Kognitionspsykologi föreläsningar Flashcards
3 nivåer för analys
- Computational level, vilket problem är systemet utvecklat för att lösa?
- Algorithmic level, Hur löser systemet problemet?
- Implementation level, Hur är lösningen implementerat i systemet?
Koncept
Mental representation av en “verklig” kategori. Exempelvis mitt koncept “Hund” innehåller all information jag har om hundar.
Tänkandets byggstenar.
Koncept används för att?
Identifiera (kategorisera), tolka och predicera
Definitionsteorin
Koncept består av definitioner som definierar vilka egenskaper kategorimedlemmar besitter.
Vårt koncept “Hund” är en ren definition av olika karaktäristika för hundar (fyra ben, päls, 2 ögon osv).
Problem med definitionsteorin
Även om en hund ex saknar ett ben så är det fortfarande en hund även om det inte ingår i vårt koncept, vilket leder till att vi behöver ta in alla möjliga variationer och att vår definition och koncept därmed blir väldigt långt. Även om vi lyckas lagra allt blir det jobbigt att leta fram.
Typikalitetsprincipen är ännu ett problem, vi kommer definiera en blåmes som mer fågel än pingvin trots att de uppfyller samma kriterier för att klassas som fåglar
Prototypteorin
Koncept består av abstrakta prototyper, prototyp som en abstrakt avbild av vanligaste medlemmen av en kategori
Identifierar saker som är lika varandra i samma kategori/koncept, eftersom det inte går att ha en definition som funkar för alla hundar eller spel. Kategorimedlemmar liknar varandra därför effektivt att låta dem representeras av abstrakta representationer av de mest vanliga egenskaperna bland gruppens medlemmar. Jämför ex hund och katt-prototyp, blåmes mer fågel eftersom den stämmer bättre överens med prototypen för fåglar.
Problem prototypteorin
- Hur ska vi uppdatera prototypen? Efter vi byggt koncept och kategorier sen vi var små blir det tvetydigt när vi ex stöter på en pingvin för första gången, hur mycket ska jag ändra mitt koncept? När och till vad? Typ omöjligt med optimaluppdatering. Kan kategorisera objekt till en kategori trots att de delar fler egenskaper med en prototyp från en annan kategori (ex val).
Exemplarteorin
Koncept finns fångade i exemplar som i sin tur motsvarar objekt i miljön
Kategorin “hund” representeras av alla tidigare hundar vi stött på. Om vi ser enhund identifieras den ex med att jämföra med stickprov av tidigare hundar vi stött på.
Går efter lagring, ingen information går förlorad eftersom vi har kvar info och bildar en gruppering i vår kategori av olika hundar vi stöter på. Kan förklara fenomen som används för att motivera prototypteorin. Ex vi ser en blåmes som mer fågel än pingvin eftersom det liknar fler av de exemplar vi stött på.
Kritik Exemplarteorin
Vad är egentligen ett exemplar? Känns fel att lagra varje hund jag ser, om jag ser samma hund 2 gånger lagrar jag den då 2 gånger? Hur lagras det, bild eller egenskaper? Hur mycket kan vi egentligen lagra?
Slutsatser algorithmic level med utgångspunkt i de 3 teorierna
Definitionsteorin är den sämsta kandidaten, prototypteorin kan förklara fenomen som DT inte kan men har även den en del svagheter. Exemplarteorin löser problemen genom att säga att vi har “alla” exemplar men har också problem kopplade till att exemplar lagrade.
Vanlig syn idag är att vi har 2 eller fler parallella system för kategorisering och lagring
Två parallella system för kategorisering och lagring
- Abstrakt system, regler och analys
- Konkret system, likhet
Collin och Quillians semantiska nätverk
Målet var att visa hur kunskap organiseras. Koncept representeras med noder och de koncept som är kopplade till varandra kopplas ihop med olika länkar. Ex “living thing” så grenar det sig nedåt
Collin och Quillian, viktiga principer
- Hierarkisk organisation av kunskap
- Koncept som inte är relaterade är inte heller sammanlänkande
Lax, fisk, djur vad går snabbast? Längre mellan noderna lax och djur än lax och fisk
Spreading activation
När en nod aktiveras sprids aktiveringen till närliggande noder. Koncept som aktiveras kommer primas och vara lättare att minnas.
Empiriska problem C o O semantiska nätverk
- Förklarar inte typikalitetseffekten, blåmes eller pingvin fågel? Eller gris djur eller däggdjur
- Alla prediktioner stämmer inte
Sammanfattning C o O semantiska nätverk predicera och slutsats om
- Kan användas för att predicera en rad beteenden
- Trots det är det ingen bra modell för hur det mänskliga minnet är strukturerat
Konnektionistiska nätverk
- Idag ligger främst fokus på dessa nätverk
- De beskriver nätverk som liknar C o O, hur information kodas och lagras mentalt
Konnektionistiska nätverk principer
- Utgår från enheter/units som utgås motsvara neuron
- Enheterna är länkade som neuroner via synapser
- Enheter kan via sina länkar inhibera eller aktivera andra enheter
- Kunskap programmeras inte direkt in i nätverket utan det lär sig själv
- Kunskap representeras som distribuerad representation/mönster av aktivering
- Distribuerad representation är bra eftersom det gör att nätverket inte havererar om en enhet försvinner och kan använda lagrad kunskap frö att finna struktur i nya miljöer
För och nackdelar konnektionistiska nätverk
Fördelar:
- Bygger på samma principer som mänskliga nervsytemet
- Kan lära sig själv
- Distribuerad representation
Nackdelar:
- Lär sig relativt långsamt
- Uppdateringsproblem
- Svårt att få överblick, vad händer egentligen och varför?
Syfte med semantiska och konnektionistiska nätverk
Fånga hur den mänskliga hjärnan arbetar, nätverk kan användas för att skapa hypoteser som sedan kan undersökas i beteendeexperiment
Komponenter i mänskligt språk, bygga språk
Komponenter kan kombineras för att bygga större enheter. Ljud-ord-meningar-berättelser (i ordning)
Byggande av mänskligt språk, regelstyrt
Komponenter sätts ihop på ett förbestämt vis
Språk är universeellt
- de flesta människor utvecklar ett språk och lär sig följa komplexa regler
- Döva barn hittar på eget teckenspråk
- Universeellt över kulturer
- Liknande språkutveckling i olika samhällen
Vad är ett problem?
- Hinder mellan nuvarande tillstånd och ett mål
- Inte omedelbart uppenbart hur ma tar sig runt det