Чтение онлайн

Правила вывода (продукции) осуществляют основные операции над содержанием модулей, однако это может происходить только через «буферы». Каждому модулю соответствует свой буфер, в который попадают в достаточной степени активированные элементы. Одно из ограничений на переработку информации в модели ACT-R (по типу «бутылочного горлышка») состоит в том, что размер буфера ограничен лишь одной единицей знания (одним чанком информации). Таким образом, например, из декларативной памяти в каждый момент времени может быть извлечен только один элемент. Второе ограничение на последовательную переработку информации заключается в том, что в каждом цикле может сработать только одна продукция, в модулях же переработка информации может осуществляться параллельно.

Две системы – декларативная и процедурная память – являются, по словам самого Андерсона, «когнитивным ядром» модели ACT-R.

Собственно, сетевая теория Андерсона относится к декларативной памяти и к активационному принципу системы извлечения информации из нее. Элементами декларативной памяти являются чанки, в структуру которых входит отношение (слот) естьнек., кодирующее принадлежность чанка к той или иной категории, а также дополнительные отношения, описывающие содержание чанка. На рисунке 2.12 показан чанк, кодирующий факт сложения 3 + 4 = 7.

Рис. 2.12. Пример сетевого изображения чанка (Anderson, Reder, Libier, 1996)

Процесс извлечения из памяти ответа на вопрос «сколько будет 3 + 4?» может быть описан с помощью работы системы процедурной памяти и, конкретно, с помощью следующего правила вывода (продукции):

Успешное извлечение правильного ответа зависит от того, будет ли чанк, соответствующий факту сложения 3 + 4 = 7 в достаточной степени активированным. Активация чанка в свою очередь зависит от того, насколько активированы источники активации (в данном случае, это элементы 3 и 4, активация которых представлена переменной Wj), насколько сильна связь источника активации с чанком, который должен быть извлечен (переменная Sj) и от базового уровня активации чанка (Bj). Математически это представлено в виде уравнения:

где Ai – это активация чанка i, Bi – его базовая активация, Wj – активация источников, Sji – сила связи между источником активации j и чанком i. Так как предполагается, что суммарная активация постоянна, то Wj оценивается как 1/n, где n – это количество источников активации. Параметр Sji зависит от количества связанных с элементом j фактов (т. н. «веером», в оригинале – «fan»): Sji = S – ln (fanj).

Пример того, что значит «рациональный анализ», постулируемый как лежащий в основе модели ACT-R, можно увидеть в том, каким образом вычисляется базовый уровень активации элемента. Базовый уровень активации чанка описывается следующим уравнением:

где tj – это время, прошедшее с момента j-го обращения к чанку, а d – параметр угасания, который принято оценивать равным 0,5.

Из этого уравнения следует, что чем больше времени проходит с момента последнего обращения к элементу, тем ниже становятся его шансы быть извлеченным снова, но чем больше было обращений к элементу в целом, и чем меньше прошло времени с момента последнего, тем больше вероятность повторного извлечения элемента.

Такой способ вычисления базового уровня активации был получен путем рационального анализа глобальной проблемы извлечения информации, которая формулируется следующим образом: как, имея определенный запрос, обеспечить оптимальное извлечение информации, подразумевающее извлечение максимального количества релевантных элементов и минимальное – нерелевантных (Anderson, 1989). Эта проблема, частный случай которой – функционирование человеческой памяти, является проблемой извлечения информации вообще и оптимального поведения системы, сталкивающейся c подобного рода задачей. В уравнении базовой активации чанка отражается результат анализа того, как предшествующие запросы к элементу должны предсказывать потребность в нем в настоящий момент.

Активация чанка определяет: 1) вероятность извлечения этого чанка из памяти и 2) скорость извлечения чанка (т. е. время реакции).

Элемент будет извлечен из памяти только в том случае, если его активация достигнет определенного порога. Обычно несколько элементов «соревнуются» за то, чтобы быть извлеченными, и лишь один из них, обладающий большей активацией, уровень которой превышает пороговое значение, извлекается из памяти. Если ни один из элементов не активирован достаточно сильно, то по прошествии определенного времени система извлечения сообщает об ошибке, либо, если, например, стоит задача опознания стимула, срабатывает продукция, согласно которой нужно дать ответ «нет». Эта модель получила название «модели ожидания» (waiting model) и позволяет объяснить, к примеру, тот факт, что в экспериментах на время реакции ответы «да» обычно быстрее ответов «нет».

Время, необходимое для извлечения чанка из памяти описывается уравнением:

Ti = Fe– Aj,

где Ti – время извлечения (время реакции), а F – шкалирующий параметр, приводящий полученные значения к единицам времени реакции.

Из данного уравнения следует, что чем меньше активация элемента, тем больше время его извлечения из памяти.

Эффект веера (fan-effect) – классический пример, с помощью которого можно проиллюстрировать приложение модели ACT-R к объяснению и предсказанию психологических феноменов. Его обнаружил Андерсон, проводя эксперименты под руководством Г. Бауэра (Anderson, 1974). Эффект веера – это увеличение времени реакции на стимул за счет увеличения количества элементов, связанных с ним.

В одном из экспериментов испытуемым предлагали заучивать предложения о персонажах и их местонахождении. Предложения были подобраны так, чтобы персонажи и места имели разное количество фактов с ними связанных. Например:

1) доктор в банке (1–1)

2) пожарник в парке (1–2)

3) адвокат в церкви (2–1)

4) адвокат в парке (2–2)

Из приведенного примера видно, что персонаж «доктор» встречается только в одном из предложений, а персонаж «адвокат» – двух. Подобным образом можно определить количество ассоциированных фактов для всех персонажей и местонахождений.

После того как испытуемые заучивали эти факты, им предъявлялась другая серия предложений, среди которых были как те, которые они заучивали (например, «адвокат в церкви»), так и те, которых в первоначальном списке не было (например, «адвокат в банке»). Испытуемым нужно было узнать, какие из предложений они заучивали, а какие – нет. Оказалось, что время реакции при опознании предложения зависит от количества фактов, ассоциированных с элементами этого предложения: при увеличении числа фактов, скорость опознания снижается. Например, предложение «доктор в банке», опознается существенно быстрее, чем «адвокат в парке».

С точки зрения уравнения

, основной параметр, который варьировался в эксперименте – это Sji. При увеличении «веера» элемента (т. е. количества связей с другими элементами) его сила связи с другими элементами ослабляется (согласно формуле Sji = S – ln(fanj)), следовательно, уменьшается активация, поступающая от него чанку, требующему извлечения, и в итоге увеличивается время извлечения.