ACT-R - ACT-R

ACT-R
Auteur (s) original (s) John Robert Anderson
Version stable
7.21.6- <3099: 2020-12-21> / 21 décembre 2020 ; Il ya 4 mois  ( 21/12/2020 )
Écrit en Common Lisp
Taper Architecture cognitive
Licence GNU LGPL v2.1
Site Internet act-r .psy .cmu .edu

ACT-R (prononcé / ˌækt ˈɑr /; abréviation de « Adaptive Control of Thought — Rational ») est une architecture cognitive principalement développée par John Robert Anderson et Christian Lebiere de l'Université Carnegie Mellon . Comme toute architecture cognitive, ACT-R vise à définir les opérations cognitives et perceptives de base et irréductibles qui permettent à l'esprit humain. En théorie, chaque tâche que les humains peuvent effectuer devrait consister en une série de ces opérations discrètes.

La plupart des hypothèses de base de l'ACT-R sont également inspirées par les progrès des neurosciences cognitives , et ACT-R peut être vu et décrit comme un moyen de spécifier comment le cerveau lui-même est organisé de manière à permettre aux modules de traitement individuels de produire de la cognition.

Inspiration

ACT-R a été inspiré par le travail d' Allen Newell , et en particulier par sa défense de toute une vie de l'idée de théories unifiées comme le seul moyen de vraiment découvrir les fondements de la cognition. En fait, Anderson attribue généralement à Newell la principale source d'influence sur sa propre théorie.

À quoi ressemble ACT-R

Comme d'autres architectures cognitives influentes (y compris Soar , CLARION et EPIC), la théorie ACT-R a une implémentation informatique en tant qu'interprète d'un langage de codage spécial. L'interpréteur lui-même est écrit en Common Lisp et peut être chargé dans n'importe quelle distribution du langage Common Lisp.

Cela signifie que tout chercheur peut télécharger le code ACT-R à partir du site Web ACT-R, le charger dans une distribution Common Lisp et obtenir un accès complet à la théorie sous la forme de l'interpréteur ACT-R.

En outre, cela permet aux chercheurs de spécifier des modèles de cognition humaine sous la forme d'un script dans le langage ACT-R. Les primitives du langage et les types de données sont conçus pour refléter les hypothèses théoriques sur la cognition humaine. Ces hypothèses sont basées sur de nombreux faits issus d'expériences de psychologie cognitive et d' imagerie cérébrale .

Comme un langage de programmation , ACT-R est un cadre: pour différentes tâches (par exemple, la tour de Hanoi, la mémoire pour le texte ou pour la liste de mots, la compréhension du langage, la communication, le contrôle des avions), les chercheurs créent des «modèles» (c'est-à-dire des programmes) dans ACT-R. Ces modèles reflètent les hypothèses des modélisateurs sur la tâche dans la vision ACT-R de la cognition. Le modèle peut alors être exécuté.

L'exécution d'un modèle produit automatiquement une simulation étape par étape du comportement humain qui spécifie chaque opération cognitive individuelle (c'est-à-dire, l'encodage et la récupération de la mémoire, l'encodage visuel et auditif, la programmation et l'exécution motrices, la manipulation de l'imagerie mentale). Chaque étape est associée à des prédictions quantitatives de latences et de précisions. Le modèle peut être testé en comparant ses résultats avec les données collectées dans des expériences comportementales.

Ces dernières années, ACT-R a également été étendu pour faire des prédictions quantitatives des modèles d'activation dans le cerveau, comme détecté dans des expériences avec l' IRMf . En particulier, ACT-R a été augmentée pour prédire la forme et le temps cours de la BOLD réponse de plusieurs régions du cerveau, y compris les zones de la main et la bouche dans le cortex moteur , la gauche du cortex préfrontal , la partie antérieure du cortex cingulaire , et la base ganglions .

Bref aperçu

L'hypothèse la plus importante d'ACT-R est que la connaissance humaine peut être divisée en deux types irréductibles de représentations: déclarative et procédurale .

Dans le code ACT-R, la connaissance déclarative est représentée sous la forme de blocs , c'est-à-dire de représentations vectorielles de propriétés individuelles, chacune d'entre elles étant accessible à partir d'un emplacement étiqueté.

Les morceaux sont conservés et rendus accessibles par des tampons , qui sont le front-end de ce que sont des modules , c'est-à-dire des structures cérébrales spécialisées et largement indépendantes.

Il existe deux types de modules:

  • Modules perceptuels-moteurs , qui s'occupent de l'interface avec le monde réel (c'est-à-dire avec une simulation du monde réel). Les modules moteurs perceptuels les plus développés dans ACT-R sont les modules visuels et manuels.
  • Modules de mémoire . Il existe deux types de modules de mémoire dans ACT-R:
    • Mémoire déclarative , constituée de faits tels que Washington, DC est la capitale des États-Unis , la France est un pays d'Europe , ou 2 + 3 = 5
    • Mémoire procédurale , faite de productions. Les productions représentent des connaissances sur la façon dont nous faisons les choses: par exemple, des connaissances sur la façon de taper la lettre «Q» sur un clavier, sur la façon de conduire ou sur la façon d'effectuer des ajouts.

Tous les modules ne sont accessibles que via leurs tampons. Le contenu des tampons à un moment donné dans le temps représente l'état de ACT-R à ce moment. La seule exception à cette règle est le module procédural, qui stocke et applique les connaissances procédurales. Il n'a pas de tampon accessible et est en fait utilisé pour accéder au contenu d'autres modules.

La connaissance procédurale est représentée sous forme de productions . Le terme «production» reflète la mise en œuvre réelle d'ACT-R en tant que système de production , mais, en fait, une production est principalement une notation formelle pour spécifier le flux d'informations depuis les zones corticales (c'est-à-dire les tampons) vers les noyaux gris centraux, et inversement. au cortex.

A chaque instant, un pattern matcher interne recherche une production qui correspond à l'état actuel des buffers. Une seule de ces productions peut être exécutée à un moment donné. Cette production, lorsqu'elle est exécutée, peut modifier les tampons et ainsi changer l'état du système. Ainsi, dans ACT-R, la cognition se déroule comme une succession de cuissons de production.

Le débat symbolique vs connexionniste

Dans les sciences cognitives , différentes théories sont généralement attribuées à l' approche « symbolique » ou « connexionniste » de la cognition. ACT-R appartient clairement au champ "symbolique" et est classé comme tel dans les manuels et collections standard. Ses entités (morceaux et productions) sont discrètes et ses opérations sont syntaxiques, c'est-à-dire ne se référant pas au contenu sémantique des représentations mais uniquement à leurs propriétés qui les jugent appropriées pour participer au (x) calcul (s). Cela se voit clairement dans les emplacements de bloc et dans les propriétés de correspondance de tampon dans les productions, qui fonctionnent tous deux comme des variables symboliques standard.

Les membres de la communauté ACT-R, y compris ses développeurs, préfèrent penser à ACT-R comme un cadre général qui spécifie comment le cerveau est organisé et comment son organisation donne naissance à ce qui est perçu (et, en psychologie cognitive, enquêté) comme esprit, au-delà du débat symbolique / connexionniste traditionnel. Rien de tout cela, naturellement, ne s'oppose à la classification d'ACT-R en tant que système symbolique, car toutes les approches symboliques de la cognition visent à décrire l'esprit, en tant que produit de la fonction cérébrale, en utilisant une certaine classe d'entités et de systèmes pour atteindre cet objectif.

Un malentendu courant suggère que ACT-R n'est peut-être pas un système symbolique car il tente de caractériser la fonction cérébrale. Ceci est incorrect à deux égards: Premièrement, toutes les approches de modélisation informatique de la cognition, symbolique ou autre, doivent à certains égards caractériser la fonction cérébrale, parce que l'esprit est la fonction cérébrale. Et deuxièmement, toutes ces approches, y compris les approches connexionnistes, tentent de caractériser l'esprit au niveau cognitif de la description et non au niveau neuronal, car ce n'est qu'au niveau cognitif que des généralisations importantes peuvent être retenues.

D'autres malentendus surviennent en raison du caractère associatif de certaines propriétés ACT-R, telles que les blocs se propageant l'activation les uns aux autres, ou les blocs et productions portant des propriétés quantitatives pertinentes pour leur sélection. Aucune de ces propriétés ne contredit la nature fondamentale de ces entités en tant que symbolique, quel que soit leur rôle dans la sélection des unités et, finalement, dans le calcul.

Théorie vs implémentation et Vanilla ACT-R

L'importance de faire la distinction entre la théorie elle-même et sa mise en œuvre est généralement soulignée par les développeurs d'ACT-R.

En fait, une grande partie de la mise en œuvre ne reflète pas la théorie. Par exemple, l'implémentation réelle utilise des `` modules '' supplémentaires qui n'existent que pour des raisons purement informatiques, et ne sont pas censés refléter quoi que ce soit dans le cerveau (par exemple, un module de calcul contient le générateur de nombres pseudo-aléatoires utilisé pour produire des paramètres bruyants, tandis qu'un autre contient des routines de dénomination pour générer des structures de données accessibles via des noms de variables).

De plus, la mise en œuvre proprement dite est conçue pour permettre aux chercheurs de modifier la théorie, par exemple en modifiant les paramètres standards, ou en créant de nouveaux modules, ou en modifiant partiellement le comportement des existants.

Enfin, alors que le laboratoire d'Anderson à la CMU maintient et publie le code officiel ACT-R, d'autres implémentations alternatives de la théorie ont été rendues disponibles. Ces implémentations alternatives incluent jACT-R (écrit en Java par Anthony M. Harrison au Naval Research Laboratory ) et Python ACT-R (écrit en Python par Terrence C. Stewart et Robert L. West à l' Université Carleton , Canada).

De même, ACT-RN (maintenant abandonné) était une implémentation neuronale à part entière de la version 1993 de la théorie. Toutes ces versions étaient entièrement fonctionnelles, et des modèles ont été écrits et exécutés avec toutes.

En raison de ces degrés de liberté d'implémentation, la communauté ACT-R se réfère généralement à la version "officielle", basée sur Lisp , de la théorie, lorsqu'elle est adoptée dans sa forme originale et laissée sans modification, comme "Vanilla ACT-R".

Applications

Au fil des ans, les modèles ACT-R ont été utilisés dans plus de 700 publications scientifiques différentes et ont été cités dans de nombreuses autres.

Mémoire, attention et contrôle exécutif

Le système de mémoire déclarative ACT-R a été utilisé pour modéliser la mémoire humaine depuis sa création. Au fil des années, il a été adopté pour modéliser avec succès un grand nombre d'effets connus. Ils incluent l'effet ventilateur des interférences pour les informations associées, les effets de primauté et de récence pour la mémoire de liste et le rappel en série.

ACT-R a été utilisé pour modéliser des processus d'attention et de contrôle dans un certain nombre de paradigmes cognitifs. Il s'agit notamment de la tâche Stroop , de la commutation de tâches , de la période réfractaire psychologique et du multitâche.

Langage naturel

Un certain nombre de chercheurs ont utilisé ACT-R pour modéliser plusieurs aspects de la compréhension et de la production du langage naturel . Ils comprennent des modèles d'analyse syntaxique, de compréhension de la langue, d'acquisition de la langue et de compréhension de métaphore.

Tâches complexes

ACT-R a été utilisé pour capturer comment les humains résolvent des problèmes complexes comme la tour de Hanoi, ou comment les gens résolvent des équations algébriques. Il a également été utilisé pour modéliser le comportement humain lors de la conduite et du vol.

Avec l'intégration des capacités perceptuelles-motrices, ACT-R est devenu de plus en plus populaire en tant qu'outil de modélisation des facteurs humains et de l'interaction homme-machine. Dans ce domaine, il a été adopté pour modéliser le comportement de conduite dans différentes conditions, sélection de menu et recherche visuelle sur application informatique, et navigation Web.

Neuroscience cognitive

Plus récemment, ACT-R a été utilisé pour prédire les schémas d'activation cérébrale lors d'expériences d'imagerie. Dans ce domaine, les modèles ACT-R ont été utilisés avec succès pour prédire l'activité préfrontale et pariétale dans la récupération de la mémoire, l'activité cingulaire antérieure pour les opérations de contrôle et les changements liés à la pratique de l'activité cérébrale.

Éducation

ACT-R a souvent été adopté comme base des tuteurs cognitifs . Ces systèmes utilisent un modèle ACT-R interne pour imiter le comportement d'un élève et personnaliser ses instructions et son programme, en essayant de «deviner» les difficultés que les élèves peuvent avoir et de fournir une aide ciblée.

Ces «tuteurs cognitifs» sont utilisés comme plate-forme pour la recherche sur l'apprentissage et la modélisation cognitive dans le cadre du Pittsburgh Science of Learning Center. Certaines des applications les plus réussies, comme Cognitive Tutor for Mathematics, sont utilisées dans des milliers d'écoles à travers les États-Unis.

Bref historique

Premières années: 1973–1990

ACT-R est le successeur ultime d'une série de modèles de plus en plus précis de la cognition humaine développée par John R. Anderson .

Ses racines remontent au modèle original de mémoire HAM (Human Associative Memory), décrit par John R. Anderson et Gordon Bower en 1973. Le modèle HAM a ensuite été étendu à la première version de la théorie ACT. C'était la première fois que la mémoire procédurale était ajoutée au système de mémoire déclarative d'origine, introduisant une dichotomie computationnelle qui s'est avérée plus tard valable dans le cerveau humain. La théorie a ensuite été étendue au modèle ACT * de la cognition humaine.

Intégration avec l'analyse rationnelle: 1990–1998

À la fin des années quatre-vingt, Anderson s'est consacré à l'exploration et à la présentation d'une approche mathématique de la cognition qu'il a nommée analyse rationnelle . L'hypothèse de base de l'analyse rationnelle est que la cognition est adaptative de manière optimale et que les estimations précises des fonctions cognitives reflètent les propriétés statistiques de l'environnement. Plus tard, il est revenu sur le développement de la théorie ACT, en utilisant l'analyse rationnelle comme cadre unificateur pour les calculs sous-jacents. Pour souligner l'importance de la nouvelle approche dans la mise en forme de l'architecture, son nom a été modifié en ACT-R, avec le «R» pour «Rational»

En 1993, Anderson a rencontré Christian Lebiere, un chercheur dans les modèles connexionnistes surtout connu pour avoir développé avec Scott Fahlman l' algorithme d'apprentissage de la corrélation en cascade . Leur travail conjoint a abouti à la sortie d'ACT-R 4.0. Grâce à Mike Byrne (maintenant à l'Université Rice ), la version 4.0 incluait également des capacités perceptives et motrices optionnelles, principalement inspirées de l'architecture EPIC, qui ont considérablement élargi les applications possibles de la théorie.

Imagerie cérébrale et structure modulaire: 1998–2015

Après la sortie d'ACT-R 4.0, John Anderson s'est de plus en plus intéressé à la plausibilité neuronale sous-jacente de sa théorie du temps de vie et a commencé à utiliser des techniques d'imagerie cérébrale pour poursuivre son propre objectif de comprendre les fondements informatiques de l'esprit humain.

La nécessité de tenir compte de la localisation cérébrale a poussé à une révision majeure de la théorie. ACT-R 5.0 a introduit le concept de modules, des ensembles spécialisés de représentations procédurales et déclaratives qui pourraient être mappées à des systèmes cérébraux connus. De plus, l'interaction entre les connaissances procédurales et déclaratives était médiatisée par des tampons nouvellement introduits, des structures spécialisées pour conserver des informations temporairement actives (voir la section ci-dessus). On pensait que les tampons reflétaient l'activité corticale, et une série d'études ultérieure a confirmé plus tard que les activations dans les régions corticales pouvaient être liées avec succès aux opérations de calcul sur les tampons.

Une nouvelle version du code, entièrement réécrite, a été présentée en 2005 sous le nom d'ACT-R 6.0. Il comprenait également des améliorations significatives du langage de codage ACT-R. Cela incluait un nouveau mécanisme dans la spécification de production ACT-R appelé correspondance dynamique de modèles. Contrairement aux versions précédentes qui exigeaient que le modèle mis en correspondance par une production comprenne des emplacements spécifiques pour les informations dans les tampons, la correspondance de modèle dynamique permet aux emplacements d'être mis en correspondance d'être également spécifiés par le contenu du tampon. Une description et une motivation pour l'ACT-R 6.0 sont données dans Anderson (2007).

ACT-R 7.0: 2015-présent

Lors de l'atelier de 2015, il a été soutenu que les modifications logicielles nécessitaient une augmentation de la numérotation des modèles vers ACT-R 7.0. Une modification majeure du logiciel a été la suppression de l'exigence selon laquelle les blocs doivent être spécifiés en fonction de types de blocs prédéfinis. Le mécanisme de type bloc n'a pas été supprimé, mais est passé d'une construction obligatoire de l'architecture à un mécanisme syntaxique facultatif dans le logiciel. Cela a permis une plus grande flexibilité dans la représentation des connaissances pour les tâches de modélisation qui nécessitent l'apprentissage de nouvelles informations et a étendu la fonctionnalité fournie par la correspondance dynamique de modèles, permettant désormais aux modèles de créer de nouveaux «types» de blocs. Cela conduit également à une simplification de la syntaxe nécessaire pour spécifier les actions dans une production car toutes les actions ont désormais la même forme syntaxique. Le logiciel ACT-R a également été mis à jour par la suite pour inclure une interface distante basée sur JSON RPC 1.0. Cette interface a été ajoutée pour faciliter la création de tâches pour les modèles et le travail avec ACT-R à partir de langages autres que Lisp, et le didacticiel inclus avec le logiciel a été mis à jour pour fournir des implémentations Python pour toutes les tâches d'exemple effectuées par les modèles de didacticiel. .

Retombées

Le long développement de la théorie ACT-R a donné naissance à un certain nombre de projets parallèles et connexes.

Les plus importants sont le système de production PUPS, une mise en œuvre initiale de la théorie d'Anderson, abandonnée plus tard; et ACT-RN, une implémentation de réseau neuronal de la théorie développée par Christian Lebiere.

Lynne M. Reder , également à l'Université Carnegie Mellon , a développé au début des années 90 SAC , un modèle d'aspects conceptuels et perceptifs de la mémoire qui partage de nombreuses caractéristiques avec le système déclaratif de base ACT-R, bien que différant dans certaines hypothèses.

Remarques

Les références

  • Anderson, JR (2007). Comment l'esprit humain peut-il se produire dans l'univers physique? New York, NY: Presse d'université d'Oxford. ISBN   0-19-532425-0 .
  • Anderson, JR, Bothell, D., Byrne, MD, Douglass, S., Lebiere, C., et Qin, Y. (2004). Une théorie intégrée de l'esprit. Revue psychologique , 1036-1060.

Liens externes