Kognition 4_250311_122800

KOGNITION 2: KOGNITIVA REPRESENTATIONER

Författare: August CollsiööE-post: august.collsioo@psyk.uu.se

BAKGRUND

FOKUS FÖR BEHAVIORISMEN

  • Input: Vad systemet tar emot

  • Output: Vad systemet producerar

EFTER DEN KOGNITIVA REVOLUTIONEN

  • Input: Informationsbearbetning

  • Output: Resultatet av bearbetningen

TRE NYA FRÅGOR

  1. Hur representeras informationen mentalt?

  2. Hur bearbetas den mentalt representerade informationen?

  3. Varför görs det på detta sätt?

KUNSKAPSREPRESENTATION (KAPITEL 9)

ÖVERSIKT

  • Marr’s tre analysnivåer

  • Tre teorier för kunskapsrepresentation:

    • Definitionsteorin

    • Prototypteorin

    • Exemplarteorin

  • Semantiska nätverk

  • Konnektionistiska nätverk

DAVID MARR

Tre analysnivåer för informationsbearbetningssystem:

  1. Computational level: Vilket problem är systemet utvecklat för att lösa?

    • Detta nivå ställer frågor kring de övergripande målen och syftet med systemet. Man analyserar specifikt vilket problem som systemet är designat för att hantera, exempelvis att identifiera objekt i en visuell scen.

  2. Algorithmic level: Hur löser systemet problemet?

    • Här fokuseras på de specifika algoritmer och processer som används för att lösa det identifierade problemet. Detta inkluderar beskrivning av stegen i informationsbearbetning, speciella regler eller processer (som exempelvis en sekvens av logiska operationer för att analysera visuella data).

  3. Implementation level: Hur är lösningen implementerad i systemet?

    • Denna nivå handlar om den fysiska strukturen och mekanismen för hur lösningen implementeras, som kan involvera neuronnät, hårdvara och aktuella kognitiva processer. Denna nivå är viktig för att förstå hur den teoretiska kunskapen faktiskt verkställs i den verkliga världen.

ETT INFORMATIONSBEARBETNINGSSYSTEM

Exempel på Marrs tre nivåer

  1. COMPUTATIONAL LEVEL

    • Vilket problem är systemet utvecklat för att lösa?

  2. ALGORITHMIC LEVEL

    • Hur löser systemet problemet?

  3. IMPLEMENTATION LEVEL

    • Hur är lösningen implementerad i systemet?

ETT MÄNSKLIGT INFORMATIONSBEARBETNINGSSYSTEM

VILKET PROBLEM SKA SYSTEMET LÖSA? (COMPUTATIONAL LEVEL)

  • Exempel på kategorisering av hundar och katter.

HUR LÖSER SYSTEMET PROBLEMET OCH VILKA BYGGSTENAR ANVÄNDS? (ALGORITHMIC LEVEL)

KONCEPT OCH KATEGORIER

  • Koncept: mental representation av verkliga kategorier

    • Exempel: Mitt koncept [HUND] innehåller all information jag har om hundar.

    • Användning: identifiera, tolka, förutsäga

HUR GÅR KATEGORISERING TILL?

TRE INFLYTELSERIKA TEORIER

  1. Definitionsteorin

  2. Prototypteorin

  3. Exemplarteorin

DEFINITIONSTEORIN

  • Kategorin ”Hund” representeras av en definition:

    • Egenskaper: har fyra ben, apporterar bollar, har två öron, äter kött, har svans, har päls, föder levande ungar, skäller

TEORETISKA PROBLEM

  • Svårt att formulera definitioner (ex. spel)

  • Lagringskapacitet

  • Beräkningskapacitet

EMPIRISKA PROBLEM

  • Typikalitetseffekten: Hur vi uppfattar djur som mer eller mindre typiska för sin kategori.

    • Exempel: vilken fågel är mest representativ?

PROTOTYPTEORIN

IDÉN BAKOM TEORIN

  • Utvecklad på 1970-talet som kritik mot definitionsteorin.

  • Grundidén: naturliga kategorier liknar varandra på många dimensioner (family resemblance).

Kategorin "Hund"

  • Representeras av en hundprototyp.

FÖRKLARAR EMPIRISKA FYND

  • Exempel på hur kategorisering går snabbare för vissa djur jämfört med andra.

TEORETISKA PROBLEM

  • Uppdateringsproblem för prototyper.

EMPIRISKA PROBLEM

  • Kategorisering av objekt med fler egenskaper kopplade till andra kategorier.

EXEMPLARTEORIN

IDÉN BAKOM TEORIN

  • Utvecklades sent på 1970-talet och kritiserade prototypteorin.

  • Fördelar: ingen information går förlorad, förklarar fenomen som stödjer prototypteorin.

KRITIK MOT EXEMPLARTEORIN

  • Vad är ett exemplar?

  • Lagringskapacitet och vilken information lagras.

SLUTSATSER (ALGORITHMIC LEVEL)

Vilken teori att välja:

  • Definitionsteorin har svagheter.

  • Prototypteorin förklarar vissa fenomen men har egna begränsningar.

  • Exemplarteorin löser problem men har begränsningar.

DATORMETAFOREN

  • Datorer används som metaforer för hur hjärnan arbetar.

  • Exempel: Collins och Quillians semantiska nätverk, 1969.

COLLINS & QUILLIANS SEMANTISKA NÄTVERK

  • Visar hur kunskap organiseras.

  • Koncept representeras av noder kopplade med länkar.

SPREADING ACTIVATION

  • När en nod aktiveras sprids aktiveringen till närliggande noder, vilket underlättar sökning i minnet.

EMPIRISKA PROBLEM

  • Förklarar inte typikalitetseffekten.

  • Inte alla prediktioner stämmer.

KONNEKTIONISTISKA NÄTVERK

FOKUS PÅ KODNING OCH LAGRING

  • Fokus på hur dessa nätverk kodar och lagrar information.

PRINCIPER

  • Enheter motsvarar neuroner och är kopplade.

  • Nätverket lär sig själv.

VAD SÄGER DATA?

  • Prediktioner kring hur snabbt vi kan svara på frågor.

  • Människor svarar snabbare på vissa kategorifrågor än andra.

KOGNITION 2 - HIGHLIGHTS

  • Koncept är mångfacetterade representationer av kategorier.

  • Teorierna för kunskapsrepresentation erbjuder olika perspektiv på kognition och kategorisering.