ACT-R - ACT-R

ACT-R
Pierwotni autorzy John Robert Anderson
Wersja stabilna
7.21.6- <3099: 2020-12-21> / 21 grudnia 2020 r . ; 4 miesiące temu  ( 2020-12-21 )
Napisane w Common Lisp
Rodzaj Architektura poznawcza
Licencja GNU LGPL v2.1
Stronie internetowej act-r .psy .cmu .edu

ACT-R (wymawiane / ˌækt ˈɑr /; skrót od „ Adaptive Control of Thought - Rational ”) to architektura kognitywna opracowana głównie przez Johna Roberta Andersona i Christiana Lebiere'a z Carnegie Mellon University . Jak każda architektura poznawcza, ACT-R ma na celu zdefiniowanie podstawowych i nieredukowalnych operacji poznawczych i percepcyjnych, które umożliwiają ludzki umysł. Teoretycznie każde zadanie, które może wykonać człowiek, powinno składać się z serii tych dyskretnych operacji.

Większość podstawowych założeń ACT-R jest również inspirowana postępem neuronauki poznawczej , a ACT-R można postrzegać i opisywać jako sposób określenia, w jaki sposób mózg jest zorganizowany w sposób, który umożliwia poszczególnym modułom przetwarzania do wytwarzania funkcji poznawczych.

Inspiracja

ACT-R został zainspirowany pracami Allena Newella , a zwłaszcza jego wieloletnim propagowaniem idei zunifikowanych teorii jako jedynego sposobu na prawdziwe odkrycie podstaw poznania. W rzeczywistości Anderson zwykle przypisuje Newellowi główne źródło wpływu na jego własną teorię.

Jak wygląda ACT-R

Podobnie jak inne wpływowe architektury poznawcze (w tym Soar , CLARION i EPIC), teoria ACT-R ma implementację obliczeniową jako interpreter specjalnego języka kodowania. Sam interpreter jest napisany w Common Lisp i może być załadowany do dowolnej dystrybucji języka Common Lisp.

Oznacza to, że każdy badacz może pobrać kod ACT-R ze strony internetowej ACT-R, załadować go do dystrybucji Common Lisp i uzyskać pełny dostęp do teorii w postaci interpretera ACT-R.

Umożliwia to również naukowcom określenie modeli ludzkiego poznania w postaci skryptu w języku ACT-R. Prymitywy języka i typy danych są zaprojektowane tak, aby odzwierciedlały teoretyczne założenia dotyczące ludzkiego poznania. Te założenia opierają się na licznych faktach pochodzących z eksperymentów psychologii poznawczej i obrazowania mózgu .

Podobnie jak język programowania , ACT-R jest strukturą: dla różnych zadań (np. Wieża Hanoi, pamięć tekstu lub listy słów, rozumienie języka, komunikacja, sterowanie samolotami), naukowcy tworzą „modele” (tj. Programy) w ACT-R. Modele te odzwierciedlają założenia modelarzy dotyczące zadania w ujęciu ACT-R poznania. Model może następnie zostać uruchomiony.

Uruchomienie modelu automatycznie tworzy symulację krok po kroku ludzkiego zachowania, która określa każdą indywidualną operację poznawczą (tj. Kodowanie i odzyskiwanie pamięci, kodowanie wizualne i słuchowe, programowanie i wykonywanie motoryczne, manipulowanie obrazami umysłowymi). Każdy krok jest powiązany z ilościowymi prognozami opóźnień i dokładności. Model można przetestować, porównując jego wyniki z danymi zebranymi w eksperymentach behawioralnych.

W ostatnich latach ACT-R został również rozszerzony, aby umożliwić ilościowe przewidywanie wzorców aktywacji w mózgu, co wykryto w eksperymentach z fMRI . W szczególności ACT-R został rozszerzony, aby przewidywać kształt i przebieg w czasie odpowiedzi BOLD kilku obszarów mózgu, w tym obszarów dłoni i ust w korze ruchowej , lewej korze przedczołowej , przedniej kory zakrętu obręczy i części podstawnej zwoje .

Krótki zarys

Najważniejszym założeniem ACT-R jest to, że ludzką wiedzę można podzielić na dwa nieredukowalne rodzaje reprezentacji: deklaratywne i proceduralne .

W kodzie ACT-R wiedza deklaratywna jest reprezentowana w postaci fragmentów , czyli reprezentacji wektorowych poszczególnych właściwości, z których każda jest dostępna z oznaczonej szczeliny.

Fragmenty są przechowywane i udostępniane przez bufory , które są front-endem tego, co są modułami , czyli wyspecjalizowanymi iw dużej mierze niezależnymi strukturami mózgu.

Istnieją dwa rodzaje modułów:

  • Moduły percepcyjno-motoryczne , które zapewniają interfejs ze światem rzeczywistym (tj. Z symulacją świata rzeczywistego). Najbardziej rozwiniętymi modułami percepcyjno-motorycznymi w ACT-R są moduły wizualne i manualne.
  • Moduły pamięci . W ACT-R są dwa rodzaje modułów pamięci:
    • Pamięć deklaratywna , składająca się z faktów, takich jak Waszyngton, DC jest stolicą Stanów Zjednoczonych , Francja to kraj w Europie lub 2 + 3 = 5
    • Pamięć proceduralna , zbudowana z produkcji. Produkcje reprezentują wiedzę o tym, jak robimy rzeczy: na przykład wiedzę o tym, jak wpisywać literę „Q” na klawiaturze, o tym, jak jeździć, czy o tym, jak dokonywać dodawania.

Dostęp do wszystkich modułów można uzyskać tylko przez ich bufory. Zawartość buforów w danym momencie reprezentuje stan ACT-R w tym momencie. Jedynym wyjątkiem od tej reguły jest moduł proceduralny, który przechowuje i stosuje wiedzę proceduralną. Nie ma dostępnego bufora i jest faktycznie używany do uzyskiwania dostępu do zawartości innego modułu.

Wiedza proceduralna jest reprezentowana w postaci produkcji . Termin „produkcja” odzwierciedla faktyczne wdrożenie ACT-R jako systemu produkcyjnego , ale w rzeczywistości produkcja jest głównie formalną notacją określającą przepływ informacji z obszarów korowych (tj. Buforów) do zwojów podstawy iz powrotem. do kory.

W każdym momencie wewnętrzny element dopasowujący wzorce wyszukuje produkcję, która pasuje do bieżącego stanu buforów. W danym momencie można wykonać tylko jedną taką produkcję. Ta produkcja, po wykonaniu, może zmodyfikować bufory, a tym samym zmienić stan systemu. Tak więc w ACT-R poznanie rozwija się jako następstwo wyładowań produkcyjnych.

Debata symboliczna a koneksjonistyczna

W naukach kognitywnych różne teorie przypisuje się zwykle „ symbolicznemu ” lub „ koneksjonistycznemu ” podejściu do poznania. ACT-R wyraźnie należy do pola „symbolicznego” i jako taki jest klasyfikowany w standardowych podręcznikach i zbiorach. Jego byty (fragmenty i produkcje) są dyskretne, a jego operacje są syntaktyczne, to znaczy nie odnoszą się do treści semantycznej reprezentacji, ale tylko do ich właściwości, które uznają za odpowiednie do uczestniczenia w obliczeniach. Widać to wyraźnie w szczelinach fragmentów i we właściwościach dopasowania buforów w produkcjach, z których oba działają jako standardowe zmienne symboliczne.

Członkowie społeczności ACT-R, w tym jej twórcy, wolą myśleć o ACT-R jako o ogólnym schemacie, który określa, w jaki sposób mózg jest zorganizowany i jak jego organizacja rodzi to, co jest postrzegane (i, w psychologii poznawczej, badane) jako umysł, wykraczając poza tradycyjną debatę symboliczną / koneksjonistyczną. Nic z tego oczywiście nie przemawia przeciwko klasyfikacji ACT-R jako systemu symbolicznego, ponieważ wszystkie symboliczne podejścia do poznania mają na celu opisanie umysłu jako produktu funkcji mózgu, przy użyciu pewnej klasy bytów i systemów, aby osiągnąć ten cel.

Powszechne nieporozumienie sugeruje, że ACT-R może nie być systemem symbolicznym, ponieważ próbuje scharakteryzować funkcjonowanie mózgu. Jest to błędne z dwóch powodów: po pierwsze, wszystkie podejścia do komputerowego modelowania poznania, symboliczne lub inne, muszą w pewnym sensie charakteryzować funkcje mózgu, ponieważ umysł jest funkcją mózgu. Po drugie, wszystkie takie podejścia, w tym podejścia koneksjonistyczne, próbują scharakteryzować umysł na poznawczym poziomie opisu, a nie na poziomie neuronalnym, ponieważ tylko na poziomie poznawczym można zachować ważne uogólnienia.

Dalsze nieporozumienia wynikają z asocjacyjnego charakteru pewnych właściwości ACT-R, takich jak fragmenty rozprzestrzeniające aktywację na siebie lub fragmenty i produkcje niosące ilościowe właściwości istotne dla ich wyboru. Żadna z tych właściwości nie jest sprzeczna z fundamentalną naturą tych bytów jako symbolicznych, niezależnie od ich roli w wyborze jednostek, a ostatecznie w obliczeniach.

Teoria a implementacja i Vanilla ACT-R

Programiści ACT-R zwykle podkreślają znaczenie rozróżnienia między samą teorią a jej implementacją.

W rzeczywistości znaczna część implementacji nie odzwierciedla teorii. Na przykład rzeczywista implementacja wykorzystuje dodatkowe `` moduły '', które istnieją tylko z powodów czysto obliczeniowych i nie mają odzwierciedlać niczego w mózgu (np. Jeden moduł obliczeniowy zawiera generator liczb pseudolosowych służący do generowania zaszumionych parametrów, podczas gdy inny zawiera procedury nazewnictwa do generowania struktur danych dostępnych za pośrednictwem nazw zmiennych).

Ponadto rzeczywista implementacja ma umożliwić badaczom modyfikację teorii, np. Poprzez zmianę standardowych parametrów, tworzenie nowych modułów lub częściową modyfikację zachowania już istniejących.

Wreszcie, chociaż laboratorium Andersona na CMU utrzymuje i wydaje oficjalny kod ACT-R, udostępniono inne alternatywne implementacje tej teorii. Te alternatywne implementacje obejmują jACT-R (napisany w Javie przez Anthony'ego M. Harrisona z Naval Research Laboratory ) i Python ACT-R (napisany w Pythonie przez Terrence'a C. Stewarta i Roberta L. Westa z Carleton University w Kanadzie).

Podobnie ACT-RN (obecnie wycofany) był pełnoprawną neuronową implementacją wersji teorii z 1993 roku. Wszystkie te wersje były w pełni funkcjonalne, a modele zostały napisane i uruchomione z nimi wszystkimi.

Ze względu na te implementacyjne stopnie swobody, społeczność ACT-R zwykle odnosi się do „oficjalnej”, opartej na Lisp wersji teorii, przyjętej w jej oryginalnej formie i pozostawionej niezmodyfikowanej, jako „Vanilla ACT-R”.

Aplikacje

Przez lata modele ACT-R były wykorzystywane w ponad 700 różnych publikacjach naukowych i były cytowane w wielu innych.

Pamięć, uwaga i kontrola wykonawcza

Deklaratywny system pamięci ACT-R był używany do modelowania ludzkiej pamięci od samego początku. Z biegiem lat zaadaptowano go do skutecznego modelowania dużej liczby znanych efektów. Obejmują one efekt wachlarza ingerencji w powiązane informacje, efekty pierwszeństwa i aktualności dla pamięci list oraz przywoływanie szeregowe.

ACT-R został wykorzystany do modelowania procesów uważności i kontroli w szeregu paradygmatów poznawczych. Obejmują one zadanie Stroopa , przełączanie zadań , psychologiczny okres refrakcji i wielozadaniowość.

Język naturalny

Wielu badaczy używa ACT-R do modelowania kilku aspektów rozumienia i produkcji języka naturalnego . Obejmują one modele analizy składniowej, rozumienia języka, przyswajania języka i rozumienia metafor.

Złożone zadania

ACT-R został wykorzystany do uchwycenia, w jaki sposób ludzie rozwiązują złożone problemy, takie jak Wieża Hanoi, lub jak ludzie rozwiązują równania algebraiczne. Został również wykorzystany do modelowania ludzkiego zachowania podczas jazdy i latania.

Dzięki integracji zdolności percepcyjno-motorycznych ACT-R stał się coraz bardziej popularny jako narzędzie do modelowania czynników ludzkich i interakcji człowiek-komputer. W tej dziedzinie zaadaptowano ją do modelowania zachowania podczas jazdy w różnych warunkach, wyboru menu i wyszukiwania wizualnego w aplikacji komputerowej oraz nawigacji internetowej.

Neurobiologia poznawcza

Niedawno ACT-R został wykorzystany do przewidywania wzorców aktywacji mózgu podczas eksperymentów z obrazowaniem. W tej dziedzinie modele ACT-R zostały z powodzeniem zastosowane do przewidywania aktywności przedczołowej i ciemieniowej w odzyskiwaniu pamięci, aktywności przedniej zakrętu obręczy w operacjach kontrolnych oraz zmian aktywności mózgu związanych z praktyką.

Edukacja

ACT-R jest często przyjmowany jako podstawa dla nauczycieli kognitywnych . Systemy te wykorzystują wewnętrzny model ACT-R do naśladowania zachowania ucznia i personalizowania jego / jej instrukcji oraz programu nauczania, próbując „odgadnąć” trudności, jakie mogą napotkać uczniowie i zapewnić ukierunkowaną pomoc.

Tych „nauczycieli poznawczych” używa się jako platformy do badań nad uczeniem się i modelowaniem poznawczym w ramach Pittsburgh Science of Learning Center. Niektóre z najbardziej udanych aplikacji, takie jak Cognitive Tutor for Mathematics, są używane w tysiącach szkół w całych Stanach Zjednoczonych.

Krótka historia

Wczesne lata: 1973–1990

ACT-R jest ostatecznym następcą serii coraz bardziej precyzyjnych modeli ludzkiego poznania opracowanych przez Johna R. Andersona .

Jego korzenie można prześledzić do oryginalnego modelu pamięci HAM (Human Associative Memory), opisanego przez Johna R. Andersona i Gordona Bowera w 1973 r. Model HAM został później rozszerzony do pierwszej wersji teorii ACT. To był pierwszy raz, kiedy pamięć proceduralna została dodana do oryginalnego systemu pamięci deklaratywnej, wprowadzając obliczeniową dychotomię, która później okazała się zachowana w ludzkim mózgu. Teoria została następnie rozszerzona na model ACT * ludzkiego poznania.

Integracja z analizą racjonalną: 1990–1998

Pod koniec lat osiemdziesiątych Anderson poświęcił się badaniu i nakreśleniu matematycznego podejścia do poznania, które nazwał analizą racjonalną . Podstawowym założeniem Rational Analysis jest to, że poznanie jest optymalnie adaptacyjne, a precyzyjne oszacowania funkcji poznawczych odzwierciedlają statystyczne właściwości środowiska. Później wrócił do rozwoju teorii ACT, używając analizy racjonalnej jako ujednolicającej ramy dla podstawowych obliczeń. Aby podkreślić znaczenie nowego podejścia w kształtowaniu architektury, zmieniono jego nazwę na ACT-R, gdzie „R” oznacza „Racjonalny”

W 1993 roku Anderson spotkał się z Christianem Lebiere, badacz w modelach koneksjonistyczne głównie słynącego rozwijających Scott Fahlman z Korelacja Cascade algorytm uczenia się. Ich wspólna praca zakończyła się wydaniem ACT-R 4.0. Dzięki Mike'owi Byrne'owi (obecnie na Uniwersytecie Rice ), wersja 4.0 zawierała również opcjonalne zdolności percepcyjne i motoryczne, w większości inspirowane architekturą EPIC, co znacznie rozszerzyło możliwe zastosowania teorii.

Obrazowanie mózgu i struktura modułowa: 1998–2015

Po wydaniu ACT-R 4.0, John Anderson coraz bardziej interesował się neuronową wiarygodnością leżącą u podstaw swojej teorii życia i zaczął wykorzystywać techniki obrazowania mózgu, dążąc do własnego celu, jakim jest zrozumienie obliczeniowych podstaw ludzkiego umysłu.

Konieczność uwzględnienia lokalizacji mózgu zmusiła do gruntownej rewizji teorii. ACT-R 5.0 wprowadził koncepcję modułów, wyspecjalizowanych zestawów reprezentacji proceduralnych i deklaratywnych, które można odwzorować na znane systemy mózgowe. Ponadto w interakcji między wiedzą proceduralną i deklaratywną pośredniczyły nowo wprowadzone bufory, wyspecjalizowane struktury do przechowywania tymczasowo aktywnych informacji (patrz sekcja powyżej). Uważano, że bufory odzwierciedlają aktywność kory, a kolejna seria badań potwierdziła później, że aktywacje w obszarach korowych można z powodzeniem powiązać z operacjami obliczeniowymi nad buforami.

Nowa wersja kodu, całkowicie przepisana, została zaprezentowana w 2005 roku jako ACT-R 6.0. Zawiera również znaczące ulepszenia w języku kodowania ACT-R. Obejmuje to nowy mechanizm w specyfikacji produkcyjnej ACT-R zwany dynamicznym dopasowywaniem wzorców. W przeciwieństwie do poprzednich wersji, które wymagały, aby wzorzec dopasowany przez produkcję zawierał określone szczeliny na informacje w buforach, dynamiczne dopasowywanie wzorców umożliwia również określanie szczelin przez zawartość bufora. Opis i motywacja ACT-R 6.0 podano w Anderson (2007).

ACT-R 7.0: 2015-obecnie

Na warsztatach w 2015 roku argumentowano, że zmiany oprogramowania wymagały zwiększenia numeracji modeli do ACT-R 7.0. Główną zmianą w oprogramowaniu było usunięcie wymogu określania fragmentów w oparciu o predefiniowane typy fragmentów. Mechanizm typu chunk nie został usunięty, ale zmieniony z wymaganej konstrukcji architektury na opcjonalny mechanizm składniowy w oprogramowaniu. Pozwoliło to na większą elastyczność w reprezentacji wiedzy w zadaniach modelowania, które wymagają uczenia się nowych informacji i rozszerzyło funkcjonalność zapewnianą przez dynamiczne dopasowywanie wzorców, umożliwiając teraz modelom tworzenie nowych „typów” fragmentów. Doprowadziło to również do uproszczenia składni wymaganej do określenia akcji w produkcji, ponieważ wszystkie akcje mają teraz tę samą formę składniową. Oprogramowanie ACT-R zostało również później zaktualizowane, aby zawierało zdalny interfejs oparty na JSON RPC 1.0. Ten interfejs został dodany, aby ułatwić tworzenie zadań dla modeli i pracę z ACT-R z języków innych niż Lisp, a samouczek dołączony do oprogramowania został zaktualizowany, aby zapewnić implementacje Pythona dla wszystkich przykładowych zadań wykonywanych przez modele samouczków .

Spin-offy

Długi rozwój teorii ACT-R dał początek pewnej liczbie równoległych i powiązanych projektów.

Najważniejsze z nich to system produkcji PUPS, wstępna implementacja teorii Andersona, później zarzucona; oraz ACT-RN, sieciowa implementacja teorii opracowanej przez Christiana Lebiere'a.

Lynne M. Reder , również z Carnegie Mellon University , opracowała na początku lat dziewięćdziesiątych SAC , model konceptualnych i percepcyjnych aspektów pamięci, który ma wiele cech wspólnych z deklaratywnym systemem ACT-R, chociaż różni się w niektórych założeniach.

Uwagi

Bibliografia

  • Anderson, JR (2007). Jak ludzki umysł może pojawić się w fizycznym wszechświecie? Nowy Jork, NY: Oxford University Press. ISBN   0-19-532425-0 .
  • Anderson, JR, Bothell, D., Byrne, MD, Douglass, S., Lebiere, C. i Qin, Y. (2004). Zintegrowana teoria umysłu. Przegląd psychologiczny , 1036–1060.

Linki zewnętrzne