Везде
Analytical thinking as a problem of the connectionist approach in cognitive science
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
Analytical thinking as a problem of the connectionist approach in cognitive science
Annotation
PII
S207751800011011-1-1
DOI
10.18254/S207751800011011-1
Publication type
Article
Статус публикации
Published
Authors
Rustam Khasanov 
Affiliation: Moscow state university
Address: Russian Federation, Moscow
Edition
Volume 15 Issue 3
Abstract

The article is devoted to various approaches to modeling the process of logical-deductive inference with connectionism approach in cognitive science. Correlation of human analytical thinking with the activity of a computer program is today discussed in the computational theory of mind and connectionist networks, as one of the popular approaches can serve as an explanatory paradigm of the analytical type of rational activity. The article examines the weaknesses of the interpretation of higher sign-symbolic mental operations as logical relations without taking into account their semantic content. The work comprehends the natural similarity between sequential reasoning in figurative and sign-symbolic thinking, which can serve as a topic for the development of a discussion about the relationship between mental imagery and sign-symbolic types of thinking. We discuss important role of mental time in considering the processes of deductive reasoning, we argue how a sequential data type such as speech and writing can understand within the connectionism. The fact is emphasized that so far no existing paradigm has been able to completely solve all the main problems of the process of analytical thinking. The strengths and weaknesses of connectionism in the issue of solving analytical problems are shown. The main problem of analytical thinking is seen in the presence of certain properties of subjective reality that limit the process of logical-verbal thinking, which are not taken into account in connection models. The article does not provide solutions to these potential limitations of PDP models. To explain and clarify the further development of the connectionist-type models describing the deduction process, it is proposed to consider the main examples of sequential thinking and highlight mental time as a limiting property of such processes.

Keywords
connectionism, neural networks, PDP models, analytical thinking, deduction process, Reber's two systems theory, dual process theory
Received
24.07.2020
Date of publication
05.09.2020
Number of purchasers
25
Views
1810
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
Services benefits
100 RUB / 1.0 SU
Additional services for all issues for 2020
Services benefits
1200 RUB / 24.0 SU
1

Введение

Для когнитивной науки коннекционизм это теория переработки информации мозгом на основе нейроподобных вычислительных систем, основное отличительное свойство которых параллельная и распределенная обработка данных (PDP – модели1). В общем виде параллелизм — это воспроизведение аппаратной структуры в виде нескольких подобных структур, такой прием используется для повышения производительности, каждая подобная элементарная структура решает часть задачи, каждая подсистема из элементарных структур может решать часть задачи, тем самым сильно ускоряется поиск ответа. Параллелизм подразумевает одновременность выполнения процедур вычисления, а распределенность вычислений подразумевает разделение в пространстве процедур вычисления. Для коннекционизма характерно и то, и другое, в то время как для последовательных вычислительных систем возможно либо одно, либо другое. Коннекционистские модели являются нейроподобными в том смысле что информация, которая хранится в вычислительном устройстве коннекциониского типа заключена в силе соединений между элементами этого устройства. Эти модели экстраполируют результаты сложных вычислений неклассического вида на познавательные процессы, которые реализуются в мозге. Параллельная модель предполагает одновременную обработку информации о разных признаках на одном уровне. Например, наши глаза уже на начальном этапе обработки зрительного сигнала улавливают линии, цветное изображение и изображение движущихся объектов [Wässle 2004]. Моторные команды, подаваемые в мышцы для реализации сложного поведения распараллелены, что обеспечивает их слаженность, например, рассматриваются случаи игры на пианино, или печатания на клавиатуре, когда сложное автоматическое движение задействует несколько групп мышц, активных одновременно. В общем случае широкий параллелизм и распределенность в обработке сигналов мозгом общеприняты и находят много подтверждений.
1. >>>>
2 Однако для коннекционизма существует трудность применительно к интерпретации мысленного рассуждения последовательного типа, использующего знаково-символьное выражение. Если классическая когнитивная архитектура для объяснения интеллектуальных действий использует символьную парадигму А. Ньюэлла и Г. Саймона [Newell, Simon 1975], в которой обработка информации заключается в манипуляции символами в явном виде, то для дистрибутивной и распределенной архитектуры трудно представить как происходит процедура аналитического вывода, если правила, управляющие сочетаниями символов находятся на уровне связанных групп нейронов и не образуют реальную систему для процедур логического вывода. Нейронные сети могут охватывать автоматические процессы, касающиеся чтения слов или образования морфем, но в отношении применения моделей PDP к аспектам семантического познания и многим формам рассуждений, включая причинно-следственные, математические и силлогистические рассуждения сохраняется скептицизм [Timothy 2020]. Все эти сведения позволяют некоторым авторам предложить, что коннекционизм не может быть использован для объяснения «языка мысли» [Fodor, Pylyshyn 1988]. Как может справиться с этой трудностью коннекционистская когнитивная архитектура?
3

Теория дуального процесса мышления

Популярная сегодня в когнитивной науке теория дуального процесса мышления выделяет две независимые системы мыслительной деятельности [Oaksford, Chater 2012]. В первом случае (система 1) подразумеваются бессознательные, параллельно реализованные процессы, автоматического принятия решений, такие процессы обычно описываются коннекционистской архитектурой. Результаты работы «системы 1» подаются в область сознательного восприятия в виде интуитивной догадки в готовом виде. «Система 1» используется в хорошо знакомой ситуации, когда мы собрали много надежных данных, например, в случае социального взаимодействия подразумевается огромное число выученных и проверенных на опыте сигналов от собеседника [Bargh 2014]. Во втором случае (система 2) подразумеваются сознательные последовательные рассудочные действия гипотетико-дедуктивного типа, они описываются с помощью классической символьной парадигмы и сравниваются со структурой стандартной двоичной логики. «Система 2» используется при принятии решения в новой незнакомой ситуации, в которой у нас не так много опытных данных, и для которой необходимо сознательное действие. Для иллюстрации можно привести пример человека, гуляющего по шаткому мосту, и забывшего посмотреть вниз. Его шаги будут уверенными, а поступь плавной ровно до того момента, когда он вдруг увидит огромную пропасть под своими ногами и ветхие балясины моста. В этот момент «система 1» передаст управление «системе 2» и человек боязливо, мелкими шажками внимательно рассчитывая каждое действие, попытается сойти с моста. Этот пример иллюстрирует разницу между двумя системами. «Система 2» описывается как относительно новое эволюционное приобретение, развитое только у человека. Ее называют рациональной или аналитической т.к. она выполняет операции шаг за шагом последовательно и основывается на логико-семантических правилах рассуждения [Evans 2003]. Также эту систему называют медленной, т.к. временные рамки реализации когнитивных способностей «системы 2» относительно больше в сравнении с «системой 1». В рамках реализации когнитивных способностей последовательного типа «системой 2» можно выделить речь и письмо, «ментальную арифметику» или любого рода вычисления в уме, мысленные перемещения во времени и процесс принятия решений. Взаимозависимость этих процессов частично доказана, например, изучение Дениелом Эвереттом особенностей языка племени пирахан [Everett 2005], вызвало волну дискуссий о функциональном значении понятия числа, его связи с языком и значении десятичной системы исчисления в расширении когнитивных способностей человека при расчете событий отдаленного будущего [Alastair, Padraic, Falk 2017]. Рассмотрим каждый тип последовательной деятельности человека подробнее.
4

Принятие решений

В рамках малых временных масштабов для человека характерно существование психологического рефрактерного периода, это такой период времени, который не может быть использован для решения следующей задачи, потому что человек все еще размышляет над предыдущей. Например, в эксперименте с двумя простыми задачами от испытуемого требовалось в первой задаче – нажимать на букву «т» на клавиатуре, когда он видит зеленую рамку. А также нужно нажать букву «м» на клавиатуре, когда на экране видна цифра «3» или нажать букву «с» если видна цифра «4». Здесь человеку нужно было делать выбор в двух задачах и люди испытывали затруднение при выполнении этих задач параллельно, выполнение одной задачи мешало выполнению другой [Pashler 1994]. То есть чем ближе по времени второй стимул к первому стимулу (50-150мс после первого), тем больше времени потребуется для того, чтобы ответить на второй стимул. Это наблюдение указывает на узкое место переработки информации мозгом. Вовлеченный в процесс принятия решений субъект должен ориентировать свои действия во времени относительно одной задачи и не может выполнять другую задачу, потому что его внимание сконцентрировано в одном направлении. Рефрактерный период указывает нам на невозможность параллельной работы когнитивной системы на уровне принятия решений: сознательно человек не может размышлять над двумя задачами вместе, но переключает внимание между двумя задачами. Пример демонстрирует функциональные ограничения мозга и некую последовательность мышления, которая возникает в перспективе «от первого лица» при решении задач. Это трудное место для коннекционистской архитектуры, потому что в основе коннекционистских моделей принятия решений лежит идея выбора из нескольких вариантов на основе предпочтения [Angel, Dolores del Castillo, Ignacio Serrano 2010], которое зафиксировано в силе связей между различными альтернативами. В случае простого выбора между А и В механизм, описываемый коннекционистской моделью представляет процедуру поиска по нескольким атрибутам, которые определяют предпочтение когнитивной системы к А или В. Если в задачу добавить еще одну пару альтернатив, то модель не изменится, но в эксперименте мы видим увеличение времени, требуемого для ответа на вторую задачу.
5 Коннекционистские модели обладают рядом преимуществ по сравнению с классическими моделями последовательной обработки сигнала. Они более гибкие и подходят для ситуаций с нечеткими альтернативами. Предпочтение в различных нейросетевых моделях может определятся рейтингом, порогом, правилом или эмоцией, что психологически правдоподобно. Например, «пороговая модель поля решений» пытается объяснить эффекты, возникающие при принятии решений такие как сходство, компромисс или эффект притяжения, на основе категорий сформированных в прошлом [Johnson, Busemeyer. 2005].
6 Эта модель хорошо описывает «систему 1», например, если человек выбирает автомобиль он оценивает разные атрибуты, такие как цена и качество, во многом автоматически, согласно набору ранее усвоенных знаний. Однако для преднамеренных решений (для «системы 2»), которые характеризуются последовательными мысленными представлениями применение коннекционистской модели проблематично. Несмотря на то что человек не осведомлен о процессах, лежащих в основе его выбора, он активно участвует в принятии решений, и не является эпифеноменом автоматических процессов рассудочной деятельности [Simon, Snow, Read 2004]. Коннекционистская модель как автоматическая система определяет лучшего кандидата, и человек осознает доминирующий вариант предпочтения (предпочтение, которое дает наиболее связное мысленное представление). О соотнесении автоматических и преднамеренных процессов принятия решений рассуждает Анддреас Глекнер [Glöckner, Betsch 2008]. Он предлагает модель из двух сетей, первая автоматически репрезентирует первичные варианты поведенческих реакций, вторая сеть преднамеренных стратегий функционирует как вспомогательная система, помогая первичной сети выполнять свою работу, выбирая стратегии, которые помогают реструктурировать первичную сеть. Актуальный мысленный контроль по средствам второй сети имеет свои ограничения что может служить объяснением задержки при решении двух задач одновременно. Стоит подчеркнуть, что стратегия поиска последовательных решений по мнению некоторых авторов [Bargh, Chartrand, 1999] не доминирует для повседневных решений, сознательный и преднамеренный контроль с точки зрения коннекционизма сильно ограничен и скорее представляет собой регуляцию автоматических процессов.
7

Манипулирование образами

Последовательность в ходе мыслительной деятельности также возникает при сознательном манипулировании образами, что иллюстрирует задача с мысленным поворотом [Hesslow 2002]. В эксперименте человек видит на рисунке две объемные фигуры с разного ракурса, фигуры похожи, но не очевидно одинаковые они или нет. Решить задачу возможно путем создания образов фигур. Когда человек пытается развернуть фигуру в мысленном поле он может заметить, что мысленный поворот происходит поэтапно, как и в случае с реальными фигурами. Такое впечатление что человек симулирует поворот в поле ментального образа этой фигуры, что подтверждается МРТ исследованием, показывающим похожие паттерны активности при работе с реальными и воображаемыми фигурами [Ganis, Thompson, Kosslyn 2004]. Удивительно что в вопросе манипуляции объектами в мысленном поле зрения наблюдается линейное рассуждение, почему результат вычисления не появляется сразу, без переходных шагов между образами? В частности, задача поворота фигуры требует последовательно перевести фигуру путем мелких шагов, причем мы задерживаем в актуальном поле ментального представления только один шаг, выводя его из предыдущего шага [Shepard, Cooper 1982]. Образное мышление трудно изучить в виду приватного доступа к этим визуальным, слуховым, тактильным квази-ощущаемым феноменам, кроме того образное мышление плохо вписывается в современную теорию восприятия как процесса переработки информации, поэтому для коннекционизма образное мышление последовательного типа и аналитические выводы посредством образов проблематичны. Классическое психологическое объяснение образного мышления как интериоризации внешних структур опыта, к сожалению, ничего не сообщает о механизмах, лежащих в основе образного мышления. К моделям, проясняющим механизм возникновения образов можно отнести теорию эмуляции репрезентации Рика Груша [Grush 2004]. Идея состоит в том, что помимо взаимодействия с телом и окружающей средой мозг может создавать нервные контуры внутри себя, которые создают образы для обеспечения сложной сенсомоторной связи с изменяющейся средой. Эти образы формируют ожидания, интерпретируют новые сенсорные сигналы в контексте прошлого, а также могут использоваться для синтеза когнитивных функций подобных речи и последовательного рассуждения.
8 «Когда я подсчитываю мелочь какой когнитивный процесс ответственен за такое вычисление?» Манипуляции образами неотъемлемая часть «ментальной арифметики» [Park, Bermudez, Roberts, Brannon 2016] – набора методов для устного счета, использующихся для работы с большими числами. Существуют методы устного счета при помощи абака, работа с которым помогает ускорить процесс вычисления благодаря заученным правилам. Навык представления в уме элементарных операций, производимых на абаке, улучшает скорость вычислений больших чисел. Стоит отметить что умножить числа в уме можно и столбиком – визуалилировать «метод столбика». Ментальная арифметика хорошо согласуется с «языком мысли» для которого когнитивная деятельность требует внутренней системы языковых репрезентаций и формальных синтаксических операций, которые могут применяться к этим репрезентациям. Классическая вычислительная модель психического процесса описывает взаимодействие образов согласно формальным правилам, а семантическое содержание образа – согласно его ментальной репрезентации. Однако для коннекционистской архитектуры процесс рассуждения не может быть представлен в качестве внутренней символьной манипуляции, с точки зрения коннекционизма когнитивная система не образует синтаксические структуры в явном виде, вместо этого сеть собирает информацию в процессе обучения, позволяющую ей узнавать составную структуру представленных предложений и фиксирует информацию в значениях весов формальных нейронов. Нейронная сеть может взаимодействовать с символическими представлениями, такими как естественный язык или элементарная арифметика без необходимости создания символьной репрезентации внутри сети внешних знаковых систем в явном виде. В рамках коннекционистского подхода логико-дедуктивное рассуждение может рассматриваться не как продукт самой когнитивной системы, которая выполняет внутренние логические манипуляции с символами, а как способность, которая развивается в системе, которая может распознавать образы и удерживать их с помощью внешних по отношению к ней систем символов. Такая модель предложена Вильемом Бехтелем [Bechtel 1994], она рассматривает ментальную арифметику, которая может служить примером логико-дедуктивного вывода вместе с системой символов внешних по отношению к этой системе. Коннекциониская система распознает паттерны этих символов, и как продукт распознавания этих паттернов, генерирует дополнительные символы согласно выученным правилам. Результатом работы системы будут высокоструктурированные последовательности из символов, производимые согласно метаязыковым принципам. Стратегии построения символов – это классические распределённые паттерны активности сети, а рассудочная деятельность ума относительно следующего символа это попытка предсказывания последовательности из этих символов.
9 Порядковая связанность не означает причинность. Но несомненно, на этапе выяснения причины во время рассуждения человек использует гипотезу «после, значит по причине». Причинность предполагает круг связанных доводов, аргументов и оснований, такого вида, что их достаточно для существования других. Если рассматривать категорию причинности с точки зрения ее реализации средствами языка, то можно различить семантическую форму мысли, включающую в себя сами доводы, аргументы и основания и логическую форму мысли, представляющую силлогизм как метаязыковую абстракцию. Силлогизм как логическая форма тождественен для любого рода содержания логического вывода, он служит ориентиром для построения аналитического вывода. В то время как семантические компоненты силлогизма меняются каждый раз и очень разнообразны по содержанию. Таким образом, нормативная, целенаправленная сознательная деятельность выделяет временные и постоянные компоненты в процессе аналитического вывода. Анализ постоянных компонентов (или формы мысли) нейросетевыми моделями возможен как посредством категории внутри сети, так и с помощью описания такой архитектуры сети, которая неизбежно будет приходить к такой форме рассуждения.
10 Структура аналитического рассуждения в коннекционистской модели может быть выполнена в явном виде если рассмотреть вопрос о причинности изучая нейросетевые механизмы только с точки зрения уровня реализации классического символьного вычислительного процесса. То есть нейронные механизмы параллельного вида являются средой реализации классических последовательных вычислений, которые уже применяются для объяснения логико-дедуктивного вывода. Предложенная Марром схема отделяет физический уровень реализации от алгоритмического уровня и уровня вычислений. Эти идеи жизнеспособны и могут найти свои подтверждения. Так, например, разработчики Deepmind создали нейронную машину Тьюринга, модель из двух рекуррентных сетей, которая организует в своей памяти ленту подобную ленте Тьюринга. Такая лента используется для хранения и считывания информации в явном виде. Подход по эмуляции программного и информационного уровня нейросетью требует хороших идей, это новая область исследования и вполне возможно, что форма знаков в наших мыслях есть высокоуровневая программа, реализованная на PDP модели. В общем пластичность нейросетевого подхода поражает и находит отражение в структуре нервной ткани.
11

Речь и письмо

Линейность речи и линейность письма также являются примером последовательных мысленных операций. Речь и письмо образуют современную концепцию понятия знака, манипуляции с которыми происходят в мысленном поле. Манипуляции образами также можно отнести к линейному мышлению, а также для слепоглухонемых в соответствии с азбукой Лорма возможно существует манипуляция тактильными образами. В общем случае сложные когнитивные процессы с привлечением сознания, использующие краткосрочную и долгосрочную память, ретроспективно представляются как последовательное рассуждение. Такое рассуждение в последовательном виде отражает отношения между явлениями условно закрепляя их в символьном виде. Символы отражаются в многочисленных формальных знаковых системах, ориентированных согласно функциональным свойствам «системы 2».
12 Джефри Элман разработал PDP модель для объяснения особенностей категоризации последовательного вида данных [Elman 1990]. Модель Элмана это простая рекуррентная сеть2 с внутренним слоем контекстных нейронов в который копируется значение внутреннего слоя нейронов на каждом цикле обработки данных и сохраняется до следующего цикла. Такая сеть может сформировать категории глаголов и существительных на основании расположения слова в предложении (в английском языке глаголы всегда на втором месте). Как объясняет Элман такие сети служат для объяснения временной структуры внутренней репрезентации данных в коннекционистской архитектуре. Внутренние репрезентации в PDP моделях как правило состоят из шаблонов активации нейронов. Сеть Элмана может решать задачи со сдвигом сигнала во времени, определяя его как один и тот же сигнал. Например, 1 1 1 1 1 0 1 1 1 и 1 1 1 1 1 1 0 1 1 можно интерпретировать как сдвиг 0 в последовательности из 1. Благодаря тому, что сеть запоминает предыдущий шаг можно говорить, что в сети есть внутреннее представление о времени, которое характеризует стимул в зависимости от предыдущего стимула, то есть сеть обладает временным контекстом. Ключевым аспектом обработки последовательности в модели Элмана в целом является способность сохранять информацию о контексте, в котором происходят последовательные события. Слова в предложении связаны синтаксически и их значение определяется положением внутри текста. В предложениях: «У него косой подбородок» и «Я иду в сарай за косой» слово «косой» имеет разные значения в зависимости от контекста. Модель Элмана прекрасно различает эти два слова, разводит их по разным категориям, хотя формально они представлены одним и тем же набором знаков. Сеть не различает слова, каждое слово представлено в виде вектора на входном слое нейронов, но после обучения, сеть может предсказать следующее слово и определить его категорию. С помощью обучения взаимодействия с такими категориями мы можем обучаться категориям слов, даже не имея интенции что-либо запомнить.
2. Ранние коннекционистские модели предлагали пространственную метафору для обработки временных сигналов. Такие сети представляли последовательности параллельно ассоциируя временные ряды в виде отрезков с фиксированным значением. Как правило, в этих моделях используется пул блоков ввода для события, представленного в момент времени t, другой пул для события, представленного в момент времени t + 1, и так далее, такая модель известна как модель движущегося окна. Эти модели психологически неправдоподобны и не используют временные последовательности в архитектуре сети в явном виде. Сегодня для работы с «временными рядами» чаще используют рекуррентные сети. Они применяются для анализа языка, предсказания цен на бирже, в машинном переводе, для автоматического написания программного кода, для любого рода данных в которых важна порядковая связанность. Особенность этих сетей в направлении связей между нейронами которые могут идти от верхнего слоя к нижнему, от нижнего слоя к верхнему и от нейрона к самому себе. Внутренняя архитектура рекуррентной сети позволяет строить зависимость значения переменной от предыдущих значений переменной. Свойство сохранять предыдущие значения переменных внутри рекуррентной сети называют памятью сети.
13 Коннекционистские модели обработки последовательностей на основе сетей Элмана представлены в работе Акселя Клиреманса [Cleeremans 1993]. Автор использует коннекционискую архитектуру для обоснования имплицитного (неявного) обучения. В нормальных условиях мозг находится в условиях множественного раздражения и постоянного взаимодействия различных афферентных систем. Внимание выбирает среди стимулов те, которые будут анализироваться на уровне сознания. Однако известно усвоение сложных ассоциаций без участия сознания. Такое усвоение согласно Артуру Реберу можно отнести к неявному обучению. Как показывают исследования неявная категоризация характерна для человека, особенно для набора последовательности слов. Так, например, дети обучаются языку имплицитно, а в школе учатся эксплицировать правила уже усвоенного языка. Исследования Ребера по изучению искусственных грамматик показали, что люди могут разделять слова, выглядящие случайным набором букв по различным категориям пассивно (то есть без интенции что-либо запомнить) после нескольких попыток. На деле такие последовательности букв были сгенерированы с помощью алгоритма, который испытуемые не могли сформулировать вербально (то есть эксплицитно), но все же справлялись с задачей категоризации [Reber 1967]. Эти данные свидетельствуют, что обработка информации в мозге происходит, в том числе неосознанно. Эксплицитное научение предполагает целенаправленное обучение и возможность передать другим людям сообщение вербально. Клиреманс полагает, что целенаправленное поведение и планирование на уровне сознания характеризуются координацией поведения на длинных периодах временных последовательностей действий, в течение которых цели и планы выступают в качестве контекста для интерпретации и генерации отдельных поведенческих актов. То есть механизмы эксплицитного обучения могут быть осмыслены в рамках модели имплицитного обучения, но события связанные с работой «системы 2» затрагивают большие временные масштабы.
14 Эффекты неосознанного обучения демонстрируют отсутствие модулярности когнитивного акта (когда информационный процесс зависит только от своих прямых входов и не зависит от действия других модулей). Неосознаваемое обучение может изменять наши текущие сознательные решения, в ходе несознательной ассоциативной деятельности. Такой подход может объяснить известный феномен, распространённый ошибки в решении задачи с битой и бейсбольным мячом. «Бита и мяч вместе стоят 1 рубль и 10 копеек, бита стоит на 1 рубль дороже, сколько стоит мяч?» Хочется ответить, что 10 копеек? Конечно интуиция (имплицитная система) подсказывает, что это правильный ответ, но в этом случае мы подсчитаем мелочь неправильно. Для решения этой задачи необходимо поразмышлять, попробовать вывести несколько решений и затем проверить их. Мы можем перебирать и рассматривать множество подходов к решению этой головоломки, до того, как дать окончательный ответ. Все необходимые данные для нахождения ответа уже содержаться в условиях, но логико-дедуктивный вывод в данном случае не только комбинация старых знаний. Когнитивная система должна быть способна находить радикально новые решения при взаимодействии с миром средствами «системы 2».
15

Заключение

Для последовательного мышления обязательным компонентом является цель как направление движения мысли. Двухсистемная теория Ребера выделяющая эксплицитную систему усваивания закономерностей вербальным образом может быть ориентиром для ограничения событий привлекающих процесс аналитического мышления. Обязательным компонентом ментальной манипуляции символами и образами является сознание и от его свойств зависит процесс обработки информации в виде ментальной манипуляции. Мы рассмотрели коннекционистскую архитектуру для процессов, в которых возможно обрабатывать последовательности. Также мы показали, как нейросети могут эмулировать любого рода программы классического вида, и как было показано выше существуют все основания применять нейросети для работы с последовательными данными такими как письмо и речь. Последовательная речь и письмо человека могут быть симулированы нейронной сетью, но эта симуляция не предполагает осмысленной работы, и поэтому не может отразить когнитивный процесс манипуляции символами. Есть основания полагать что ментальные манипуляции в должной мере не описываются ни в классическом ни в коннекционистском подходе, хотя изучаются когнитивной психологией. Скорее всего мысленные образы нельзя рассматривать как один процесс, они складываются из множества различных функций и интегрируют задачи моторных, зрительных и ассоциативных зон коры [Ganis, Thompson, Kosslyn 2004]. Возможно вычислительные модели не обладают достаточной мощностью, но что более вероятно пока не раскрыты механизмы ментальной манипуляции. Ответ на вопрос о том «когда я подсчитываю мелочь какой когнитивный процесс ответственен за такое вычисление?» состоит в том, что скорее всего подсчитывание мелочи в уме — это не один когнитивный процесс, и более того не вычисление в привычном смысле слова. Стоит отметить что на современном этапе применения коннекционистского подхода к задаче логико-дедуктивного вывода, трудным местом останется осмысленность. Проблема осмысленности характерна и для классической вычислительной парадигмы, но на примере нейронных сетей распространивших и упростивших сегодня контекстное обучение, это особенно заметно. Нейронная сеть может предсказывать и генерировать тестовые последовательности, но они отличаются от написанного человеком текста отсутствием смысла. Нейросеть может воспроизвести стиль, но не может в полной мере привнести смысл в текст.

References

1. Alastair C., Padraic M., Falk H. The multimodal nature of spoken word processing in the visual world: Testing the predictions of alternative models of multimodal integration // Journal of Memory and Language. 2017. Vol. 93. P. 276-303

2. Angel I., Dolores del Castillo M., Ignacio J., Serrano Jesus O. Connectionist Models of Decision Making // Chiang J. S. (ed.) Decision Support Systems. IntechOpen. 2010.

3. Bargh J., Chartrand T. The unbearable automaticity of being// American Psychologist. 1999. Vol. 54. No. 7. P. 462a479.

4. Bargh J. The four horsemen of automaticity: Awareness, intention, efficiency, and control in social cognition // Wyer, Robert S., Jr.; Srull, Thomas K. (eds.). Handbook of Social Cognition. Psychology Press. P. 1a40. 2014.

5. Bechtel W. Natural deduction in connectionist systems // Synthese. 1994. Vol. 101. P. 433a463.

6. Cleeremans A. Neural network modeling and connectionism. Mechanisms of implicit learning: Connectionist models of sequence processing. The MIT Press. 1993.

7. Elman, J.L. Finding Structure in Time // Cognitive Science. 1990. Vol 14. No. 2. P. 179a211.

8. Evans J. In two minds: dual-process accounts of reasoning. Trends in Cognitive Sciences. 2003. Vol. 7. No.10. P. 454a459.

9. Everett D.L. Cultural constraints on grammar and cognition in Pirah?: Another look at the design features of human language // Current Anthropology. 2005. Vol. 46. No 4. P. 621-646.

10. Fodor J., Pylyshyn Z. Connectionism and cognitive architecture: A critical analysis // Pinker S. & Mehler J. (Eds.) Connections and symbols Cambridge, MA: MIT Press. P. 3-7. 1988.

11. Ganis G., Thompson W.L., Kosslyn S.M. Brain areas underlying visual mental imagery and visual perception: an fMRI study // Brain Res Cogn Brain Res. 2004. Vol. 20. No. 2. P. 226-241.

12. Glockner A., Betsch T. Modeling option and strategy choices with connectionist networks: Towards an integrative model of automatic and deliberate decision making // Judgment and Decision Making. 2008. Vol. 3. No. 3. P. 215a228.

13. Grush R. The emulation theory of representation: motor control, imagery, and perception // Behavior Brain Science. 2004. Vol. 27. No. 3. P. 377-442.

14. Hesslow G. Conscious thought as simulation of behaviour and perception // Trends in Cognitive Sciences, Vol. 6. No. 6. P. 242a247.

15. Johnson J.G., Busemeyer J.R. A dynamic, stochastic, computational model of preference reversal phenomena // Psychological Review. 2005. Vol. 112. No. 4. P. 841-861

16. Newell A., Simon H. Computer Science as Empirical Inquiry: Symbols and Search // Communications of the Associations for Computing Machinery. 1975. Vol. 19. No. 3. P. 113a126.

17. Oaksford M., Chater N. Dual processes, probabilities, and cognitive architecture. Mind Soc. 2012. Vol. 1. P. 15a26

18. Park J., Bermudez V., Roberts R.C., Brannon E.M. Non-symbolic approximate arithmetic training improves math performance in preschoolers // Journal of Experience Child Psychology. 2016. Vol. 152. P. 278-293.

19. Pashler H. Dual-task interference in simple tasks: Data and theory // Psychological Bulletin. 1994. Vol. 116. No. 2. P. 220a244.

20. Reber, A. S. Implicit learning of artificial grammars // Journal of Verbal Learning and Verbal Behavior. 1967.Vol. 6. pp. 855?863.

21. Shepard, R.N. Cooper L. Mental Images and their Transformations. MIT Press. 1982.

22. Simon D., Snow C.J., Read S. The redux of cognitive consistency theories: evidence judgments by constraint satisfaction // Journal of Personality and Social Psychology. 2004. Vol. 86. pp. 814a837.

23. Timothy T.R. Neural networks as a critical level of description for cognitive neuroscience // Current Opinion in Behavioral Sciences. 2020. Vol. 32. P. 167-173.

24. Wassle H. Parallel processing in the mammalian retina // Nature Reviews Neuroscience. 2004. Vol. 5. No. 10. P. 747a757.

Comments

No posts found

Write a review
Translate