (например, компьютерная мышь и клавиатура). С точки зрения обработки информации, когнитивное моделирование – это моделирование человеческого восприятия, мышления, памяти и действий.

Связь с когнитивными архитектурами

Когнитивные модели могут быть разработаны с использованием или без использования когнитивной архитектуры, хотя эти два подхода не всегда легко различить. В отличие от когнитивных архитектур, когнитивные модели обычно фокусируются на едином когнитивном явлении или процессе (например, запоминание списков), на взаимодействии двух или более процессов (например, визуальный поиск и принятие решений bsc1780), или на прогнозировании поведения при выполнении конкретной задачи или использовании инструмента (например, как внедрение нового программного обеспечения повлияет на производительность). Когнитивные архитектуры, как правило, ориентированы на структурные свойства моделируемой системы и помогают ограничить разработку когнитивных моделей в рамках данной архитектуры. В свою очередь, разработка моделей помогает выявить ограничения и недостатки архитектуры. К наиболее популярным архитектурам для когнитивного моделирования относятся ACT-R, Clarion, LIDA и Soar.

История

Когнитивное моделирование исторически развивалось в рамках когнитивной психологии и когнитивной науки (включая эргономику), а также получило существенный вклад из областей машинного обучения и искусственного интеллекта, в частности.

Модели из коробки и стрелы

Для описания процессов восприятия, хранения и порождения речи используется ряд ключевых терминов. Обычно их применяют логопеды при работе с ребенком. Входной сигнал – это речевой сигнал, воспринимаемый ребенком, обычно исходящий от взрослого говорящего. Выходной сигнал – это высказывание, произнесенное ребенком. Ненаблюдаемые психологические процессы, происходящие между получением входного сигнала и порождением речи, являются предметом изучения психолингвистических моделей. Процессы, обрабатывающие входной сигнал, называются процессами ввода, а процессы, обрабатывающие порождение речи, – процессами вывода. Считается, что некоторые аспекты обработки речи происходят в режиме реального времени – то есть, они возникают непосредственно во время восприятия или порождения речи и, следовательно, требуют части внимания, направленного на речевую задачу. Другие процессы, предположительно происходящие вне режима реального времени, протекают как часть фоновой умственной деятельности ребенка, а не в течение времени, отведенного на речевую задачу. В этом смысле обработка в режиме реального времени иногда определяется как происходящая одновременно с событием, а обработка вне режима реального времени – как не зависящая от времени (Hewlett, 1990). В психолингвистических моделях, представленных в виде «блоков и стрелок», каждый предполагаемый уровень репрезентации или обработки изображается на диаграмме «блоком», а связи между ними – «стрелками», отсюда и название. Иногда (как в моделях Смита, 1973, и Менна, 1978, описанных далее в статье) стрелки обозначают процессы, дополнительные к тем, что представлены в блоках. Такие модели явно демонстрируют предполагаемую деятельность по обработке информации, осуществляемую в определенной когнитивной функции (например, языке), аналогично компьютерным блок-схемам, отображающим процессы и решения, выполняемые компьютерной программой. Модели «блок и стрелка» значительно различаются по количеству описываемых ненаблюдаемых психологических процессов и, следовательно, по количеству блоков, которые они содержат. Некоторые содержат только один или два блока между входным и выходным сигналами (например, Menn, 1978; Smith, 1973), в то время как другие содержат несколько блоков, представляющих сложные взаимосвязи между различными событиями обработки информации (например, Hewlett, 1990; Hewlett, Gibbon, & Cohen McKenzie, 1998; Stackhouse & Wells, 1997). Однако наиболее важный блок, и источник многих продолжающихся дискуссий, – это блок, представляющий базовую репрезентацию (или БР). По сути, базовая репрезентация отражает информацию, хранящуюся в сознании ребенка о слове, которое он знает и использует. Как покажет следующее описание нескольких моделей, природа этой информации и, следовательно, типы репрезентаций, присутствующие в базе знаний ребенка, уже некоторое время привлекают внимание исследователей. (Элис Бейкер и др. Психолингвистические модели развития речи и их применение в клинической практике. Журнал исследований речи, языка и слуха. Июнь 2001 года. 44. p 685–702.)

Вычислительные модели

Вычислительная модель – это математическая модель в области вычислительной науки, требующая значительных вычислительных ресурсов для изучения поведения сложной системы посредством компьютерного моделирования. Система, подвергаемая исследованию, часто представляет собой сложную нелинейную систему, для которой простые и интуитивно понятные аналитические решения недоступны. Вместо вывода математического аналитического решения задачи, эксперименты с моделью проводятся путем изменения параметров системы в компьютере и изучения различий в результатах этих экспериментов. Теории функционирования модели могут быть получены или выведены на основе этих вычислительных экспериментов. Примерами распространенных вычислительных моделей являются модели прогнозирования погоды, модели земного моделирования, модели авиасимуляторов, модели сворачивания молекул белка и модели нейронных сетей.

Символический

Символическая модель представляется символами, как правило, нечисловыми, которые нуждаются в преобразовании перед использованием.

Субсимволический

Когнитивная модель является субсимволической, если она построена из составных элементов, которые сами по себе не являются представлениями, например, пикселей, звуковых образов, воспринимаемых слухом, или выборок сигнала; субсимволические единицы в нейронных сетях можно рассматривать как частные случаи этой категории.

Гибридный

Гибридные компьютеры сочетают в себе характеристики аналоговых и цифровых компьютеров. Цифровый компонент обычно выполняет роль контроллера и обеспечивает логические операции, а аналоговый компонент – решателя дифференциальных уравнений. Подробнее см. в статье «Гибридная интеллектуальная система».

Динамические системы

В традиционном вычислительном подходе представления рассматриваются как статические структуры дискретных символов. Познание происходит посредством преобразования статических символьных структур в дискретных, последовательных шагах. Сенсорная информация преобразуется в символьные входные данные, которые генерируют символьные выходные данные, преобразуемые затем в моторные команды. Вся система функционирует в непрерывном цикле. Однако в этом традиционном представлении упущено то, что человеческое познание происходит непрерывно и в реальном времени. Разделение процессов на отдельные временные интервалы может не полностью отражать такое поведение. Альтернативный подход заключается в определении системы, характеризующейся (1) состоянием системы в любой момент времени, (2) поведением, определяемым как изменение общего состояния во времени, и (3) множеством состояний или пространством состояний, представляющим собой совокупность всех возможных состояний системы. Отличительной чертой системы является то, что изменение любого аспекта состояния зависит от других аспектов того же или иных состояний системы. Типичная динамическая модель формализуется с помощью нескольких дифференциальных уравнений, описывающих изменение состояния системы во времени. При этом объяснительную силу имеет форма пространства возможных траекторий и внутренние и внешние силы, формирующие конкретную траекторию, разворачивающуюся во времени, а не физическая природа лежащих в основе механизмов, проявляющих эту динамику. С этой динамической точки зрения, параметрические входные данные изменяют внутреннюю динамику системы, а не задают внутреннее состояние, описывающее какое-либо внешнее положение дел.

Ассоциативная память

Ранние работы по применению динамических систем к познанию можно найти в модели сетей Хопфилда. Эти сети были предложены как модель ассоциативной памяти. Они представляют собой нейронный уровень памяти, моделируя системы примерно из 30 нейронов, которые могут находиться либо во включенном, либо в выключенном состоянии. Предоставляя сети возможность самообучения, структура и вычислительные свойства возникают естественным образом. В отличие от предыдущих моделей, "воспоминания" могут быть сформированы и воспроизведены путем ввода лишь небольшой части полной информации. Временная последовательность воспоминаний также может быть закодирована. Поведение системы моделируется векторами, изменяющими свои значения и представляющими различные состояния системы. Эта ранняя модель стала важным шагом к пониманию человеческого познания с точки зрения динамических систем, хотя многие детали еще предстояло уточнить и объяснить больше явлений.

Приобретение языка

Учитывая эволюционное развитие нервной системы человека и сходство мозга с другими органами, Элман предложил рассматривать язык и познание как динамическую систему, а не как цифровой процессор символов. Нейронные сети, реализованные Элманом, стали известны как сети Элмана. В отличие от подхода, рассматривающего язык как набор статических лексических единиц и грамматических правил, которые изучаются и затем применяются по фиксированным правилам, динамический системный подход определяет лексикон как области пространства состояний в динамической системе. Грамматика формируется аттракторами и репеллерами, которые ограничивают движение в этом пространстве состояний. Это означает, что представления чувствительны к контексту, а ментальные репрезентации рассматриваются как траектории в ментальном пространстве, а не как статические объекты, которые конструируются и остаются неизменными. Сети Элмана обучались на простых предложениях для представления грамматики как динамической системы. После освоения базовой грамматики сети могли разбирать сложные предложения, предсказывая, какие слова появятся далее, согласно динамической модели.

Когнитивное развитие

Классическая ошибка развития была исследована в контексте динамических систем: ошибка «А не Б» предполагается не отдельной ошибкой, возникающей в определенном возрасте (8–10 месяцев), а характеристикой динамического процесса обучения, который также наблюдается у детей старшего возраста. Было обнаружено, что дети в возрасте 2 лет совершают ошибку, аналогичную ошибке «А не Б», при поиске игрушек, спрятанных в песочнице. После того, как они наблюдали, как игрушку прячут в место А и неоднократно искали ее там, детям в возрасте двух лет показали игрушку, спрятанную в новом месте Б. Когда они искали игрушку, они искали в местах, смещенных в сторону местоположения А. Это указывает на то, что существует непрерывное представление о местоположении игрушки, которое изменяется со временем. Предыдущее поведение ребенка влияет на его модель расположения песочницы, поэтому при анализе поведения и обучения необходимо учитывать, как система песочницы и прошлые действия ребенка меняются с течением времени. Данный CPG содержит три моторных нейрона для управления эффекторами ноги: движением стопы, обратным и прямым махом. Выходы сети показывают, поднята или опущена стопа и какое усилие прикладывается для создания крутящего момента в суставе ноги. Одной из особенностей этой модели является то, что выходы нейронов большую часть времени либо выключены, либо включены. Другая особенность заключается в том, что состояния квазистабильны, то есть в конечном итоге они переходят в другие состояния. Простая схема генератора паттернов, подобная этой, предлагается в качестве строительного блока для динамической системы. Набор нейронов, одновременно переходящих из одного квазистабильного состояния в другое, определяется как динамический модуль. Эти модули теоретически могут быть объединены для создания более крупных схем, составляющих полную динамическую систему. Однако детали того, как может происходить такое объединение, не полностью разработаны.

Динамика поведения

Современные формализации динамических систем, применяемые к изучению познания, различаются. Одно из таких формализаций, называемое «динамикой поведения», рассматривает агента и среду как пару связанных динамических систем, основанных на классической теории динамических систем. В этой формализации информация из среды влияет на поведение агента, а действия агента изменяют среду. В частности, в случае циклов восприятия и действия, связь между средой и агентом формализуется двумя функциями. Первая преобразует представление о действии агента в специфические паттерны мышечной активации, которые, в свою очередь, создают силы в среде. Вторая функция преобразует информацию из среды (то есть паттерны стимуляции на рецепторах агента, отражающие текущее состояние среды) в представление, полезное для управления действиями агента. Были предложены и другие подобные динамические системы (хотя и не развитые в полноценную формальную структуру), в которых нервная система агента, тело агента и среда взаимодействуют друг с другом.

Адаптационное поведение

Поведенческая динамика была применена к исследованию локомоторного поведения. Моделирование передвижения с использованием поведенческой динамики показывает, что адаптивное поведение может возникать в результате взаимодействия агента и окружающей среды. В рамках этой концепции, адаптивное поведение можно описать на двух уровнях анализа. На первом уровне, уровне восприятия и действия, агент и окружающая среда могут рассматриваться как пара динамических систем, связанных силами, которые агент оказывает на среду, и структурированной информацией, предоставляемой средой. Таким образом, поведенческая динамика возникает из взаимодействия агента и среды. На втором уровне, уровне временной эволюции, поведение может быть выражено как динамическая система, представленная в виде векторного поля. В этом векторном поле аттракторы отражают устойчивые поведенческие решения, а бифуркации – изменения в поведении. В отличие от предыдущих исследований центральных генераторов паттернов, эта концепция предполагает, что устойчивые поведенческие паттерны являются эмерджентным, самоорганизующимся свойством системы агент-среда, а не предопределены структурой ни агента, ни среды.

Открытые динамические системы

В расширении классической теории динамических систем, вместо объединения динамических систем среды и агента, "открытая динамическая система" определяет "общую систему", "систему агента" и механизм, устанавливающий связь между этими двумя системами. Общая система – это динамическая система, моделирующая агента в среде, в то время как система агента – это динамическая система, моделирующая внутреннюю динамику агента (то есть динамику агента в отсутствие среды). Важно отметить, что механизм связи не объединяет эти две системы, а непрерывно модифицирует общую систему, приводя её к общей системе, соответствующей изолированному агенту. Различение между общей и системой агента позволяет исследовать поведение агента как в изолированном состоянии, так и во взаимодействии со средой. Данную формализацию можно рассматривать как обобщение классической, где система агента представляется системой агента в открытой динамической системе, а агент, взаимодействующий со средой, и сама среда – как общая система в открытой динамической системе.

Воплощенное познание

В контексте динамических систем и воплощенного познания, представления могут быть концептуализированы как индикаторы или посредники. В рамках концепции индикатора, внутренние состояния несут информацию о существовании объекта в окружающей среде, где состояние системы при взаимодействии с объектом является представлением этого объекта. В рамках концепции посредника, внутренние состояния несут информацию об окружающей среде, которая используется системой для достижения своих целей. В этом более сложном подходе, состояния системы несут информацию, опосредующую взаимодействие между информацией, получаемой агентом из окружающей среды, и воздействием, оказываемым на окружающую среду поведением агента. Применение открытых динамических систем было рассмотрено на примере четырех типов классических примеров воплощенного познания: случаи, когда окружающая среда и агент должны совместно работать для достижения цели, что называется "интимностью". Классическим примером интимности является поведение простых агентов, стремящихся к достижению цели (например, насекомые, перемещающиеся в окружающей среде). Успешное завершение цели полностью зависит от связи агента с окружающей средой. Случаи, когда использование внешних артефактов улучшает производительность задач по сравнению с производительностью без этих артефактов. Этот процесс называется "перекладыванием" (или "разгрузкой"). Классическим примером перекладывания является поведение игроков в Скрэббл: люди способны составлять больше слов, играя в Скрэббл, если у них перед глазами плитки, и им разрешено физически менять их расположение. В этом примере плитки Скрэббл позволяют агенту переложить требования рабочей памяти на сами плитки. Случаи, когда функционально эквивалентный внешний артефакт заменяет функции, которые обычно выполняются агентом внутри, что является частным случаем перекладывания. Один из известных примеров – навигация человека (в частности, агентов Отто и Инги) в сложной среде с использованием или без использования артефакта. Случаи, когда нет единого агента. Индивидуальный агент является частью более крупной системы, содержащей множество агентов и артефактов. Один известный пример, сформулированный Эдом Хатчинсом в его книге «Познание в дикой природе», – навигация на военно-морском корабле. Интерпретация этих примеров основана на следующей логике: (1) общая система отражает воплощенность; (2) одна или несколько систем агентов отражают внутреннюю динамику отдельных агентов; (3) полное поведение агента можно понять как изменение внутренней динамики агента в связи с его положением в окружающей среде; и (4) траектории открытой динамической системы можно интерпретировать как репрезентационные процессы. Эти примеры воплощенного познания демонстрируют важность изучения возникающей динамики систем агент-среда, а также внутренней динамики систем агентов. Динамические системы, вместо того чтобы противоречить традиционным когнитивным научным подходам, являются их естественным продолжением и должны изучаться параллельно, а не в конкуренции.