Računsko modeliranje Flashcards
Kaj so nameni in prednosti računskega modeliranja?
Nameni:
1) Formalizacija: o tem so se pogovarjali že na Dunajskem krožku. Pomembno je jasno in formalo zapisati ideje; računski modeli nam to omogočajo
2) Konkretizacija: računski model zelo jasno in konkretno opredeli predvidevanja. Ko enkrat oblikujemo računski model, razne nejasnosti izginejo. S tem, ko se spravimo delat računski model lahko ugotovimo, če se kaj ne ujema, če imamo kje kakšno luknjo, če si kje kaj nasprotuje. Računski model nam torej pomaga splošne konceptualne ideje spraviti v bolj konkretno obliko, ki nam pomaga razvideti luknje in neujemanja v našem razmišljanju.
3) Ocenjevanje parametrom: s pomočjo računskih modelov lahko ugotavljamo razne parametre (modelu damo neke empirične podatke in potem računski model preverja stvari za nas)
4) Primerjava modelov in testiranje hipotez: če imamo več računskih modelov, jih lahko med seboj primerjamo in gledamo, kje se med seboj razlikujejo. Lahko gledamo, katere predikcije so bolj smiselne in zavračamo tiste modele, ki niso pravi
5) Eksperimenti in silico: lahko preverimo, če naš model ustrezno napoveduje in ČE ustrezno napoveduje, lahko stvari preverjamo, brez da bi v eksperiment vključevali ljudi in živali
in silico = (of scientific experiments or research) conducted or produced by means of computer modelling or computer simulation, instead of testing on people or animals
Kakšni so lahko kognitivni modeli?
Modeli so lahko materialni (npr. model letala), konceptualni (abstrakcija nekih kognitivnih procesov; hese models are constructed based on key concepts and relationships that define the system or topic in question, abstracting away unnecessary details while highlighting the most important aspects. Conceptual models are widely used in various fields, such as science, engineering, information technology, business, and social sciences, to facilitate understanding, analysis, and decision-making) ali pa računski
Naštej in opiši nekaj vrst računskih modelov
- matematični modeli → Na podlagi matematičnih enačb opisujejo, kako delujejo določeni kognitivni procesi, kakšni so odnosi med različnimi pojavi ipd; opisujejo odnose s pomočjo zakonov, enačb
- simbolični modeli → Opisujejo (Nek jezik Prolog je bil namenjem prav oblikovanju AI.). Tega modela si ne bomo podrobno pogledali.
-
konekcionistično modeliranje → Obstaja več vrst, razlikujejo se v tem, v kakšni meri želijo biti biološko natančni. Poskušajo opisati procese s pomočjo nevronskih mrež. Ideja je vzeta iz tega, kako delujejo naši možgani. Izkazalo se je, da se da zelo dorbo modelirati razne kognitivne funkcije, da se razviti zelo dobre sisteme strojnega učenja, ki so sposobni opravljati zelo zahtevne naloge (razumevanje govora, produkcija govora). ‘Deep learning’ je možen zaradi konekcionističnih modelov. Tu pazi, ne piši “nevroni” temveč “enote,” ker en gre za dejanske nevrone—živčne celice ne morejo spreminjati svoje vloge (?) so lahko inhibitorne ali …
Nadgradnja konekcionističnih modelov je računska kognitivna nevroznanost.
Ostale vrste modelov:
* Bajesovski modeli → simulirajo kognitivne procese s pomočjo verjetnostnega sklepanja
* model dinamičnih procesov → Gre za bolj kompleksne matematične modele (nelinearni odnosi se gledajo, kako razlike v začetnih pogojih vodijo do pomembnih razlih v končnih rezultatih …)
* evolucijski modeli→ Parametri se lahko spreminjajo in se potem ustvari novo populacijo in se to preučuje; opisujejo razvoj kognitivnih sposobnosti kot adaptacij skozi čas
Kar se jim očita: poskušajo modelirati specifične kognitivne funkcije (vidno zaznavanje, delovn ispomin, kodiranje konceptov …) → Posledica je, da te modeli med sabo niso povezani, nas pa vseeno zanima kako naš kognitivni sistem deluje celostno. Zato se je ustvarila nova vrsta modelov, ki jim pravimo kognitivne arhitekture—te modeli pa združujejo različne kognitivne funkcij (npr. model ACT je primer); modeliranje širokega nabora kognitivnih modulov in funkcij z namenom pojasnjevanja kognicije v splošnem
Bolj podrobno opiši matematični računski model kognicije
Če si moramo zapomniti lokacijo nečesa, si to lahko zapomnimo na več načinov. Govoril je o eksperimentu, kjer je bila pika na enkranu in so si udeleženci mogli zapomniti, na katerem mestu se je pojavila in po določeni par sekundi pavzi to lokacijo označiti; kaže se, da udeleženci odgovarjajo tako, da dlje kot je od diagonale, bližje k diagonali bodo označili, da je bila pikica. Lahko ostanemo na tem nivoju in si rečemo, da smo prišli do te znaimive ugotovitve, lahko pa
se vprašamo, zakaj do tega prihaja. Lokacijo je lahko opredeliti na podlagi kvadrantov (če imaš x in y os, je levo zgoraj, desno zgoraj, levo spodaj in desno zgoraj).
Drugi najboljši orientacijski indikator pa so diagonale, ki sekajo x in y os v 0 in gredo čez sredino vsakega kvadranta. Lahko predvidimo, da je naš odgovor neko uteženo povprečje med našim spominom in prototipom (če si ne zapomnimo nič, se zanašamo samo na prototip, lahko pa gre za neko kombinacijo). Lahko tudi gledamo, kako močno smo zaupali svoji kogniciji v primerjavi z zanašanjem na prototip.
Bolj podrobno opiši konekcionistični računski model kognicije
Nevron dobiva različne signale, ki se seštejejo med sabo, in če je teh interakcij dovolj, se nevron odzove in prenese informacije naprej.
Seštejemo torej vse zmnožke aktivacij nevronov, ki se vežejo na naš nevron. Kako s tem modeliramo kognitivne procese? Lahko sestavljaš enote (”živčne celice”) v vezja in kalkuliraš, kdaj se bo opazovana enota odzvala in kdaj ne, na podlagi aktivacije drugih enot. Vezja so lahko močnejša (večja cifra) ali šibkejša (manjša cifra attributed to those ones)—to so uteži vezi. Imam ‘IN’ vezja in ‘XOR’ vezja. Te stroji so zmožni izračunov o tem, ali se bo nekaj aktiviralo ali ne. Naši možgani so le neko zelooo kompleksno vezje z ogromno povezavami in s temi konekcionističnimi modeli lahko ugotavljamo, kako kognitivni procesi delujejo. Osnovni princip je kako deluje živčni sistem.
Opiši mrežni računski model kognicije Quilliana (1969)
Teachable Language Comprehender (Quillian, 1969)
Ta model je želel razviti sistem, ki bi prikazal, kako shranjujemo besede v možganih. Neka
podnota ima lastnosti sebe in tudi vse lastnosti nadrejenih enot—ni nam treba si zapomniti, da kanarček diha in je, ker to vemo že iz tega, da je podenota živali.
Naredili so eno preiskavo, kjer so spraševali, “Ali kanarček diha?”, “Ali je kanarček ptič?” in merili reakcijske čase. Predpostavili so, da bojo reakcijski časi krajši
pri “poje” kot pri “diha” a ni nujno tako—to nam pove, da je vezje nekje šibkejše, nekje pa močnejše. Na podlagi teh ugotovitev so razvili nove modele in jih
preverjali naprej (to se nasplošno dela—na podlagi empiričnih podatkov se preoblikuje model in se preverja naprej).
Opiši Andersonov (1983) mrežni računski model kognicije
ACT (Anderson, 1983)
ne vem če je to ta
Ta model predpostavlja, da naš spomin ne deluje tako kot slovar ali telefonski imenik. Obstajajo vozlji, ki povezujejo določene podatke med seboj. Lahko oseba
A reče “Kdo je že bil tisti, ki je bil star 40 in je končal univerzo” in oseba B odgovori “To je bil Sam, on je bil slepar.” ← Oba imata povezane pojme med seboj
(oba imata te 3 karaktristike povezane s pojmom Sam). Slabost tega sistema je, da eno enoto (en pojem) striktno locira na eno lokacijo—to ni res, ker če bi prišlo do izgube tega enega nevrona (recimo da se napijem i nizgubimo par nevronov), bi popolnoma izgubili informacijo o babici npr.
Opiši Jets and Sharks (McClelland, 1981)
Opiši razpršen model Massona (1995)
Massonov model porazdeljenega spomina za semantično facilitacijo (1995) je kognitivni model, ki pojasnjuje, kako aktivacija povezanih pojmov v spominu vpliva na prepoznavanje besed in razumevanje. Massonov model porazdeljenega spomina (1995) vključuje pomenske, fonološke in ortografske enote kot del svojega sistema reprezentacije besed in njihovih pomenov v semantičnem spominu. Model predpostavlja, da so te enote med seboj povezane v omrežju in soodvisne pri aktivaciji besed. Tukaj je podrobnejša razlaga, kako model obravnava vsako vrsto enote:
Pomenske enote: Te predstavljajo semantične informacije ali pomen besed. Pomenske enote so aktivirane na podlagi konceptualnih povezav med besedami. Na primer, besedi “pes” in “mačka” imata prekrivajoče se pomenske enote zaradi podobnosti njunih pomenov (oba sta hišni ljubljenčki). Ko je aktivirana beseda “pes”, se aktivirajo tudi pomenske enote, povezane z “mačko”, kar vodi do semantične facilitacije.
Fonološke enote: Fonološke enote se nanašajo na zvokovne vzorce besed. Model vključuje fonološke informacije kot del besednega prepoznavanja, kjer aktivacija ene besede lahko vpliva na prepoznavanje druge besede s podobno fonološko strukturo. Na primer, beseda “mačka” lahko deloma aktivira besedo “pačka” zaradi podobnosti njunih glasovnih vzorcev. Vendar pa je učinek fonološke aktivacije manj močan kot pri pomenskih povezavah, saj model daje prednost semantični facilitaciji.
Ortografske enote: Ortografske enote predstavljajo vizualne ali črkovne vzorce besed. Aktivacija ortografskih enot nastopi, ko so besede vizualno podobne ali delijo podobne črke (npr. “pes” in “mes”). Ta podobnost lahko privede do nekakšne facilitacije ali interference pri procesiranju besed. Ortografske in fonološke enote so pomembne za prepoznavanje besed, vendar model poudarja, da je semantična aktivacija (pomenske enote) bolj vplivna pri razlagi semantične facilitacije.
Massonov model tako upošteva, da vse tri vrste enot prispevajo k procesu prepoznavanja besed in semantične facilitacije, pri čemer je interakcija med pomenskimi, fonološkimi in ortografskimi enotami ključnega pomena za razumevanje, kako pride do aktivacije besed in povezav v spominu. Model predlaga, da so pomenske enote ključne za semantično facilitacijo, medtem ko fonološke in ortografske enote igrajo podporno vlogo, zlasti pri začetnem prepoznavanju besed. Model temelji na ideji porazdeljenih reprezentacij, kjer so pojmi predstavljeni kot vzorci aktivacije v mreži medsebojno povezanih enot (nevronov ali vozlišč). Ključne točke modela so:
Porazdeljene reprezentacije: Besede in njihovi pomeni so predstavljeni kot vzorci aktivacije po veliki mreži medsebojno povezanih enot. Vsaka beseda nima ene same reprezentacije; namesto tega je kodirana z vzorcem aktivacije, ki ga povzroči v mreži.
Semantična facilitacija (priming): Ko je predstavljena beseda (»prime«), aktivira svoj povezani vzorec v mreži. Če ji sledi sorodna beseda (»target«), je njena reprezentacija delno že predhodno aktivirana zaradi prekrivajočih se vzorcev povezanih pojmov. To olajša (in pospeši) prepoznavanje ali procesiranje ciljne besede, kar vodi v semantično facilitacijo.
**Vpliv konteksta in podobnosti: **Model predlaga, da stopnja facilitacije zavisi od semantične podobnosti med primom in ciljem ter od kontekstualnega prekrivanja njunih porazdeljenih reprezentacij. Bolj kot so reprezentacije med seboj podobne, močnejši je učinek facilitacije.
**Učenje in prilagajanje: **Model vključuje tudi mehanizme za učenje in prilagajanje, kjer se povezave med enotami prilagajajo na podlagi izkušenj. To odraža, kako se semantični spomin s časom razvija ob izpostavljenosti novim informacijam.
Na splošno Massonov model zajema dinamično in medsebojno povezano naravo semantičnega spomina ter zagotavlja računsko osnovo za razumevanje, kako učinki facilitacije izhajajo iz porazdeljenih vzorcev aktivacije.
Računski modeli se v grobem delijo na lokalistične in razpršene. Naštej nekaj značilnosti in jih primerjaj
Lokalistični: Vsak pojem je zabeležen z diskretno lokacijo v mreži. Povezanost pojmov je kodirana neposredno z močmi povezav. Spontano širjenje aktivacije predstavlja osnovni mehanizem priklica.
Razpršeni: Pojem je zabeležen s pomočjo vzorca aktivacije in inhibicije preko večjega
števila enot v mreži. Povezanost je kodirana posredno preko podobnosti vzorcev.
Spontano širjenje aktivacije nima pomembne vloge pri priklicu.
Opiši računski model izgube semantičnega spomina Farah & McClelland (1991)
Posamezniki, ki imajo probleme samo s poimenovanjem živih bitij in ne z neživimi bitji (orodji), nekateri pa obratno. Lahko
predspostavimo, da kodiramo informacije na podlagi tega, kaj nam nekaj pomeni (živo bitje, ki je, vs. orodje, s katerim lahko nekaj naredim). Na podlagi tega
lahko naredimo model, ki ima vidni in verbalni vnos, kjer je vsak lahko kategoriziran kot ‘bitje’ ali pa kot ‘orodje’.
