Beräkningsmässig kognition
Computational kognition (som ibland ses till som computational cognitive science eller computational psykologi ) är studien av den beräkningsmässiga grunden för lärande och slutledning genom matematisk modellering , datorsimulering och beteendeexperiment . Inom psykologi är det ett tillvägagångssätt som utvecklar beräkningsmodeller baserade på experimentella resultat. Den försöker förstå grunden bakom den mänskliga metoden att bearbeta information . Tidigt försökte beräkningskognitiva forskare att ta tillbaka och skapa en vetenskaplig form av Brentanos psykologi.
Artificiell intelligens
Det finns två huvudsakliga syften med produktionen av artificiell intelligens: att producera intelligenta beteenden oavsett kvaliteten på resultaten, och att modellera efter intelligenta beteenden som finns i naturen. I början av dess existens fanns det inget behov av artificiell intelligens för att efterlikna samma beteende som mänsklig kognition. Fram till 1960-talet försökte ekonomen Herbert Simon och Allen Newell att formalisera mänskliga problemlösningsförmåga genom att använda resultaten av psykologiska studier för att utveckla program som implementerar samma problemlösningstekniker som människor skulle göra. Deras verk lade grunden för symbolisk AI och beräkningskognition, och till och med några framsteg för kognitiv vetenskap och kognitiv psykologi .
Området för symbolisk AI är baserat på hypotesen om fysiska symbolsystem av Simon och Newell, som säger att uttrycka aspekter av kognitiv intelligens kan uppnås genom manipulation av symboler . Men John McCarthy fokuserade mer på det ursprungliga syftet med artificiell intelligens, vilket är att bryta ner essensen av logiskt och abstrakt resonemang oavsett om människan använder samma mekanism eller inte.
Under de kommande decennierna började de framsteg som gjorts inom artificiell intelligens att fokuseras mer på att utveckla logikbaserade och kunskapsbaserade program, som avviker från det ursprungliga syftet med symbolisk AI. Forskare började tro att symbolisk artificiell intelligens kanske aldrig skulle kunna imitera några intrikata processer av mänsklig kognition som perception eller inlärning . Den då upplevda omöjligheten (sedan motbevisad) av att implementera känslor i AI, sågs vara en stötesten på vägen till att uppnå mänsklig-liknande kognition med datorer. Forskare började ta ett "subsymboliskt" tillvägagångssätt för att skapa intelligens utan att specifikt representera den kunskapen. Denna rörelse ledde till den framväxande disciplinen beräkningsmodellering , sambandism och beräkningsintelligens .
Beräkningsmodellering
Eftersom det bidrar mer till förståelsen av mänsklig kognition än artificiell intelligens, uppstod beräkningskognitiv modellering ur behovet av att definiera olika kognitionsfunktioner (som motivation, känsla eller perception) genom att representera dem i beräkningsmodeller av mekanismer och processer. Beräkningsmodeller studerar komplexa system genom att använda algoritmer för många variabler och omfattande beräkningsresurser för att producera datorsimulering . Simulering uppnås genom att justera variablerna, ändra en ensam eller till och med kombinera dem tillsammans, för att observera effekten på resultaten. Resultaten hjälper experimenterande att göra förutsägelser om vad som skulle hända i det verkliga systemet om liknande förändringar skulle inträffa.
När beräkningsmodeller försöker efterlikna mänsklig kognitiv funktion måste alla detaljer i funktionen vara kända för att de ska kunna överföras och visas korrekt genom modellerna, vilket gör det möjligt för forskare att grundligt förstå och testa en existerande teori eftersom inga variabler är vaga och alla variabler är modifierbara . Betrakta en minnesmodell byggd av Atkinson och Shiffrin 1968, den visade hur repetition leder till långtidsminne , där informationen som repeteras skulle lagras. Trots de framsteg den gjort när det gäller att avslöja minnets funktion, lyckas denna modell inte ge svar på avgörande frågor som: hur mycket information kan repeteras åt gången? Hur lång tid tar det för information att överföras från repetition till långtidsminne? På liknande sätt väcker andra beräkningsmodeller fler frågor om kognition än de svarar på, vilket gör deras bidrag mycket mindre betydelsefulla för förståelsen av mänsklig kognition än andra kognitiva tillvägagångssätt. En ytterligare brist med beräkningsmodellering är dess rapporterade brist på objektivitet.
John Anderson använder i sin Adaptive Control of Thought-Rational (ACT-R) modell funktionerna i beräkningsmodeller och kognitionsvetenskapens resultat. ACT-R-modellen bygger på teorin att hjärnan består av flera moduler som utför specialiserade funktioner åtskilda från varandra. ACT-R-modellen klassificeras som ett symboliskt förhållningssätt till kognitionsvetenskap.
Connectionistiska nätverk
Ett annat tillvägagångssätt som handlar mer om det semantiska innehållet i kognitionsvetenskap är konnektionism eller neurala nätverksmodellering. Connectionism bygger på idén att hjärnan består av enkla enheter eller noder och beteenderesponsen kommer främst från lagren av kopplingar mellan noderna och inte från själva miljöstimulansen.
Connectionist-nätverk skiljer sig från beräkningsmodellering specifikt på grund av två funktioner: neural back-propagation och parallell-bearbetning . Neural back-propagation är en metod som används av anslutningsnätverk för att visa bevis på lärande. Efter att ett anslutningsnätverk har producerat ett svar jämförs de simulerade resultaten med verkliga situationsresultat. Återkopplingen från bakåtriktad spridning av fel skulle användas för att förbättra noggrannheten för nätverkets efterföljande svar. Den andra funktionen, parallellbearbetning, härrörde från tron att kunskap och perception inte är begränsade till specifika moduler utan snarare är fördelade över de kognitiva nätverken. Nutiden av parallell distribuerad bearbetning har visats i psykologiska demonstrationer som Stroop-effekten , där hjärnan tycks analysera uppfattningen av färg och språkets betydelse samtidigt. Detta teoretiska tillvägagångssätt har dock ständigt motbevisats eftersom de två kognitiva funktionerna för färguppfattning och ordbildning fungerar separat och samtidigt, inte parallella med varandra.
Kognitionsområdet kan ha dragit nytta av användningen av anslutningsnätverk, men att sätta upp de neurala nätverksmodellerna kan vara en ganska tråkig uppgift och resultaten kan vara mindre tolkbara än det system de försöker modellera. Därför kan resultaten användas som bevis för en bred teori om kognition utan att förklara den speciella process som sker inom den kognitiva funktionen. Andra nackdelar med anslutningism ligger i de forskningsmetoder den använder eller hypoteser den testar eftersom de ofta har visat sig vara felaktiga eller ineffektiva, vilket tar kopplingsmodeller bort från en korrekt representation av hur hjärnan fungerar. Dessa problem gör att neurala nätverksmodeller är ineffektiva när det gäller att studera högre former av informationsbehandling, och hindrar anslutningism från att främja den allmänna förståelsen av mänsklig kognition.
Se även
Vidare läsning
- Busemeyer, Jerome R. ; Wang, Zheng; Townsend, James T. ; Eidels, Ami, red. (2015). Oxfords handbok för beräknings- och matematisk psykologi . Oxfords psykologibibliotek. Vol. 1. Oxford; New York: Oxford University Press . doi : 10.1093/oxfordhb/9780199957996.001.0001 . ISBN 9780199957996 . OCLC 894139948 .
- Chipman, Susan F., red. (2017). "Del I. Den nya beräkningspsykologin: kognitiva arkitekturer och beräkningsmodellering av kognition". Oxfords handbok för kognitionsvetenskap . Oxfords psykologibibliotek. Vol. 1. Oxford; New York: Oxford University Press . doi : 10.1093/oxfordhb/9780199842193.001.0001 . ISBN 9780199842193 . OCLC 953823360 .
- Sun, Ron , red. (2008). Cambridge-handboken för beräkningspsykologi . Cambridge, Storbritannien; New York: Cambridge University Press . doi : 10.1017/CBO9780511816772 . ISBN 9780521857413 . OCLC 153772906 .