El aprendizaje conexionista con inducción de reglas adaptativas en línea ( CLARION ) es una arquitectura cognitiva computacional que se ha utilizado para simular muchos dominios y tareas en psicología cognitiva y psicología social , así como para implementar sistemas inteligentes en aplicaciones de inteligencia artificial . Una característica importante de CLARION es la distinción entre procesos implícitos y explícitos y el enfoque en capturar la interacción entre estos dos tipos de procesos. El sistema fue creado por el grupo de investigación dirigido por Ron Sun .
Descripción general
CLARION es una arquitectura cognitiva integradora, se utiliza para explicar y simular fenómenos cognitivo-psicológicos, que potencialmente podrían conducir a una explicación unificada de los fenómenos psicológicos. Hay tres capas en la teoría CLARION, la primera capa es la teoría central de la mente. Las teorías principales consisten en una serie de subsistemas distintos, que son las estructuras esenciales de CLARION, con una estructura de representación dual en cada subsistema (representaciones implícitas versus explícitas; Sun et al., 2005). Sus subsistemas incluyen el subsistema centrada en la acción, el subsistema no centrada en la acción, el subsistema de motivación, y la meta-cognitiva subsistema. La segunda capa consiste en los modelos computacionales que implementan la teoría básica, es una teoría más detallada que la de primer nivel pero aún es general. La tercera capa consiste en los modelos y simulaciones específicos implementados de los procesos o fenómenos psicológicos. Los modelos de este laico surgen de la teoría básica y los modelos computacionales generales.
Estructura de representación dual
La distinción entre procesos implícitos y explícitos es fundamental para la arquitectura cognitiva de Clarion. [1] Esta distinción está motivada principalmente por la evidencia que respalda la memoria implícita y el aprendizaje implícito . Clarion captura la distinción implícita-explícita independientemente de la distinción entre memoria procedimental y memoria declarativa . Para capturar la distinción implícito-explícito, Clarion postula dos sistemas de representación paralelos e interactivos que capturan el conocimiento implícito y explícito, respectivamente. El conocimiento explícito está asociado con la representación localista y el conocimiento implícito con la representación distribuida.
El conocimiento explícito reside en el nivel superior de la arquitectura, mientras que el conocimiento implícito reside en el nivel inferior. [1] [2] En ambos niveles, las unidades representacionales básicas son nodos conexionistas , y los dos niveles difieren con respecto al tipo de codificación. En el nivel superior, el conocimiento se codifica utilizando nodos de fragmentos localistas, mientras que, en el nivel inferior, el conocimiento se codifica de manera distribuida a través de colecciones de (micro) nodos de características. El conocimiento se puede codificar de forma redundante entre los dos niveles y se puede procesar en paralelo dentro de los dos niveles. En el nivel superior, el procesamiento de información implica el paso de activaciones entre nodos de fragmentos mediante reglas y, en el nivel inferior, el procesamiento de información implica la propagación de activaciones de (micro) características a través de redes neuronales artificiales . Los flujos de información de arriba hacia abajo y de abajo hacia arriba se habilitan mediante vínculos entre los dos niveles. Dichos enlaces son establecidos por fragmentos de Clarion, cada uno de los cuales consta de un único nodo de fragmento, una colección de nodos de (micro) características y enlaces entre el nodo de fragmentos y los nodos de (micro) características. De esta manera, un solo fragmento de conocimiento puede expresarse tanto en forma explícita (es decir, localista) como implícita (es decir, distribuida), aunque esta expresión dual no siempre es necesaria.
La estructura de representación dual permite que los procesos implícitos y explícitos se comuniquen y, potencialmente, codifiquen el contenido de forma redundante. Como resultado, la teoría de Clarion puede explicar varios fenómenos, como los efectos de aceleración en el aprendizaje, las ganancias de rendimiento relacionadas con la verbalización, las ganancias de rendimiento en tareas de transferencia y la capacidad de realizar razonamientos basados en similitudes, en términos de interacción sinérgica entre y procesos explícitos. [1] [3] [4] [5] Estas interacciones involucran tanto el flujo de activaciones dentro de la arquitectura (p. Ej., El razonamiento basado en similitudes es apoyado por la propagación de la activación entre fragmentos a través de características compartidas (micro)) como de abajo hacia arriba , procesos de aprendizaje de arriba hacia abajo y en paralelo. En el aprendizaje ascendente, las asociaciones entre (micro) características en el nivel inferior se extraen y codifican como reglas explícitas. En el aprendizaje de arriba hacia abajo, las reglas del nivel superior guían el desarrollo de asociaciones implícitas en el nivel inferior. Además, el aprendizaje puede llevarse a cabo en paralelo, tocando tanto los procesos implícitos como los explícitos simultáneamente. A través de estos procesos de aprendizaje, el conocimiento puede codificarse de manera redundante o complementaria, según lo dicte la historia del agente. Los efectos de sinergia surgen, en parte, de la interacción de estos procesos de aprendizaje. Otro mecanismo importante para explicar los efectos de la sinergia es la combinación y el equilibrio relativo de señales de diferentes niveles de la arquitectura. Por ejemplo, en un estudio de modelos basado en Clarion, se ha propuesto que un desequilibrio impulsado por la ansiedad en las contribuciones relativas de los procesos implícitos frente a los explícitos puede ser el mecanismo responsable de la degradación del rendimiento bajo presión. [6]
Subsistemas
La arquitectura cognitiva de Clarion consta de cuatro subsistemas.
Subsistema centrado en la acción
La función del subsistema centrado en la acción es controlar las acciones internas y externas . La capa implícita está formada por redes neuronales llamadas Action Neural Networks, mientras que la capa explícita está formada por reglas de acción. Puede haber sinergia entre las dos capas, por ejemplo, el aprendizaje de una habilidad puede acelerarse cuando el agente tiene que establecer reglas explícitas para el procedimiento en cuestión. Se ha argumentado que el conocimiento implícito por sí solo no puede optimizar tan bien como la combinación de lo explícito y lo implícito.
Subsistema no centrado en la acción
El papel del subsistema no centrado en la acción es mantener el conocimiento general. La capa implícita está formada por redes neuronales asociativas, mientras que la capa inferior está formada por reglas asociativas. El conocimiento se divide además en semántico y episódico, donde semántico es el conocimiento generalizado y episódico es el conocimiento aplicable a situaciones más específicas. También es importante tener en cuenta que, dado que existe una capa implícita, no todo el conocimiento declarativo tiene que ser explícito.
Subsistema motivacional
El papel del subsistema motivacional es proporcionar motivaciones subyacentes para la percepción, la acción y la cognición. El sistema de motivación en CLARION se compone de impulsores en el nivel inferior, y cada impulso puede tener diferentes puntos fuertes. Hay impulsos de bajo nivel y también impulsos de alto nivel destinados a mantener a un agente sostenido, decidido, enfocado y adaptable. La capa explícita del sistema motivacional se compone de objetivos. Los objetivos explícitos se utilizan porque son más estables que los estados motivacionales implícitos. El marco CLARION considera que los procesos motivacionales humanos son muy complejos y no se pueden representar mediante una representación explícita.
Algunos ejemplos de unidades de bajo nivel incluyen:
- comida
- agua
- reproducción
- evitar estímulos desagradables (no excluyentes mutuamente de otros impulsos de bajo nivel, pero separados por la posibilidad de estímulos más específicos)
Algunos ejemplos de unidades de alto nivel incluyen:
- Afiliación y pertenencia
- Reconocimiento y logro
- Dominio y poder
- Justicia
También existe la posibilidad de que las unidades derivadas (generalmente al intentar satisfacer las unidades primarias) se puedan crear mediante acondicionamiento o mediante instrucciones externas. cada unidad necesaria tendrá una fuerza proporcional, la oportunidad también se tendrá en cuenta
Subsistema metacognitivo
El rol del subsistema metacognitivo es monitorear, dirigir y modificar las operaciones de todos los demás subsistemas. Las acciones en el subsistema metacognitivo incluyen: establecer metas para el subsistema centrado en la acción, establecer parámetros para los subsistemas de acción y no acción y cambiar un proceso en curso en los subsistemas de acción y no acción.
Aprendiendo
El aprendizaje se puede representar individualmente con conocimientos tanto explícitos como implícitos, al mismo tiempo que representa el aprendizaje de abajo hacia arriba y de arriba hacia abajo. El aprendizaje con conocimiento implícito se representa a través de Q-learning, mientras que el aprendizaje con conocimiento solo explícito se representa con el aprendizaje de una sola vez, como la prueba de hipótesis. El aprendizaje de abajo hacia arriba (Sun et al., 2001) se representa a través de una red neuronal que se propaga hasta la capa explícita a través del algoritmo de regla-extracción-refinamiento (RER), mientras que el aprendizaje de arriba hacia abajo se puede representar a través de una variedad de formas.
Comparación con otras arquitecturas cognitivas
Para comparar con algunas otras arquitecturas cognitivas (Sun, 2016):
- ACT-R emplea una división entre memoria procesal y declarativa que es algo similar a la distinción de CLARION entre el subsistema centrado en la acción y el subsistema no centrado en la acción. Sin embargo, ACT-R no tiene una distinción clara (basada en procesos o basada en representación) entre procesos implícitos y explícitos, que es un supuesto fundamental en la teoría CLARION.
- Soar no incluye una diferencia clara basada en la representación o basada en el proceso entre la cognición implícita y explícita, o entre la memoria procesal y declarativa; se basa en las ideas de espacios, estados y operadores de problemas. Cuando hay un objetivo sobresaliente en la pila de objetivos, diferentes producciones proponen diferentes operadores y preferencias de operador para lograr el objetivo.
- EPIC adopta un sistema de producción similar al ACT-R. Sin embargo, no incluye la dicotomía de procesos implícitos y explícitos, que es esencial en CLARION.
Aplicaciones teóricas
CLARION se ha utilizado para dar cuenta de una variedad de datos psicológicos (Sun, 2002, 2016), como la tarea de tiempo de reacción en serie, la tarea de aprendizaje de gramática artificial, la tarea de control de procesos, una tarea de inferencia categórica, una tarea aritmética alfabética y la tarea de la Torre de Hanoi. Las tareas de control de procesos y tiempo de reacción en serie son tareas típicas de aprendizaje implícito (que involucran principalmente rutinas reactivas implícitas), mientras que la Torre de Hanoi y la aritmética alfabética son tareas de adquisición de habilidades cognitivas de alto nivel (con una presencia significativa de procesos explícitos). Además, se ha trabajado mucho en una compleja tarea de navegación en un campo minado, que implica una compleja toma de decisiones secuencial. También se ha iniciado el trabajo en tareas de decisión organizacional y otras tareas de simulación social (por ejemplo, Naveh y Sun, 2006), así como tareas metacognitivas.
Otras aplicaciones de la arquitectura cognitiva incluyen la simulación de la creatividad (Helie y Sun, 2010) y abordar la base computacional de la conciencia (o conciencia artificial ) (Coward y Sun, 2004).
Referencias
- ↑ a b c Sun, Ron (1 de marzo de 2016). Anatomía de la mente: exploración de procesos y mecanismos psicológicos con la arquitectura cognitiva de Clarion . Prensa de la Universidad de Oxford. doi : 10.1093 / acprof: oso / 9780199794553.001.0001 . ISBN 978-0-19-979455-3.
- ^ Sun, Ron (1 de septiembre de 2001). Dualidad de la mente: un enfoque ascendente hacia la cognición . Prensa de psicología. doi : 10.4324 / 9781410604378 . ISBN 978-1-4106-0437-8.
- ^ Sol, Ron; Merrill, Edward; Peterson, Todd (2001). "De las habilidades implícitas al conocimiento explícito: un modelo de abajo hacia arriba de aprendizaje de habilidades" . Ciencia cognitiva . 25 (2): 203–244. doi : 10.1207 / s15516709cog2502_2 . ISSN 1551-6709 .
- ^ Sol, Ron; Zhang, Xi (1 de junio de 2006). "Contabilización de una variedad de datos de razonamiento dentro de una arquitectura cognitiva" . Revista de Inteligencia Artificial Experimental y Teórica . 18 (2): 169-191. doi : 10.1080 / 09528130600557713 . ISSN 0952-813X .
- ^ Domangue, Thomas J .; Mathews, Robert C .; Sol, Ron; Roussel, Lewis G .; Guidry, Claire E. (2004). "Efectos del procesamiento basado en modelos y en memoria sobre la velocidad y precisión de la generación de cadenas gramaticales" . Revista de psicología experimental: aprendizaje, memoria y cognición . 30 (5): 1002–1011. doi : 10.1037 / 0278-7393.30.5.1002 . ISSN 1939-1285 . PMID 15355132 .
- ^ Wilson, Nicholas R .; Sol, Ron; Mathews, Robert C. (1 de julio de 2009). "Una simulación basada en la motivación de la degradación del rendimiento bajo presión" . Redes neuronales . 22 (5–6): 502–508. doi : 10.1016 / j.neunet.2009.06.022 . ISSN 0893-6080 . PMID 19608380 .
Coward, LA y Sun, R. (2004). Criterios para una teoría eficaz de la conciencia y algunos intentos preliminares. Conciencia y cognición , 13 , 268-301.
Helie, H. y Sun, R. (2010). Incubación, comprensión y resolución creativa de problemas: una teoría unificada y un modelo conexionista. Psychological Review , 117 , 994-1024.
Naveh, I. y Sun, R. (2006). Una simulación basada cognitivamente de la ciencia académica. Teoría de la organización computacional y matemática , 12 , 313-337.
Sun, R. (2002). Dualidad de la mente: un enfoque ascendente hacia la cognición . Mahwah, Nueva Jersey: Lawrence Erlbaum Associates.
Sol, R. (2016). Anatomía de la mente: exploración de procesos y mecanismos psicológicos con la arquitectura cognitiva de Clarion. Oxford University Press, Nueva York.
Sol, R. (2003). Un tutorial sobre CLARION 5.0 . Informe técnico, Departamento de Ciencias Cognitivas, Instituto Politécnico Rensselaer.
Sun, R., Merrill, E. y Peterson, T. (2001). De las habilidades implícitas al conocimiento explícito: un modelo de abajo hacia arriba de aprendizaje de habilidades. Ciencia cognitiva , 25 , 203-244. https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/
Sun, R., Slusarz, P. y Terry, C. (2005). La interacción de lo explícito y lo implícito en el aprendizaje de habilidades: un enfoque de proceso dual. Psychological Review , 112 , 159-192. https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/
Sun, R. y Zhang, X. (2006). Contabilización de una variedad de datos de razonamiento dentro de una arquitectura cognitiva. Revista de Inteligencia Artificial Experimental y Teórica , 18 , 169-191.
enlaces externos
- El proyecto CLARION
- El laboratorio CogArch
- pyClarion