ACT-R

Adaptacyjna kontrola myślenia racjonalnego (ACT-R; JR Anderson & C. Lebiere, 1998) jest jedną z architektury poznawczej wynikającej z adaptacyjnej kontroli myśli .

Znany psycholog poznawczy John R. Anderson (urodzony 27 sierpnia 1947 w Vancouver) odegrał kluczową rolę w rozwoju . Pochodzenie architektur poznawczych leży między innymi. w psychologii poznawczej. Reprezentują modele wspomagane komputerowo, które są wykorzystywane do modelowania ludzkich procesów poznawczych (pamięci, języka, percepcji, rozwiązywania problemów itp.), Do oceny eksperymentów i teorii psychologicznych oraz do symulacji ich na komputerze. Systemy produkcyjne są podstawowym składnikiem architektur poznawczych. Składają się one z deklaratywnej bazy wiedzy, faktów i pamięci proceduralnej, reguł.

Obecnie istnieje wiele architektur kognitywnych, w tym ACT-R (Adaptacyjna kontrola racjonalnego myślenia), SOAR i 3CAPS , z których wszystkie oparte są na różnych celach. Wszystkie architektury kognitywne opierają się na wielu wynikach empirycznych, na przykład na czasie przetwarzania. Wiele uwagi poświęca się różnym aspektom ludzkiego poznania .

Procesy poznawcze

Poznanie to termin ogólny obejmujący wszystkie formy wiedzy. Poznanie obejmuje zarówno treść, jak i procesy. Treści poznania odnoszą się do tego, co się zna - pojęć, faktów, stwierdzeń, reguł i treści pamięci: „Pies to ssak”; „Czerwone światło oznacza zatrzymanie”; „Wyszedłem z domu, gdy miałem 18 lat”. Procesy poznawcze odnoszą się do tego , jak manipulujesz tą mentalną treścią - tak, abyś mógł interpretować otaczający Cię świat i znajdować kreatywne rozwiązania, aby poradzić sobie z życiowymi dylematami. Informacje ze środowiska są rejestrowane i przetwarzane za pomocą zmysłów, a następnie są kodowane w słowa, symbole lub znaki i analizowane, interpretowane i sortowane na podstawie doświadczenia. Na tej podstawie formułuje się wnioski i sądy, które wyzwalają zachowania zorientowane na cel.

Pamięć proceduralna i deklaratywna

ACT-R należy do grupy systemów sterowania produkcją . Rozróżnia pamięć deklaratywną i proceduralną . Pamięć deklaratywna obejmuje tak zwaną wiedzę faktograficzną, natomiast pamięć proceduralna zawiera wiedzę o kierunkach działań. Filozof Gilbert Ryle dokonał również w tym kontekście rozróżnienia między terminami „ wiedzieć to” i „ wiedzieć, jak” . Ta ostatnia obejmuje wiedzę o sposobie wykonywania poszczególnych czynności. Obejmuje to na przykład umiejętność jazdy na rowerze lub ubierania się. Sposób wykonywania poszczególnych czynności jest często trudny do przekazania ustnie. Ponadto osoba zazwyczaj nie jest w stanie perfekcyjnie wykonać czynności, jeśli nigdy wcześniej tego nie robiła i otrzymuje jedynie słowny opis przebiegu czynności. Dlatego instrukcje są zwykle niewystarczające do zdobycia wiedzy proceduralnej. Trzeba się tego nauczyć w praktyce. Jednak działania można zautomatyzować poprzez szkolenie.

Wiedza deklaratywna jest przechowywana w ACT-R w postaci tzw. Fragmentów . Z drugiej strony wiedza proceduralna jest reprezentowana w postaci produkcji . Są to reguły używane do przetwarzania fragmentów. Aby na przykład jeździć na rowerze, musi istnieć reguła, która dokładnie opisuje, w jaki sposób należy przeprowadzić cykl akcji . Z drugiej strony musi istnieć faktyczna wiedza (fragmenty), do których można zastosować te zasady. Na przykład trzeba wiedzieć, że koło jest środkiem transportu, który generalnie składa się z kilku pojedynczych części. Z drugiej strony reguła produkcji określa, które z tych części muszą być obsługiwane w jaki sposób, aby poruszać się na rowerze. Im częściej jeździłeś na rowerze (część pamięci epizodycznej), tym pewniejsza jest ta zasada produkcji. Faktyczna wiedza i zasady produkcji nie są zatem od siebie niezależne, ale wpływają na siebie.

Rola pamięci roboczej

Anderson (1993) sugeruje, że pamięć robocza ma wpływ na pamięć i wyszukiwanie podczas wyszukiwania informacji. Przeprowadził specyficzny eksperyment: badani zostali poproszeni o zapamiętanie sekwencji kombinacji cyfr, podczas rozwiązywania równania matematycznego. Następnie powinieneś odtworzyć sekwencję cyfr. Te dwa warunki (zapamiętanie sekwencji liczb i rozwiązanie równania matematycznego) zwiększają stopień trudności. Zmienia się rozmiar zapamiętanej kombinacji liczb i stopień trudności równania matematycznego. Jak pokazują wyniki eksperymentu, wraz ze wzrostem trudności obu warunków następuje znaczny spadek wydajności w obu zadaniach. Większość błędów wynika z nieprawidłowego pobierania informacji z pamięci. Teoria ACT-R zakłada teraz, że istnieje ograniczona aktywacja zasobów. Wraz z rosnącym stopniem trudności pozostaje tylko bardzo mały potencjał aktywacyjny dla odzyskania odpowiednich informacji z pamięci deklaratywnej. Nieprawidłowe wyszukanie informacji przez osoby testujące może w teorii ACT-R oznaczać, że istnieje tylko częściowa korekta informacji w pamięci.

Kawałki w ACT-R

Zakłada się, że nasza pamięć dzieli większe ilości informacji na podgrupy („ fragmenty ”), aby można je było „łatwiej” przedstawić i tym samym zajmowały mniej miejsca w naszej pamięci .

Fragment jest określony przez jego typu i jego gniazdach . Typ oznacza kategorię, do której należy fragment. Boksy odpowiadają atrybutom kategorii. Każdy fragment ma unikalną nazwę, za pomocą której można się do niego odwołać. Siła kawałka wpływa na to, jak dobrze i jak szybko można go przywołać z pamięci. Im częściej używane są określone fragmenty lub im wcześniej były używane, tym silniejszy jest ten fragment. Te fragmenty są przechowywane w pamięci deklaratywnej. Reguły produkcyjne używane do przetwarzania porcji są przechowywane w pamięci proceduralnej. W podejściu ACT-R fragmenty są kodowane w ich własnym języku. Ma to podobieństwo do języków programowania, takich jak Java czy C ++. Informacje można zapisać w tym formularzu, a także ponownie zwerbalizować. Jako prototyp, fragmenty wyglądają następująco:
(CHUNK typ NAZWA SLOT1 SLOT2 ... SLOTN)

Produkcje i systemy produkcyjne

Podstawą wiedzy proceduralnej są produkcje. Produkcje składają się z części warunkowej i części akcji. W części dotyczącej warunków odniesiono się do zawartości pamięci roboczej. Jeśli konstelacja sformułowana w części warunkowej znajduje się w pamięci roboczej, część akcji jest wykonywana.

System, który kontroluje stosowanie produkcji, nazywany jest systemem produkcyjnym. Dane znajdujące się obecnie w pamięci głównej mogą być na przykład opisem stanu problemu, a zapisane reguły mogą być operatorami rozwiązywania problemów. Stosowanie reguły jest kontrolowane przez tłumacza . Najpierw dane wyjściowe są wprowadzane do pamięci głównej przez interfejs wejściowy. Następnie reguły są stosowane do tych danych w pamięci głównej, dopóki żadna reguła nie może być dłużej używana lub nie zostanie zastosowana reguła, której akcją jest polecenie zatrzymania przetwarzania. W rezultacie wyprowadzane są aktualne dane. Przekształcenie danych poprzez zastosowanie reguł odbywa się w tzw. Cyklu dopasuj-wybierz-zastosuj :

• Porównanie wzorców (dopasowanie ): wyszukiwane są wszystkie reguły produkcji, których część warunkowa jest zgodna z danymi.
• Wybór (wybierz): jedna z tych reguł jest wybierana zgodnie z predefiniowaną strategią rozwiązywania konfliktów.
• Aplikacja (zastosuj): reguła jest stosowana do danych w pamięci.

W każdym cyklu używana jest reguła, która zmienia dane w pamięci głównej.

Zasady muszą być wcześniej zdefiniowane przez naukowca, modelarza, zgodnie z określoną składnią (opartą na języku programowania LISP ). Kolejna część architektury poznawczej ACT-R składa się z tak zwanych „buforów”. Model ten modeluje ograniczenie zasobów w przypadku centralnego przetwarzania sensorycznego. Zgodnie z zasadą w buforze (na przykład w „buforze wizualnym”) można umieścić tylko jeden „ fragment ”.

W ACT-R została zaimplementowana stosunkowo niekwestionowana teoria Andersona „Rozprzestrzeniania Aktywacji”, w której aktywacja w pamięci deklaratywnej może rozprzestrzeniać się na podobne jednostki wiedzy. Zjawisko to wyjaśnia wyniki w tzw. „Eksperymentach torujących” np. „Badanie percepcji” / „Badanie rozumienia czytania” autorstwa Higgins, Rholes i Jones (1977). (Priming to wstępna aktywacja treści pamięci za pomocą odpowiednich bodźców, które są skojarzone z treścią docelową).

W przeciwieństwie do innych systemów kontroli produkcji, które generalnie kontrastują z modelami koneksjonistycznymi („sieciami”), ACT-R może polegać na mechanizmie uczenia się opartym na prawdopodobieństwach .

Procesy aktywacji w teorii ACT-R

Podstawowym procesem zgodnie z teorią ACT-R według Andersona jest to, że w odniesieniu do wiedzy generowana jest „reguła produkcji” i zgodnie z nią pewna wiedza deklaratywna jest odnajdywana (odpytywana) w celu rozwiązania określonego problemu mogą. Szybkość lub powodzenie tego procesu zależy od tego, jak wysoka jest aktywacja odpowiednich fragmentów i jak silna jest aktywacja „reguły produkcji”. To właśnie ten proces tworzy podstawową płynność naszego zachowania, naszą wydajność. Oczywiście na tle stale aktywowanej wiedzy ciecz jest teraz trudna. Po pierwsze, w wielu sytuacjach niedopuszczalne jest okazywanie nieprawidłowego i powolnego zachowania lub działania. Po drugie, rozwój kompetencji zaawansowanych wymaga płynności / harmonii w zachowaniu lub wykonywaniu podstawowych kompetencji. Teoria ACT-R jest matematyczną teorią pokazującą, jak siła i aktywacja wpływają na nasze zachowanie i ostatecznie na nasze wyniki.

Zatem w pierwszym procesie równoległej aktywacji fragmenty i produkcje są rozpoznawane lub aktywowane z największym prawdopodobieństwem, że będą potrzebne w danym kontekście, a te struktury wiedzy (kawałki i produkcje) z kolei decydują o dalszych krokach, w których aktywowana wiedza jest stosowana. Oznacza to, że wiedza jest udostępniana i aktywowana w zależności od prawdopodobieństwa, że ​​będzie potrzebna w określonym kontekście.

Zakres aktywacji można wyprowadzić z twierdzenia Bayesa . Podstawowym założeniem jest to, że zakres aktywacji można obliczyć na podstawie podstawowej aktywacji i kontekstowego torowania. Innymi słowy: aktywacja = aktywacja podstawowa + torowanie kontekstowe. Jeśli porównasz to z twierdzeniem Bayesa, to:

Aktywacja = prawdopodobieństwo późniejsze

Aktywacja podstawowa = prawdopodobieństwo a priori

kontekstowe torowanie = iloraz prawdopodobieństwa

Schooler (1993) wykazał, że pamięć ludzka poszukuje informacji w oparciu o teorię Bayesa, a następnie udostępnia wymaganą wiedzę w funkcji prawdopodobieństwa a posteriori.

Na przykładzie fragmentu i (patrz fragmenty w ACT-R), którego aktywacja jest opisana jako funkcja różnych elementów z nim związanych i jego podstawowej aktywacji, równanie aktywacji dla bieżącej aktywacji fragmentu i to :

${\ displaystyle \ operatorname {A_ {i}} = {B_ {i}} + \ suma _ {} {W_ {j}} * S_ {ij}.}$

${\ displaystyle \ operatorname {B_ {i}}}$...... podstawowa aktywacja Chunk i

${\ displaystyle \ operatorname {W_ {j}}}$..... ważenie kontekstowego fragmentu j

${\ displaystyle \ operatorname {S} _ {ij}}$..... siła powiązania między fragmentem i i j

Generowanie wiedzy

Po zastosowaniu produkcji mogą pojawić się nowe fragmenty . Jednak produkcje są tworzone przez kodowanie fragmentów. Aby teoretycznie uniknąć kolistości, w ACT-R zdefiniowano drugie, niezależne źródło do tworzenia fragmentów. Tym źródłem jest środowisko. Ważną rolę odgrywa tutaj system percepcji wzrokowej, który odpowiada za kodowanie informacji. Zakłada się, że to, co jest postrzegane wizualnie, nie jest zapisywane jako całość, ale podzielone na poszczególne obiekty. Zapisywane są również specyficzne cechy każdego obiektu. Jednak nie wszystkie postrzegane informacje są kodowane i przechowywane, tylko te, które są przedmiotem zainteresowania. Procesy uwagi są również istotne przy rozpoznawaniu tego, co zostało już zapisane. Cechy poszczególnych obiektów można rozpoznać jako cały przedmiot tylko wtedy, gdy skierowana jest na nie uwaga. Produkcja odbywa się również z uwzględnieniem środowiska. Zakłada się, że rozwiązywanie problemów odbywa się poprzez poszukiwanie istniejących rozwiązań z innych kontekstów i wykorzystywanie ich do rozwiązania własnego problemu. Rozwiązywanie problemów odbywa się zatem poprzez tworzenie analogii.

ACT-R i uwaga wzrokowa

Aby zastosować model ACT-R do bodźców wzrokowych, Anderson i wsp. (1997) stworzyli moduł uwagi wzrokowej. Chodzi o to, jak ACT-R znajduje i wydobywa informacje z kultowej pamięci (patrz ilustracja). Informacje lub elementy wizualne przechowywane w pamięci ikonicznej składają się z cech (wizualnych), a ACT-R może zwrócić uwagę na określone treści tej pamięci pośredniej. Z pomocą uwagi, z tych funkcji tworzony jest fragment, z którym ACT-R może pracować.

Istnieją trzy rodzaje informacji, które ACT-R może wykorzystać, aby przyciągnąć uwagę:

a) określone miejsca i kierunki,

b) pewne cechy i

(c) Obiekty, na które jeszcze nie zwrócono uwagi.

fabuła

ACT-R jest podstawą wielu teorii dotyczących modeli ludzkiego poznania. ACT-R ma swoje korzenie we wczesnych latach 80. w modelu HAM (Human Associative Memory), który jest modelem pamięci i został postulowany w 1973 r. Przez Johna R. Andersona i Gordona Bowera. Model ten został później rozwinięty do pierwszego modelu ACT (Adaptive Control of Thought). Pierwotnie ACT było nazywane „Aktywną kontrolą myśli” i było teorią wyjaśniającą poznawcze możliwości ludzi. Z jednej strony chce wyjaśnić, jak ludzie konstruują swoją wiedzę, z drugiej strony, dlaczego ludzie są w stanie przejawiać inteligentne zachowania. Teoria Andersona ma również swoje korzenie w badaniach nad sztuczną inteligencją. Według Andersona, nazwa „homo sapiens” już mówi coś o tym, że ludzie otrzymują własną „inteligencję”, której nie można znaleźć u innych gatunków. Aby przetestować zrozumienie ludzkiej inteligencji, opracował między innymi komputery, które mogą samodzielnie pisać programy rekurencyjne. Ma to na celu dostarczenie naukom kognitywnym i badaniom sztucznej inteligencji modelu, który umożliwia komputerowe symulacje wydajności intelektualnej człowieka. W modelu ACT pamięć proceduralna została po raz pierwszy włączona do teorii. Ta pierwsza teoria została później rozwinięta w modelu ACT-R ludzkiego poznania.

Pod koniec lat osiemdziesiątych Anderson opracował matematyczny model poznania, który nazwał analizą racjonalną. Podstawowym założeniem tej teorii jest to, że poznanie jest optymalnie przystosowalne, a dokładne oceny funkcji poznawczych odzwierciedlają statystyczne prawdopodobieństwa ze środowiska. Teoria ta została później włączona do teorii ACT-R do podstawowych obliczeń. Stąd „-R” w nazwie teorii, co oznacza „racjonalny”.

W 1998 roku John R. Anderson postulował dalszy rozwój modelu, modelu ACT-R-5.0. Anderson dogłębnie zrozumiał podstawowe procesy zachodzące w ludzkim mózgu i wykorzystał metody obrazowania mózgu, aby dowiedzieć się więcej na ich temat. Konieczność lokalizacji leżących u podstaw procesów doprowadziła do dalszego rozwoju modelu, który został przedstawiony w 2005 roku jako ACT-R 6.0. Znacząco poprawiono również język kodowania w tym modelu. ACT-R 7.0 pojawił się w 2015 roku, ale przyniósł tylko niewielkie zmiany. Długi rozwój modelu ACT-R doprowadził do wielu podobnych badań i projektów. Najważniejsze z nich to model produkcji PUPS oraz model ACT-RN.

Zastosowania modelu ACT-R

ACT-R jest obecnie używany w wielu różnych obszarach działalności. Typowe oprogramowanie oparte na ACT-R to „ACT-R 6” i „Cogtool”. Oprogramowanie to może służyć do tworzenia prototypowych interfejsów użytkownika (UI) w celu przewidywania zachowań użytkowników. Odbywa się to na podstawie modelu ACT-R. CogTool symuluje poznawcze, percepcyjne i motoryczne zachowanie ludzi podczas pracy z wygenerowanym prototypem w trakcie przetwarzania określonych zadań.

Zmodyfikowany model ACT-R (ACT-R / PM) odgrywa rolę w przewidywaniu, ile czasu potrzeba do wykonania zadania, szczególnie w interakcji człowiek-komputer (HCI). Ponadto model ACT-R jest używany do opisania, w jaki sposób ludzie mogą uczyć się zadań poznawczych lub zarządzać nimi. Ma również charakter nakazowy, tj. H. pomaga w projektowaniu programów szkoleniowych poprzez modelowanie procesów uczenia się. Te „samouczki” pomagają użytkownikom w korzystaniu z programów komputerowych lub innych umiejętnościach poznawczych.

Na przykład model ACT-R jest obecnie z powodzeniem stosowany w szkołach, gdzie może pomóc uczniom w nauce problemów matematycznych.

Model ACT-R jest z powodzeniem stosowany nie tylko w matematyce, ale także w badaniach językowych do rozszyfrowania aspektów języka ojczystego w zakresie rozumienia i tworzenia.

Podczas badania mechanizmów neuronalnych w mózgu wykorzystano model ACT-R do przewidywania wzorców aktywacji mózgu. Stwierdzono, że cztery moduły ACT-R są powiązane z czterema regionami mózgu, które są aktywne podczas zarządzania złożonymi zadaniami. Na przykład aktywność stwierdzono w bocznych dolnych obszarach przedczołowych, co można utożsamić z odzyskiwaniem informacji z pamięci deklaratywnej. Ponadto aktywność w jądrze ogoniastym znajduje odzwierciedlenie w aktach wykonawczych pamięci proceduralnej.

linki internetowe

• Witryna ACT-R
• Modelowanie poznawcze (PDF; 419 kB)
• Teorie interakcji komputera z człowiekiem - TiChi
• Arytmetyka mentalna z punktu widzenia teorii ACT-R (PDF; 73 kB)

Indywidualne dowody

1. ↑ Anderson, JR, Bothell, D., Byrne, MD, Douglass, S., Lebiere, C. i Qin, Y. (2004). Zintegrowana teoria umysłu, Przegląd psychologiczny, 111, 1036-1060.
2. ↑ ^{a b} Gerrig, R. i Zimbardo, P. (2008). Psychology (18th ed.). Monachium: studia Pearson.
3. ↑ poznania . Leksykon online. Źródło 8 kwietnia 2014 r.
4. ↑ Oberauer, K., Mayr, U. i Kluwe, ER (2006). Pamięć i wiedza. W H. Spada (red.), Textbook General Psychology (wyd. 3, str. 115-195). Berno: Verlag Hans Huber.
5. ↑ Anderson, Reder, Lebiere (1996): Pamięć robocza: Ograniczenia aktywacji przy pobieraniu. W: Cognitive Psychology (30). 221-256.
6. ^ Sven Brüssow, Daniel Holt: Wprowadzenie do modelowania poznawczego z ACT-R (PDF) psychologie.uni-heidelberg.de. 24 października 2007. Źródło 8 kwietnia 2014.
7. ↑ ^{a b} Wolfgang Schoppek: Arytmetyka mentalna z perspektywy teorii ACT - R (PDF) uni-saarland.de. Źródło 8 kwietnia 2014 r.
8. ↑ Müssler, J. & Prinz, W. (2002). Psychologia ogólna . Heidelberg: widmo. 715-733.
9. ↑ Anderson, JR i Schunn, CD (2000): Implikacje teorii uczenia się ACT-R: brak magicznych kul. W R. Glaser (red.), Postępy w psychologii instruktażowej (wyd. 5, str. 1-34). Mahwah, NJ: Erlbaum.
10. ^ Glaser, R. (red.) (2005). Postępy w psychologii instruktażowej (wyd. 5) . Mahwah, NJ: Erlbaum.
11. ↑ ^{a b} J. R. Anderson: A Simple Theory of Complex Cognition , 1996 W : American Psychologist , 51, 355-365.
12. ↑ Anderson, JR, Matessa, M. i Lebiere, C. (1997). ACT-R: Teoria wyższego poziomu poznania i jego związek z uwagą wzrokową. Interakcja człowiek-komputer, 12, 439-462.
13. ↑ Oficjalna strona ACT-R 6
14. ↑ Oficjalna strona Cogtool
15. ↑ Podręcznik użytkownika CogTool - wersja 1.2 - 23 maja 2012 r. Dostęp 10 kwietnia 2014 r
16. ↑ Anderson, JR, Fincham, JM, Qin, Y. i Stocco, A. (2008). Centralny obwód umysłu. Trendy w kognitywistyce. 12 (4), 136-143.