GoodBlogger

блоггеры • ютуб • новости

Что такое когнитивные процессы: Page not found — CogniFit

Автор: · Опубликовано · Обновлено

Содержание

Симптомы и профилактика нарушений когнитивных психических процессов

Каждый человек обладает собственным уровнем развития познавательных способностей. Они называются когнитивными процессами и обусловлены генетическими особенностями: кто-то может похвастаться феноменальной памятью, а кто-то с трудом заучивает несложное четверостишье. Когнитивные функции — это те функции, благодаря которым мы познаем окружающий мир и взаимодействуем с ним. К ним относятся: восприятие, память, внимание, мышление, интеллект и речь.

Существует более двадцати патологических состояний, сопровождающихся нарушением когнитивных функций. Сосудистые заболевания среди них занимают важное место. Известно, что высокие показатели артериального давления тесно связаны с риском инфаркта, инсульта, гипертонической энцефалопатии, а также с когнитивными нарушениями. Научные исследования, посвященные проблеме анализа уровня когнитивных изменений в диагностике и лечении больных артериальной гипертонией в настоящее время очень актуальны.

Особый интерес у специалистов вызывают умеренные когнитивные нарушения, так как раннее начало терапии именно до развития деменции позволяет замедлить прогрессирование заболевания и отсрочить появление выраженного когнитивного дефицита.

В настоящее время критериями умеренных нарушений являются:
— повышенная забывчивость или снижение умственной работоспособности, подтверждаемые родственниками;
— снижении когнитивных функций в сравнении с ранее имевшимися возможностями пациента;
— объективные свидетельства когнитивных нарушений по сравнению с возрастной нормой;
— легкое ухудшение в сложных видах повседневной и профессиональной деятельности.

Эти нарушения не достигают степени деменции, однако могут быть прообразом деменций различного типа: сосудистой, альцгеймеровской. Для пожилых людей эти ухудшения часто считаются естественным процессом старения, если только изменения не обретают более выраженные формы.

Когда человек в зрелом и пожилом возрасте замечает, что стал медленнее реагировать на происходящее или у него появилось некоторое ухудшение памяти, то не придает значения этому. Однако известно, что даже естественное старение сопровождается снижением мозгового кровообращения. Например, атеросклероз мозговых сосудов значительно ухудшает состояние мозга дополнительно к действию возрастных факторов.

Но особо значима сегодня проблема омолаживания артериальной гипертонии. Молодые пациенты являются трудоспособными людьми, и нарушение когнитивных функций могут иметь для них серьезные последствия в виде социально-трудовой дезадаптации. Таким образом, необходимо своевременное выявление системно аргументированных клинико-психологических данных о состоянии когнитивных функций на начальных этапах развития заболевания у молодых пациентов с артериальной гипертонией.

Важно систематически проходить обследования, от результатов которых зависит подбор лекарств. Кроме того, важны и психологические исследования. Их итоги объективно представят уровень когнитивных процессов, позволят вовремя замедлить прогрессирование заболевания и отсрочить появление выраженного когнитивного дефицита.

В Тамбовской областной клинической больнице подобный приём ведет специалист-психолог. Главная роль в коррекции когнитивных расстройств отводится устранению сосудистых факторов риска. Всем пациентам рекомендуется соблюдать рациональную диету, отказаться от вредных привычек и быть физически активными. Немаловажное значение имеет контроль артериального давления, концентрации глюкозы и холестерина в крови.

Подбор необходимых препаратов выполняет врач. Медикаментозное лечение определяется выраженностью и характером когнитивных нарушений, а также наличием сопутствующих патологий.

Все права на материалы и новости, опубликованные на сайте Управления здравоохранения Тамбовской области, охраняются в соответствии с законодательством РФ. Допускается цитирование с обязательной прямой ссылкой на Управление здравоохранения Тамбовской области.

Взаимосвязь состояний и когнитивных процессов: структурно-динамический аспект

В ряде исследований показана неэффективность подхода к состояниям как «статускво» явлениям (Ильин, 2005; Леонова, 2006; и др.). Поэтому состояния во взаимосвязи с процессами необходимо изучать как динамический процесс, проходящий через ряд этапов. При этом конструктивным может являться понятие «среза» работы системы в определенный момент времени. В противовес аналитическому подходу, рассматривающему динамику отдельных показателей, диахронный подход позволяет изучать изменение структуры отдельных подсистем, а также отношений между ее показателями (Пейсахов, 1984). Таким образом, наряду с динамикой отдельных показателей, изучается динамика целостных структур (корреляционных связей).

При рассмотрении динамического аспекта взаимосвязи психических явлений возможно применение методов синергетики. Подтверждением этому служит концепция уровней исследования психики человека Б. Ф. Ломова, согласно которой изучение состояний и процессов относится к базовому уровню общей психологии. Исследования этого уровня реализуют связь психологии с фундаментальными науками – физикой и математикой, следовательно, здесь возможно применение методов естественных наук (цит. по: Барабанщиков, 2005).

Основная идея синергетики заключается в том, чтобы «…искать качественные изменения в макроскопических масштабах» (Хакен, 2001, с. 45). Реализация этой идеи определяет в качестве самостоятельных задач поиск и выделение интегральных показателей взаимодействия психических состояний и когнитивных процессов, а также механизмов их самоорганизации. Выявление подобных закономерностей представляет особый интерес для построения динамических моделей искусственного интеллекта.

Эмпирическую базу данного исследования составили результаты измерения психических состояний и когнитивных процессов студентов естественнонаучных и гуманитарных специальностей в возрасте 19–20 лет. Общий объем исследуемой выборки составил 198 человек.

Для измерения когнитивных процессов использовались общеизвестные методики, описанные в сборниках психодиагностических методик. Измерялись показатели свойств внимания, вербальной и механической памяти, оперативной памяти, восприятия времени, восприятия пространственных признаков. В качестве основного показателя продуктивности когнитивных процессов принималась успешность выполнения заданий.

Для измерения психических состояний применялась методика «Рельеф психического состояния» (Прохоров, 1998). Основной характеристикой являлись показатели интенсивности психических состояний.

Показатели психических состояний и когнитивных процессов измерялись трижды: в начале, середине и конце учебного занятия через равные промежутки времени (30 мин.).

В ходе исследования обнаружено, что на первом этапе учебного занятия преобладают состояния оптимальной психической активности – спокойствие, заинтересованность, любопытство (60,4 %). Однако к концу занятия частота встречаемости состояний данной группы снижается более чем в три раза.

Одновременно происходит рост состояний низкого уровня интенсивности – утомления, апатии, лени с 10,4% до 68,7%. Кроме того, к завершению занятия испытуемые перестают испытывать положительные состояния высокого уровня интенсивности – радость, веселость, азарт. На втором этапе занятия наибольшая частота встречаемости приходится на отрицательные состояния высокой интенсивности – напряженность, возбужденность, раздраженность, волнение (43,7 %).

Таким образом, на каждом этапе учебного занятия можно выделить группы типичных состояний: средней интенсивности – в начале, отрицательных состояний высокой интенсивности – в середине, отрицательных низкой интенсивности – в конце. Преобладающими состояниями для этих групп являются соответственно – спокойствие (54,2 %), напряженность и возбужденность (31,2 %), утомление (56,3 %). В дальнейшем все исследования проводились с позиции типичных состояний: в начале учебного занятия рассматривалось взаимодействие когнитивных процессов с состояниями средней интенсивности, в середине – с состояниями высокой интенсивности и в конце занятия – с состояниями низкой интенсивности.

Обобщение полученных результатов позволило заключить, что взаимодействие между процессами и состояниями подчиняется определенным закономерностям, которые качественно различны для состояний разной интенсивности.

В начале занятия структуры внешних связей (система интеркорреляций между показателями когнитивных процессов и психических состояний) и когнитивных процессов сопоставимы по степени интеграции (см. рисунок 1). В середине занятия преобладают отрицательные состояния высокой интенсивности, происходит дезинтеграция связей в структуре когнитивных процессов с одновременной интеграцией различных когнитивных процессов в структуру состояний, при этом возрастает устойчивость связей и частота коррелирования. Как следствие, структура внешних связей по степени интеграции значительно превосходит структуру когнитивных процессов, что сопровождается возрастанием неустойчивости последних и снижением сосредоточенности внимания. В конце занятия доминируют отрицательные состояния низкой интенсивности, при этом устойчивые связи между когнитивными процессами и состояниями, характерные для предыдущего этапа, распадаются. В то же время усиливаются процессы интеграции в структуре когнитивных про цессов, снижаются характеристики сосредоточенности и устойчивости внимания. Коэффициент организации когнитивной подсистемы (см. таблицу 1) превышает соответствующий показатель для системы внешних связей (показатель организации вычислялся как сумма баллов по всем статистически значимым связям: p≤0,05 – 1 балл, p≤0,01 – 2 балла, p≤0,001 – 3 балла).

           Когнитивные процессы                      Психические состояния

Рис. 1. Взаимодействие типичных состояний и когнитивных процессов на различных этапах учебного занятия (сверху вниз изображены соответственно ситуации начала, середины и конца занятия)

Условные обозначения. Психические состояния: П – поведение, Ф – физиологические реакции, ПР – переживания; когнитивные процессы: С – сосредоточенность внимания, И – избирательность внимания, Р – распределение внимания, ПК – переключение внимания, У – устойчивость внимания, ОВ – объем внимания, ПС – запоминание вербального материала, ПЧ – запоминание числового материала, ОП – оперативная память, ОЗ – опосредованное запоминание, ВП – восприятие пространственных признаков, ВВ – восприятие времени; статистическая значимость связей: p≤0,001; p≤0,01; p≤0,05.

Таблица 1 Взаимосвязь структур психических состояний и когнитивных процессов

Примечание: ПС – психические состояния; КП – когнитивные процессы.

Таким образом, наиболее выраженной особенностью взаимодействия когнитивных процессов и состояний разного уровня интенсивности является соотношение показателей организации структур когнитивных процессов и внешних связей. Кроме этого, специфика взаимодействия состояний и когнитивных процессов проявляется в том, что на каждом этапе учебных занятий, сопровождающихся актуализацией типичных неравновесных состояний, ведущими звеньями взаимосвязей являются разные когнитивные процессы и показатели состояний. В начале занятия: вербальная память, со стороны состояний – показатели физиологических процессов. В середине – переключение внимания, оперативная память, со стороны состояний – переживания, физиологические процессы. В конце занятия – вербальная память, со стороны состояний нет выраженных ведущих показателей.

Обнаружено, что в ходе взаимодействия когнитивных процессов с психическими состояниями различной интенсивности происходит перестройка структуры процессов по принципу их дифференциации. На первом этапе показатели восприятия, памяти и внимания взаимосвязаны, на втором намечается тенденция к дифференциации различных характеристик когнитивных процессов, которая завершается на третьем этапе формированием выраженных триад: сосредоточенность внимания – переключение внимания – оперативная память, механическая – вербальная память – сосредоточенность внимания, восприятие времени – восприятие пространственных признаков – избирательность внимания (см. рисунок 1). В начале занятия ведущие компоненты структуры когнитивных процессов – переключение внимания и восприятие пространства, в середине нет выраженных ведущих элементов, в конце – сосредоточенность внимания.

Интересно отметить, что закономерные изменения организации наблюдаются и в структуре состояний. Так, показано, что в диапазоне от состояний низкой интенсивности к состояниям высокой интенсивности происходит возрастание когерентности структуры состояний (Прохоров, 1998). Сопоставляя эти данные с показателями организации структур когнитивных процессов (см. таблицу 1), можно заключить, что различия заключаются в разнонаправленной динамике показателей организации структур состояний и когнитивных процессов в состояниях высокой и низкой интенсивности. Другими словами, середина учебных занятий сопровождается дезинтеграцией связей внутри когнитивной структуры с одновременной интеграцией связей в структуре состояний, конец занятий – характеризуется обратным процессом. Следовательно, специфика взаимодействия когнитивных процессов и состояний разного уровня интенсивности заключается также в соотношении степени организации их структур. Таким образом, взаимодействие между состояниями и когнитивными процессами относительно их структурной организации подчиняется принципу «синхронных колебаний».

На основании выявленных системных закономерностей для описания взаимодействия изучаемых психических явлений было предложено два интегральных показателя. Первый отражает соотношение организаций когнитивной подсистемы и внешних связей. В случае взаимодействия процессов и состояний средней интенсивности данный показатель близок к единице, при взаимодействии процессов и состояний высокой интенсивности – меньше единицы, для взаимоотношений процессов и состояний низкой интенсивности – больше единицы. Второй характеризует соотношение уровней структурной организации когнитивных процессов и психических состояний. Для равновесных состояний он примерно равен единице, для состояний высокой интенсивности – меньше единицы, низкой интенсивности – больше единицы. Предложенные показатели характеризуют своеобразие взаимодействия состояний и когнитивных процессов.

На протяжении исследования продуктивные характеристики когнитивных процессов имели различную динамику. Процессы восприятия и памяти наиболее устойчивы к взаимодействию с состояниями, их продуктивность на протяжении всех этапов занятия остается постоянной. Продуктивность распределения внимания статистически достоверно возрастает в конце занятия. Наиболее «чувствительными» к взаимодействию с психическими состояниями являются показатели внимания: в состояниях высокой интенсивности – сосредоточенность, в состояниях низкой интенсивности – сосредоточенность, устойчивость и избирательность внимания. Их продуктивность статистически достоверно снижается. Характеристики этих процессов могут иметь диагностическую ценность при изучении психических состояний (Леонова, 1984).

Таким образом, выявлены структурно-динамические характеристики самоорганизации состояний и когнитивных процессов в ходе учебной деятельности. Установлено, что взаимодействие состояний и когнитивных процессов характеризуется не только специфическими особенностями, но и качественно различными способами интеграции их структур. Выделены общие показатели взаимодействия состояний и когнитивных процессов, отражающие особенности их организации.

Согласованное изменение структурной организации состояний и когнитивных процессов свидетельствует о высокой степени их взаимной обусловленности и совместной включенности в деятельность. Подобная синхронность может реализовываться на основе саморегуляции мозговой активности. Полученные результаты косвенно свидетельствуют о важной роли нейропсихологических методов и моделей в исследовании проблемы взаимодействия состояний и когнитивных процессов, разрабатываемых в последнее время (Lewis, 2005).

КОГНИТИВНАЯ ПСИХОЛОГИЯ • Большая российская энциклопедия

  • В книжной версии

    Том 14. Москва, 2009, стр. 398

  • Скопировать библиографическую ссылку:

Авторы: Б. М. Величковский

КОГНИТИ́ВНАЯ ПСИХОЛО́ГИЯ, ве­ду­щее на­прав­ле­ние экс­пе­ри­мен­таль­ной пси­хо­ло­гии 2-й пол. 20 в., за­ни­маю­щее­ся ис­сле­до­ва­ни­ем по­зна­ват. про­цес­сов – вос­при­ятия, вни­ма­ния, па­мя­ти, обу­че­ния, во­об­ра­же­ния, ре­чи, мыш­ле­ния, а так­же со­стоя­ний соз­на­ния, эмо­ций и мо­ти­ва­ции в кон­тек­сте по­зна­ват. ак­тив­но­сти че­ло­ве­ка.

К. п. фор­ми­ро­ва­лась под влия­ни­ем прак­тич. за­дач оп­ти­ми­за­ции взаи­мо­дей­ст­вия че­ло­ве­ка с тех­нич. сис­те­ма­ми (ин­же­нер­ная пси­хо­ло­гия, эр­го­но­ми­ка) и под­держ­ки про­цес­сов обу­че­ния. Эти за­да­чи не мог­ли быть ре­ше­ны в рам­ках до­ми­ни­ро­вав­ше­го в амер. пси­хо­ло­гии до 1960-х гг. би­хе­вио­риз­ма, ори­ен­ти­ро­ван­но­го на ла­бо­ра­тор­ные экс­пе­ри­мен­ты с жи­вот­ны­ми. В от­ли­чие от би­хе­вио­риз­ма, К. п. не толь­ко вновь по­ста­ви­ла мен­таль­ные (т. е. от­но­ся­щие­ся к внут­рен­не­му ми­ру че­ло­ве­ка) по­ня­тия в центр ис­сле­до­ва­ний, но и до­пус­ти­ла воз­мож­ность ис­поль­зо­ва­ния дан­ных са­мо­на­блю­де­ния (ин­трос­пек­ции), ко­то­рые, од­на­ко, не рас­смат­ри­ва­ют­ся как са­мо­дос­та­точ­ные и тре­бу­ют под­твер­жде­ния и объ­яс­не­ния с по­мо­щью при­ме­не­ния бо­лее объ­ек­тив­ных экс­пе­рим. про­це­дур.

Не­по­сред­ст­вен­ны­ми пред­ше­ст­вен­ни­ка­ми К. п. бы­ли соз­да­те­ли геш­тальт­пси­хо­ло­гии, ис­сле­до­ва­те­ли ин­тел­лек­ту­аль­но­го раз­ви­тия ре­бён­ка (К. Бю­лер, Л. С. Вы­гот­ский, Ж. Пиа­же) и не­ко­то­рые пред­ста­ви­те­ли не­оби­хе­вио­риз­ма, при­зна­вав­шие су­ще­ст­во­ва­ние внутр. ре­пре­зен­та­ций ок­ру­же­ния (та­ких, как от­кры­тые Э. Тол­ме­ном у крыс ког­ни­тив­ные кар­ты). Важ­ную роль для ста­нов­ле­ния К. п. сыг­рал ана­лиз на­ру­ше­ний по­зна­ват. функ­ций и ре­чи в ней­роп­си­хо­ло­гии (А. Р. Лу­рия и др.). В сер. 20 в. вме­сте с ком­пь­ю­тер­ной ре­во­лю­ци­ей и в свя­зи с лин­гвис­тич. ра­бо­та­ми Н. Хом­ско­го, про­де­мон­ст­ри­ро­вав­ши­ми воз­мож­ность ал­го­рит­мич. под­хо­да к опи­са­нию син­так­си­са ре­чи, ана­лиз внутр. пси­хич. про­цес­сов прак­ти­че­ски за­ме­нил ис­сле­до­ва­ния би­хе­вио­ри­ст­ско­го ти­па. На­ча­ло ком­пь­ю­тер­но­го мо­де­ли­ро­ва­ния про­цес­сов ре­ше­ния за­дач в рам­ках ра­бот по ис­кус­ст­вен­но­му ин­тел­лек­ту вос­при­ни­ма­лось как пря­мое про­дол­же­ние ис­сле­до­ва­ний мыш­ле­ния в вюрц­бург­ской шко­ле. В 1967 У. Найс­се­ром на­пи­са­но пер­вое учеб­ное ру­ко­вод­ство по ког­ни­тив­ной пси­хо­ло­гии.

В ран­ний пе­ри­од раз­ви­тия К. п. центр. ме­сто за­ни­ма­ли ис­сле­до­ва­ния вни­ма­ния и в осо­бен­но­сти па­мя­ти. На ба­зе т. н. ком­пь­ю­тер­ной ме­та­фо­ры струк­ту­ра по­зна­ват. про­цес­сов у че­ло­ве­ка трак­то­ва­лась по ана­ло­гии со струк­ту­рой пе­ре­ра­бот­ки ин­фор­ма­ции в вы­чис­ли­тель­ном уст­рой­ст­ве, вни­ма­ние – как раз­но­вид­ность фильт­ра, осу­ще­ст­в­ляю­ще­го от­бор по­сту­паю­щей ин­фор­ма­ции по сен­сор­ным при­зна­кам (Д. Брод­бент), а па­мять – как це­поч­ка бло­ков удер­жа­ния ин­фор­ма­ции на тот или иной срок. Ча­ще все­го рас­смат­ри­ва­лась струк­ту­ра па­мя­ти, со­стоя­щая из трёх та­ких бло­ков (Р. Ат­кин­сон и др.): очень крат­ко­вре­мен­но­го (сен­сор­ная па­мять), крат­ко­вре­мен­но­го (ра­бо­чая па­мять) и дол­го­вре­мен­но­го (се­ман­тич. па­мять).

С кон. 1980-х гг. К. п. ста­ла ча­стью бо­лее ши­ро­ко­го меж­дис­ци­п­ли­нар­но­го дви­же­ния, по­лу­чив­ше­го на­зва­ние ког­ни­тив­ная нау­ка, что при­ве­ло к зна­чит. рас­ши­ре­нию ме­то­дич. ар­се­на­ла ис­сле­до­ва­ний. На­ря­ду с оцен­кой точ­но­сти и ско­ро­сти ре­ше­ния за­дач ста­ли ши­ро­ко ис­поль­зо­вать­ся раз­но­об­раз­ные ней­ро­фи­зио­ло­гич. ме­то­ды, к ко­то­рым позд­нее до­ба­ви­лись ме­то­ды ней­ро­гу­мо­раль­ных и ге­не­тич. ис­сле­до­ва­ний. Важ­ную роль про­дол­жа­ет иг­рать ком­пь­ю­тер­ное мо­де­ли­ро­ва­ние мен­таль­ных про­цес­сов, для ко­то­ро­го в по­след­ние го­ды час­то ис­поль­зу­ют­ся ис­кусств. ней­рон­ные се­ти. В центр вни­ма­ния ис­сле­до­ва­те­лей вы­дви­ну­лись во­про­сы раз­ви­тия ког­ни­тив­ных про­цес­сов, ин­ди­ви­ду­аль­ных и меж­куль­тур­ных раз­ли­чий, со­ци­аль­но­го взаи­мо­дей­ст­вия.

Бла­го­да­ря но­вым ме­то­дам трёх­мер­но­го кар­ти­ро­ва­ния ра­бо­ты моз­га к нач. 21 в. бы­ли зна­чи­тель­но уточ­не­ны пред­став­ле­ния о ло­ка­ли­за­ции пси­хич. функ­ций, вы­яв­ле­ны отд. ком­по­нен­ты ней­ро­фи­зио­ло­гич. ме­ха­низ­мов, обес­пе­чи­ваю­щих та­кие слож­ные про­цес­сы, как це­ле­по­лага­ние, са­мо­кон­троль и реф­лек­сив­ное соз­на­ние. Од­ним из ре­зуль­та­тов ста­ло опи­са­ние мно­же­ст­вен­но­сти форм ра­нее ка­зав­ших­ся еди­ны­ми по­зна­ват. про­цес­сов. Так, бы­ло вы­яв­ле­но су­ще­ст­во­ва­ние как ми­ни­мум трёх разл. сис­тем вни­ма­ния (воз­бу­ж­де­ния, ори­ен­ти­ров­ки и кон­тро­ля), не­сколь­ких сис­тем па­мя­ти (про­цедур­ной и дек­ла­ра­тив­ной, се­ман­ти­че­ской и эпи­зо­ди­че­ской), двух сис­тем вос­при­ятия (про­стран­ст­вен­ной ло­ка­ли­за­ции и иден­ти­фи­ка­ции объ­ек­тов), двух сис­тем мыш­ле­ния (ин­туи­тив­но­го и ра­цио­наль­но­го) и во­об­ра­же­ния (ре­про­дук­тив­но­го и твор­че­ско­го).

За­мет­ную роль в совр. К. п. иг­ра­ет ис­поль­зо­ва­ние но­вых тех­но­ло­гий, та­ких как вир­ту­аль­ная ре­аль­ность, по­зво­ляю­щая не толь­ко соз­да­вать у че­ло­ве­ка жи­вую ил­лю­зию пре­бы­ва­ния в пред­мет­ном про­стран­ст­вен­ном ок­ру­же­нии, но и реа­ли­зо­вы­вать на этой ос­но­ве раз­но­об­раз­ные сце­на­рии дея­тель­но­сти, для ана­ли­за ко­то­рой час­то ис­поль­зу­ют­ся пси­хо­фи­зио­ло­гич. ме­то­ды, а так­же ре­ги­ст­ра­ция гла­зо­дви­га­тель­ной ак­тив­но­сти.

В си­лу меж­дис­ци­п­ли­нар­но­го ха­рак­те­ра боль­шин­ст­ва про­блем К. п. их ис­сле­до­ва­ние в ря­де слу­ча­ев те­ря­ет пси­хо­ло­гич. спе­ци­фи­ку, ус­ту­пая ней­ро­фи­зио­ло­гич. ис­сле­до­ва­ни­ям, лин­гвис­тич. тео­ри­ям (см. Ког­ни­тив­ная лин­гвис­ти­ка) и ма­те­ма­тич. мо­де­лям.

Связь С Достижениями Учащихся В Математике

Author

Abstract

Ларина Галина Сергеевна — кандидат наук об образовании, научный сотрудник Центра психометрики и измерений в образовании. E-mail: [email protected]Капуза Анастасия Васильевна — научный сотрудник Международной лаборатории оценки практик и инноваций в образовании. E-mail: [email protected]Национальный исследовательский университет «Высшая школа экономики».Адрес: 101000 Москва, ул. Мясницкая, 20.В современном информационном обществе школьное образование должно обеспечивать развитие умения решать незнакомые задачи, быстро ориентироваться в больших объемах информации, принимать решения в ситуации неопределенности. Экспериментально установлено, что такие умения можно сформировать, если чаще использовать на уроках задания, в решение которых вовлечены когнитивные процессы высокого порядка. Однако остается открытым вопрос об эффектах использования таких заданий для усвоения предметных знаний, в частности по математике. На данных лонгитюдного исследования «Траектории в образовании и профессии», включающего тесты TIMSS и PISA, авторы оценивают представленность в повседневной учебной работе практик преподавания, вовлекающих два типа когнитивных процессов — высокого и низкого порядка, и их связь с характеристиками учителей. Также рассматривается связь между этими практиками и результатами учащихся по математике в конце 9‑го класса. Установлено, что использование и тех и других практик положительно связано с результатами учеников по математике. Однако задания, вовлекающие когнитивные процессы высокого порядка, дают более сильный положительный эффект с точки зрения результатов по математике в 8‑м классе и спустя один учебный год. Эффекты практик преподавания, направленных на развитие когнитивных навыков низкого порядка, спустя год теряют значимость или становятся отрицательными. Показано, что использование рассматриваемых практик не связано с такими характеристиками учителя, как квалификационная категория или полученное образование.

Suggested Citation

  • Ларина Г. С. & Капуза А. В., 2020. «Когнитивные Процессы В Преподавании: Связь С Достижениями Учащихся В Математике,» Вопросы образования // Educational Studies, НИУ ВШЭ, issue 1, pages 70-96.
    • Handle: RePEc:scn:voprob:2020:i:1:p:70-96

    Download full text from publisher

    References listed on IDEAS

    1. Schwerdt, Guido & Wuppermann, Amelie C., 2011. «Is traditional teaching really all that bad? A within-student between-subject approach,» Economics of Education Review, Elsevier, vol. 30(2), pages 365-379, April.
    2. Yulia Tyumeneva & Tatiana Khavenson, 2012. «Teacher Characteristics and Student Performance at School. Applying the First Difference Method to TIMSS 2007 Data,» Educational Studies, Higher School of Economics, issue 3, pages 113-140.
    3. Galina Larina, 2016. «Analysis of Real-World Math Problems: Theoretical Model and Classroom Application,» Educational Studies, Higher School of Economics, issue 3, pages 151-168.
    4. Victor Lavy, 2016. «Editor’s Choice What Makes an Effective Teacher? Quasi-Experimental Evidence,» CESifo Economic Studies, CESifo, vol. 62(1), pages 88-125.
    5. Cordero, Jose M. & Gil-Izquierdo, María, 2018. «The effect of teaching strategies on student achievement: An analysis using TALIS-PISA-link,» Journal of Policy Modeling, Elsevier, vol. 40(6), pages 1313-1331.
    6. Yulia Tyumeneva & Alena Valdman & Martin Carnoy, 2014. «What Does Subject Knowledge Give for Its Applying in New Context. The First Results from Studies TIMSS-2011 and PISA‑2012,» Educational Studies, Higher School of Economics, issue 1, pages 8-24.
    7. Charles T. Clotfelter & Helen F. Ladd & Jacob L. Vigdor, 2010. «Teacher Credentials and Student Achievement in High School: A Cross-Subject Analysis with Student Fixed Effects,» Journal of Human Resources, University of Wisconsin Press, vol. 45(3).
    8. Clotfelter, Charles T. & Ladd, Helen F. & Vigdor, Jacob L., 2007. «Teacher credentials and student achievement: Longitudinal analysis with student fixed effects,» Economics of Education Review, Elsevier, vol. 26(6), pages 673-682, December.
    9. Andrey Zakharov & Martin Carnoy & Prashant Loyalka, 2013. «Which teaching practices improve student performance on high-stakes exams? Evidence from Russia,» HSE Working papers WP BRP 13/EDU/2013, National Research University Higher School of Economics.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Galina Larina & Anastasia Kapuza, 2020. «Thinking Skills in Teaching Practices: Relationship with Students’ Achievement in Mathematics,» Educational Studies, Higher School of Economics, issue 1, pages 70-96.
    2. Chu, Jessica Hsiaochieh & Loyalka, Prashant & Chu, James & Qu, Qinghe & Shi, Yaojiang & Li, Guirong, 2015. «The impact of teacher credentials on student achievement in China,» China Economic Review, Elsevier, vol. 36(C), pages 14-24.
    3. Zakharov, Andrey & Tsheko, Gaelebale & Carnoy, Martin, 2016. «Do “better” teachers and classroom resources improve student achievement? A causal comparative approach in Kenya, South Africa, and Swaziland,» International Journal of Educational Development, Elsevier, vol. 50(C), pages 108-124.
    4. Cordero, Jose M. & Gil-Izquierdo, María, 2018. «The effect of teaching strategies on student achievement: An analysis using TALIS-PISA-link,» Journal of Policy Modeling, Elsevier, vol. 40(6), pages 1313-1331.
    5. Johan Coenen & Ilja Cornelisz & Wim Groot & Henriette Maassen van den Brink & Chris Van Klaveren, 2018. «Teacher Characteristics And Their Effects On Student Test Scores: A Systematic Review,» Journal of Economic Surveys, Wiley Blackwell, vol. 32(3), pages 848-877, July.
    6. Корешникова Ю. Н. & Захаров А. Б. & Дудырев Ф. Ф., 2018. «Различия В Общем Образовании В Колледжах И Старших Классах Школ: Характеристики Педагогов И Практики Преподавания. На Примере Математики,» Вопросы образования // Educational Studies, НИУ ВШЭ, issue 2, pages 228-253.
    7. Van Klaveren, Chris, 2011. «Lecturing style teaching and student performance,» Economics of Education Review, Elsevier, vol. 30(4), pages 729-739, August.
    8. Loyalka, Prashant & Zakharov, Andrey, 2016. «Does shadow education help students prepare for college? Evidence from Russia,» International Journal of Educational Development, Elsevier, vol. 49(C), pages 22-30.
    9. José M. Cordero & Víctor Cristóbal & Daniel Santín, 2018. «Causal Inference On Education Policies: A Survey Of Empirical Studies Using Pisa, Timss And Pirls,» Journal of Economic Surveys, Wiley Blackwell, vol. 32(3), pages 878-915, July.
    10. Dan Goldhaber & Roddy Theobald, 2013. «Managing the Teacher Workforce in Austere Times: The Determinants and Implications of Teacher Layoffs,» Education Finance and Policy, MIT Press, vol. 8(4), pages 494-527, October.
    11. Kevin C. Bastian & Gary T. Henry & Charles L. Thompson, 2013. «Incorporating Access to More Effective Teachers into Assessments of Educational Resource Equity,» Education Finance and Policy, MIT Press, vol. 8(4), pages 560-580, October.
    12. Papay, John P. & Kraft, Matthew A., 2015. «Productivity returns to experience in the teacher labor market: Methodological challenges and new evidence on long-term career improvement,» Journal of Public Economics, Elsevier, vol. 130(C), pages 105-119.
    13. Heissel, Jennifer, 2016. «The relative benefits of live versus online delivery: Evidence from virtual algebra I in North Carolina,» Economics of Education Review, Elsevier, vol. 53(C), pages 99-115.
    14. Hendricks, Matthew D., 2015. «Towards an optimal teacher salary schedule: Designing base salary to attract and retain effective teachers,» Economics of Education Review, Elsevier, vol. 47(C), pages 143-167.
    15. Hidalgo-Cabrillana, Ana & Lopez-Mayan, Cristina, 2018. «Teaching styles and achievement: Student and teacher perspectives,» Economics of Education Review, Elsevier, vol. 67(C), pages 184-206.
      • Ana Hidalgo-Cabrillana & Cristina Lopez-Mayan, 2015. «Teaching Styles and Achievement: Student and Teacher Perspectives,» Working Papers 869, Barcelona Graduate School of Economics.
      • Cristina Lopez-Mayan & Ana Hidalgo-Cabrillana, 2015. «Teaching styles and achievement: Student and teacher perspectives,» Working Papers wpdea1502, Department of Applied Economics at Universitat Autonoma of Barcelona.
      • Hidalgo-Cabrillana, Ana & Lopez-Mayan, Cristina, 2015. «Teaching Styles and achievement: Student and Teacher Perspectives,» Working Papers in Economic Theory 2015/02, Universidad Autónoma de Madrid (Spain), Department of Economic Analysis (Economic Theory and Economic History).
      • Ana Hidalgo-Cabrillana & Cristina Lopez-Mayan, 2015. «Teaching Styles and Achievement: Student and Teacher Perspectives,» UFAE and IAE Working Papers 958.15, Unitat de Fonaments de l’Anàlisi Econòmica (UAB) and Institut d’Anàlisi Econòmica (CSIC).
    16. Goldhaber, Dan & Krieg, John & Theobald, Roddy, 2014. «Knocking on the door to the teaching profession? Modeling the entry of prospective teachers into the workforce,» Economics of Education Review, Elsevier, vol. 43(C), pages 106-124.
    17. Metzler, Johannes & Woessmann, Ludger, 2012. «The impact of teacher subject knowledge on student achievement: Evidence from within-teacher within-student variation,» Journal of Development Economics, Elsevier, vol. 99(2), pages 486-496.
      • Johannes Metzler & Ludger Woessmann, 2010. «The Impact of Teacher Subject Knowledge on Student Achievement: Evidence from Within-Teacher Within-Student Variation,» CESifo Working Paper Series 3111, CESifo.
      • Metzler, Johannes & Wößmann, Ludger, 2012. «The impact of teacher subject knowledge on student achievement: Evidence from within-teacher within-student variation,» Munich Reprints in Economics 19216, University of Munich, Department of Economics.
      • Metzler, Johannes & Woessmann, Ludger, 2010. «The Impact of Teacher Subject Knowledge on Student Achievement: Evidence from Within-Teacher Within-Student Variation,» IZA Discussion Papers 4999, Institute of Labor Economics (IZA).
    18. Ann Owens & Jennifer Candipan, 2019. «Social and spatial inequalities of educational opportunity: A portrait of schools serving high- and low-income neighbourhoods in US metropolitan areas,» Urban Studies, Urban Studies Journal Limited, vol. 56(15), pages 3178-3197, November.
    19. Charles T. Clotfelter & Helen F. Ladd & Jacob L. Vigdor, 2015. «The Aftermath of Accelerating Algebra: Evidence from District Policy Initiatives,» Journal of Human Resources, University of Wisconsin Press, vol. 50(1), pages 159-188.
    20. Balcázar, Carlos Felipe & Nopo, Hugo R., 2014. «Broken Gears: The Value Added of Higher Education on Teachers’ Academic Achievement,» IZA Discussion Papers 8477, Institute of Labor Economics (IZA).

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item’s handle: RePEc:scn:voprob:2020:i:1:p:70-96. See general information about how to correct material in RePEc.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: (Екатерина Юрьевна Багдасарова) The email address of this maintainer does not seem to be valid anymore. Please ask Екатерина Юрьевна Багдасарова to update the entry or send us the correct email address. General contact details of provider: http://vo.hse.ru/ .

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the «citations» tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    Когнитивные искажения | coglab

    Проект
    «Когнитивные искажения в процессах принятия решений»

    Когнитивная психология за время своего существования накопила достаточно большое количество экспериментальных свидетельств об особом типе человеческих ошибок, вызванных в первую очередь естественным функционированием познавательных процессов. Подобные ошибки получили название «когнитивных искажений» (cognitive bias) в рамках мощной исследовательской программы, инициированной работами Д. Канемана и А. Тверски (Tversky, Kahneman 1974). С тех пор прошло довольно большое количество времени, а за исследования в этой области уже успели дать не одну Нобелевскую премию. Тем не менее, уровень понимания природы когнитивных искажений зачастую остаётся там же, где его оставил Канеман. Большинство исследований в области поведенческой экономики сделаны с целью произвести больший маркетинговый эффект, чем уточнить представления об ограничениях когнитивных процессов в различных ситуациях. 


    Мы пытаемся восполнить этот пробел. Поэтому в рамках этого направления исследований мы стремимся получить ответы на такие вопросы, как:
    1)    Отличаются ли люди в своей склонности к когнитивным искажениям? И если да, то почему? И как это надёжно измерить?
    2)    Действительно, ли в основе таких когнитивных искажений, как например ошибка игрока, лежат эвристики или их лучше объяснить другими механизмами?
    3)    Чем отличается индивидуальный процесс принятия решений от процесса принятия решений в условиях стратегического взаимодействия?
    4)    Что может дать поведенческая теория игр современным моделям принятия решений?
    5)    Можно ли научиться стратегиям совладания/исправления собственных когнитивных искажений и повысить качество принимаемых решений?
    6)    Почему решение некоторых инсайтных задач позволяет предсказывать склонность к когнитивным искажениям?
    7)    Как и почему именно так испытуемые репрезентируют ситуацию выбора с конечным числом альтернатив? От чего зависит количество альтернатив?

    Когнитивные исследования: Проекты направления

    1. Плеяды (скопление молодых звезд по спектру похожих на Сириус)
    2. Влияние использования технологий виртуальной реальности на эффективность образовательной деятельности

    Описание проектов
     

    1. Плеяды (скопление молодых звезд по спектру похожих на Сириус)

    Руководитель проекта: Бибилов И.В., Дикая Л.А.

    Аннотация:  На программы Сириуса приезжает множество людей из разных городов и стран, разной специализации и интересов. Во время работы на программах участники активно общаются, обмениваются контактами и формируют команды. Однако поддержание таких тесных контактов после программ, а также поиск новых затруднены.

    Проблема

    Несмотря на разнообразие площадок для общения, для эффективного сотрудничества между участниками программ Сириуса и поиска соратников требуется единая платформа. Цель проекта — разработка мобильного приложения, которое помогает в знакомствах для проектной коллаборации, общении, обмене мнениями и опытом, экспертизе, построении эффективного комьюнити на программах. Помогать в этом будут кейсы создания мероприятий, задач, опросников, запросы на помощь или экспертизу. По сути, это локальная социальная сеть и интеллектуальный «секретарь», ориентированные на формирование ядра программы, синергию от взаимодействия, упрочнение социальных и рабочих связей. 

    Создавая приложение, участники пройдут все этапы разработки, включая консультации с сообществом Сириуса о наборе интересных кейсов, тестирование, техподдержку, изменение и дополнение функционала. Ведь пользователи приложения будут рядом, на расстоянии вытянутой руки. Как только будет создана система, в которой пользователи оставляют свои информационные следы, появится возможность анализировать эти действия. Начнется исследовательская часть проекта. Будут построены графы взаимодействий по типам, временные графики различных активностей, социальные портреты пользователей.  На основе этих данных будут приниматься решения об эффективности работы приложения и дальнейших шагах на повышение этой эффективности.  Кроме того, стоит отметить, что проект имеет перспективу стать традиционным для программ (можно сравнивать активности на разных программах, приняв условные критерии успешности), а также будет предпринята попытка интегрироваться с инфраструктурой Сириуса и его официальным приложением.  Возможен вариант, когда приложение будет работать и вне программ, поддерживая совместную работу и общение.

    Партнер проекта: Общество с ограниченной ответственностью «Яндекс»


    2. Повышение качества общего образования на основе нейрокогнитивных исследований

    Руководители проекта: Ковалев А.И., Бермус А.Г.

    Аннотация:  В настоящее время в связи с широким распространением цифровых технологий одним из наиболее актуальных направлений исследований в области наук об образовании является проблема повышения качества общего образования. Однако вопросы об эффективности применения цифровых технологий (в частности технологий виртуальной реальности), методологии их внедрения, параметрах устройств и сред виртуальной реальности остаются открытыми.

    Проблема

    Для измерения качества образования часто применяются методики международного исследования PISA (Programme for International Student Assessment), использование которых в том числе зависит от способов предъявления учебной информации, параметров используемых устройств, содержания и способов организации учебного процесса, способов анализа и обработки учебной информации.

    Гипотезы данного исследования заключаются в том, что:

    1. уровень усвоения учебного материала с применением технологий виртуальной реальности будет выше, чем в случае использования классических средств предъявления учебной информации в виде текстов и 2D-средств визуализации;

    2. качество образования, определяемое по методикам международных исследований PISA, будет зависеть от способов предъявления учебной информации (текстовый, 2D или 3D) и от способов обработки учебной информации при решении задач.

    В ходе проекта будут сформированы три группы испытуемых, каждой из которых предстоит изучить учебный материал, предъявляемый в одной из указанных форм (виртуальная реальность, текст, 2D-формат). В качестве устройства виртуальной реальности будет использован шлем HTC Vive Pro.

    В качестве ожидаемого результата проекта будут получены данные о различиях в уровне успешности освоения учебного материала, предъявляемого с помощью различных средств, а также предикторов такой успешности. Также участники познакомятся с основными показателями читательской и естественнонаучной грамотности, как способами обработки поступающей информации и актуальными компонентами качества образования; разработают наборы заданий, позволяющих диагностировать индивидуальные показатели качества образования.

    Партнеры проекта: Московский государственный университет имени М.В. Ломоносова, Южный федеральный университет

     

    КОГНИТИВНЫЙ ПРОЦЕСС это

    Читать PDF
    7.01 мб

    Когнитивные факторы учебного процесса

    Идиатулин В. С.

    Рассматриваются закономерности когнитивных процессов восприятия, хранения, воспроизведения и использования учебного знания, познавательные возможности учебного эксперимента и продуктивного теоретического мышления.

    Читать PDF
    770.65 кб

    Цепные процессы в когнитивной динамике

    Комиссаров Г.Г., Рубцова Н.А.

    В работе предложена модель, объясняющая особенности динамики решения задач на инсайт с использованием аппарата теории разветвленных цепных химических реакций Н.Н. Семенова

    Читать PDF
    547.30 кб

    Когнитивные основы процесса интерпретации

    Назарова Раиса Зифировна, Юрзанова Ольга Павловна

    Рассмотрено изучение когнитивных основ процесса интерпретации на материале англоязычного художественного текста.

    Читать PDF
    113.78 кб

    Мониторинг качества когнитивных процессов

    Чаркова М.

    Читать PDF
    153.13 кб

    Когнитивные процессы в локальном сообществе

    Сухарев Михаил Валентинович

    В статье рассмотрена организующая роль комплекса институтов в процессах принятия планов регионального развития, бюджетов различных уровней.

    Читать PDF
    146.52 кб

    Когнитивные процессы и логическая семантика

    Ляшов В.В.

    Одной из сфер приложения современной теоретической логики являются когнитивные контексты.

    Читать PDF
    148.67 кб

    Процесс осознания в контексте когнитивной науки

    Аллахвердов Виктор Михайлович

    В статье утверждается, что когнитивная наука потеряла свое идеологическое единство и тем самым отошла от когнитивизма.

    Читать PDF
    24.31 мб

    Когнитивные модели процесса общения двух личностей

    Герасимова Ильмира Барыевна

    Рассмотрена когнитивная модель структуры личности как активного элемента системы, включающая интеллектуальную и организационную деятельность, а также влияние психоэмоционального фактора.

    Читать PDF
    239.67 кб

    Когнитивные процессы и биологические нейронные сети

    Денисов Андрей, Булай Павел, Питлик Тарас, Черенкевич Сергей

    В статье рассматриваются вопросы анализа экспериментальных данныхв области изучения функций мозга, собранныхс применением новейших методов исследований.

    Читать PDF
    318.50 кб

    Адаптивные состояния сознания в когнитивных процессах

    Паршикова Галина Васильевна, Сорокина Елена Ивановна

    В статье рассмотрена проблематика формирования психических и ментальных процессов человеческого сознания.

    Читать PDF
    162.07 кб

    ВКЛАД КОГНИТИВНОГО СТИЛЯ В ПРОЦЕСС УЧЕБНОЙ ДЕЯТЕЛЬНОСТИ

    Мишина Марина Михайловна, Равилова Марьям Ваизовна

    Когнитивный стиль является одной из ключевых составляющих деятельности человека, которая отражает способ восприятия, переработки и оценки информации индивидом.

    Читать PDF
    172.65 кб

    Роль циркадианной системы в регуляции когнитивных процессов

    Колесников Е. В.

    Многие физиологические процессы в нашем организме подчиняются строгой ритмической организации. Основной системой, регулирующей протекание не только вегетативных, но и психофизиологических процессов является циркадианная система.

    Читать PDF
    770.36 кб

    УЧЁТ КОГНИТИВНЫХ ПРОЦЕССОВ В РЕЧЕВОЙ ДЕЯТЕЛЬНОСТИ СТУДЕНТОВ

    Исроилова Ёкутой Баходыровна

    в статье показана роль информационно-коммуникационных технологий. Раскрыт учёт когнитивных процессов в речевой деятельности студентов, изучающих английский язык.

    Читать PDF
    272.38 кб

    Неоассоцианизм как парадигма изучения когнитивных процессов

    Цветков Андрей Владимирович

    Рассматривается история и современное состояние ассоцианизма, классификация ассоциативных процессов, приводится критика данной парадигмы как рассматривающей связи элементов психики в отрыве от их содержания.

    Читать PDF
    440.96 кб

    Когнитивно-личностное развитие ребенка в процессе социализации

    Комкова Елена Ивановна

    В статье представлены результаты исследования когнитивного и личностного развития детей от 4-5 до 17-18 лет.

    Что такое когнитивные процессы? Подход на основе примеров

  • Adams, F., & Aizawa, K. (2008). Пределы познания . Оксфорд: Блэквелл.

  • Барон-Коэн, С. (1995). Слепота. Очерк аутизма и теории разума . Кембридж, Массачусетс: MIT Press.

    Google Scholar

  • Блейкмор, С. Дж., Гудбоди, С. Дж., И Уолперт, Д. М. (1998). Предсказание последствий наших собственных действий: роль оценки сенсомоторного контекста. Журнал неврологии , 18 (18), 7511–7518.

    Google Scholar

  • Blakemore, S.J., Frith, C., & Wolpert, D.M. (1999). Пространственно-временное предсказание модулирует восприятие стимулов, производимых самим человеком. Журнал когнитивной неврологии , 11 (5), 551–559.

    Артикул Google Scholar

  • Блейкмор, С.J., Smith, J., Steel, R., Johnstone, C.E., & Frith, C.D. (2000). Восприятие самостоятельно созданных сенсорных стимулов у пациентов со слуховыми галлюцинациями и переживаниями пассивности: свидетельство нарушения самоконтроля. Психологическая медицина , 30 (5), 1131–1139.

    Артикул Google Scholar

  • Бойд Р. (1999). Виды, сложность и множественная реализация. Философские исследования , 95 (1), 67–98.

    Артикул Google Scholar

  • Брукс Р. А. (1991). Интеллект без представления. Искусственный интеллект , 47 , 139–159.

    Артикул Google Scholar

  • Бакнер, К. (2015). Кластерная теория познания. Философская психология , 28 , 307.

    Статья Google Scholar

  • Кэмпбелл, Дж.(1999). Шизофрения, пространство причин и мышление как двигательный процесс. Монист , 84 , 609–625.

    Артикул Google Scholar

  • Кларк, А., и Чалмерс, Д. (1998). Расширенный разум. Анализ , 58 , 10–23.

    Артикул Google Scholar

  • Кук, Р., Берд, Г., Катмур, К., Пресс, К., и Хейес, К.(2014). Зеркальные нейроны: от происхождения к функциям. Поведенческие науки и науки о мозге , 37 , 177–241. DOI: 10.1017 / S0140525X13000903.

    Артикул Google Scholar

  • Дэвис, М., Колтер, М., Лэнгдон, Р., и Брин, Н. (2001). Монотематические заблуждения: к двухфакторному учету. Философия, психиатрия и психология , 8 , 133–158.

    Артикул Google Scholar

  • ДелРоуз, М., Вагнер, К., и Фредерик, П. (2011). Скрытая марковская модель: новый тип скрытой марковской модели. Международный журнал искусственного интеллекта и приложений , 2 (1), 1–19. DOI: 10.5121 / ijaia.2011.2101.

    Артикул Google Scholar

  • Эйхенбаум, Х. (2013). Память вовремя. Тенденции в когнитивных науках , 17 (2), 8–81. DOI: 10.1016 / j.tics.2012.12.007.Epub 2013 12 января

    Статья Google Scholar

  • Фрит, К. Д., Блейкмор, С., и Уолперт, Д. М. (2000). Объяснение симптомов шизофрении: нарушения осознания действия. Обзор исследований мозга , 31 (2–3), 357–363.

    Артикул Google Scholar

  • Галлахер С. (2001). Практика разума: теория, моделирование или взаимодействие? Журнал исследований сознания , 8 (5–7), 83–107.

    Google Scholar

  • Галлахер, С. (2005). Как тело формирует разум . Нью-Йорк: Издательство Оксфордского университета.

    Забронировать Google Scholar

  • Галлахер, С., & Хатто, Д. Д. (2008). Понимание других посредством первичного взаимодействия и повествовательной практики. В J. Zlatev, T. Racine, C. Sinha, & E. Itkonen (Eds.), Общий разум: Перспективы интерсубъективности (стр.17–38). Амстердам: Джон Бенджаминс.

    Google Scholar

  • Галлезе В., Фадига Л., Фогасси Л. и Риццолатти Г. (1996). Распознавание действий в премоторной коре. Мозг , 119 , 593–609.

    Артикул Google Scholar

  • Галлезе, В., и Гольдман, А. (1998). Зеркальные нейроны и имитационная теория чтения мыслей. Тенденции в когнитивной науке , 1/2 (12), 493–501.

    Артикул Google Scholar

  • Гольдман, А. И. (2006). Моделирование разума: философия, психология и нейробиология чтения мыслей. Нью-Йорк: Издательство Оксфордского университета.

  • Гопник А. (1993). Как мы узнаем свой разум: иллюзия знания интенциональности от первого лица. Поведенческие науки и науки о мозге , 16 (1), 1–15, 90–101. DOI: 10.1017 / S0140525X00028636.

  • Гротян, М.(2002). Управление с прогнозированием на основе моделей в промышленной робототехнике. Международный журнал исследований робототехники , 21 , 45–60.

    Артикул Google Scholar

  • Хейес, К. (2010). Откуда берутся зеркальные нейроны? Обзоры неврологии и биоповеденческих исследований , 34 , 575–583.

    Артикул Google Scholar

  • Хофманн, В., Сангинетти-Шек, Дж. И., Кюнцель, С., Гёртен, Б., Гомес-Сена, Л., и Энгельман, Дж. (2013). Передвижение и восприятие рыб со слабым электрическим током: сенсорный поток, сформированный активным восприятием: сенсомоторные стратегии у электрических рыб. Журнал экспериментальной биологии , 216 , 2487–2500. DOI: 10.1242 / jeb.082420.

    Артикул Google Scholar

  • Хюбенер, М., и Бонхёффер, Т. (2014). Пластичность нейронов: за пределами критического периода. Ячейка , 159 (4), 727–737. DOI: 10.1016 / j.cell.2014.10.035.

    Артикул Google Scholar

  • Херли, С. (1998). Сознание в действии . Кембридж, Массачусетс: Издательство Гарвардского университета.

    Google Scholar

  • Hutchison, W., Davis, K., Lozano, A., Tasker, R., & Dostrovxky, J. (1999). Связанные с болью нейроны в коре головного мозга человека. Nature Neuroscience , 2 , 403–405.

    Артикул Google Scholar

  • Джейкоб П. (2008). Что зеркальные нейроны способствуют социальному познанию человека? Mind & Language , 23 (2), 190–223.

    Артикул Google Scholar

  • Джабби, М., Сварт, М., и Кейзерс, К. (2007). Сочувствие к положительным и отрицательным эмоциям во вкусовой коре. NeuroImage , 34 (4), 1744–1753.

    Артикул Google Scholar

  • Кестнер, Л., и Вальтер, С. (2009). Что такое познание? — функционализм и расширенное познание. В В. А. Мунц, К. Пул и Дж. Ван (ред.), Язык и мир. Материалы 32-го Международного симпозиума Витгенштейна. Кирхберг-ам-Вексель, Австрия: Онтос.

  • Керн, Р., Эгельхааф, М., и Шринивасан, М.В. (1997). Обнаружение краев приземляющимися пчелами: поведенческий анализ и моделирование основного механизма. Vision Research, 37 (15), 2103–2117.

  • Кейзерс, К., и Газзола, В. (2010). Социальная нейробиология: зеркальные нейроны, зарегистрированные у людей. Current Biology , 20 (8), R353 – R354.

    Артикул Google Scholar

  • Макнаб Р. М. и Кошланд Д. Э. (1972).Механизм восприятия градиента в бактериальном хемотаксисе. PNAS , 69 , 2509–2512.

    Артикул Google Scholar

  • Menary, R. (2010). Расширенный разум . Кембридж: M.I.T. Нажмите.

    Забронировать Google Scholar

  • Миллер Г. А. (2003). Когнитивная революция: историческая перспектива. Тенденции в когнитивных науках , 7 (3), 141–144.

    Артикул Google Scholar

  • Милнер, А. Д., & Гудейл, М. А. (1995). Зрительный мозг в действии . Нью-Йорк: Издательство Оксфордского университета.

    Google Scholar

  • Ньюен, А. (2015). Понимание других: теория модели человека. В Т. Метцингер и Дж. М. Виндт (ред.). Откройте MIND. Франкфурт-на-Майне: MIND Group, статья 26, 1-28.

  • Ньюен, А., & Schlicht, T. (2009). Понимание других умов. Критика теории моделирования Гольдмана и набросок теории модели человека. Grazer Philosophische Studien , 79 (1), 209–242.

    Google Scholar

  • Ноэ, А. (2004). Действие в восприятии . Кембридж, Массачусетс: MIT Press.

    Google Scholar

  • Poulet, J. F. A., & Hedwig, B.(2006). Клеточная основа побочного разряда. Science , 311 , 518–522.

    Артикул Google Scholar

  • Патнэм, Х. (1975). Значение слова «смысл». В Х. Патнэме (ред.), Разум, язык и реальность. Философские статьи (том 2, стр. 215–271). Кембридж: Издательство Кембриджского университета.

    Google Scholar

  • Куайн, W.В. О. (1951). Две догмы эмпиризма. Философское обозрение , 60 (1), 20–43.

    Артикул Google Scholar

  • Рескорла Р. А. (1988). Павловская обусловленность. Это не то, что вы думаете. Американский психолог , 43 (3), 151–160.

    Артикул Google Scholar

  • Риццолатти, Г., и Крейгеро, Л. (2004).Система зеркальных нейронов. Ежегодный обзор нейробиологии , 27 , 169–192.

    Артикул Google Scholar

  • Роббинс П. и Айдеде М. (2009). Кембриджский справочник локального познания . Кембридж: Издательство Кембриджского университета.

    Google Scholar

  • Сполдинг, С. (2013). Зеркальные нейроны и социальное познание. Разум и язык , 28 (2), 233–257.

    Артикул Google Scholar

  • Synofzik, M., Vosgerau, G., & Newen, A. (2008a). За пределами модели компаратора: многофакторный двухэтапный отчет об агентстве. Сознание и познание , 17 , 219–239.

    Артикул Google Scholar

  • Synofzik, M., Vosgerau, G., & Newen, A. (2008b). Я двигаюсь, следовательно, я: новая теоретическая основа для исследования свободы воли и собственности. Сознание и познание , 17 , 411–424.

    Артикул Google Scholar

  • Thagard, P. (2010). Когнитивная наука. В Э. Н. Залта (ред.), Стэнфордская философская энциклопедия (издание осень 2012 г.). http://plato.stanford.edu/archives/fall2012/entries/cognitive-science.

  • Цакирис М., Хаггард П., Франк Н., Мэйни Н. и Сиригу А. (2005). Особая роль эфферентной информации в самопознании. Познание , 96 , 215–231.

    Артикул Google Scholar

  • фон Холст, Э., и Миттельштадт, Х. (1950). Das Reafferenzprinzip. Naturwissenschaften , 37 , 464–476.

    Артикул Google Scholar

  • Восгерау, Г., и Ньюен, А. (2007). Мысли, двигательные действия и личность. Разум и язык , 22 , 22–43.

    Артикул Google Scholar

  • Wells, R., Schueller, J. K., & Tlusty, J. (1990). Управление с прямой связью и обратной связью гибкой роботизированной руки. Журнал систем управления IEEE , 10 , 9–15.

    Артикул Google Scholar

  • Уикер, Б., Кейзерс, К., Плайи, Дж., Ройет, Дж. П., Галлезе, В., и Риццолатти, Г. (2003). Мы оба испытывали отвращение к моей островке: общая нейронная основа видения и чувства отвращения. Нейрон , 40 (3), 655–664.

    Артикул Google Scholar

  • Витгенштейн, Л. (1967). Философские исследования (Г. Э. М. Анскомб, Пер.). Оксфорд: Блэквелл (оригинал на немецком языке с 1953 г.).

    • Что такое познание? | Введение в психологию

    Что вы научитесь делать: описывать стратегии познания и решения проблем

    Представьте все свои мысли, как если бы они были физическими сущностями, быстро кружащимися внутри вашего разума.Как это возможно, что мозг способен организованно и упорядоченно переходить от одной мысли к другой? Мозг бесконечно воспринимает, обрабатывает, планирует, организует и запоминает — он всегда активен. Тем не менее, вы не замечаете большую часть активности своего мозга во время повседневных движений. Это только одна грань сложных процессов познания. Проще говоря, познание — это мышление, и оно включает в себя процессы, связанные с восприятием, знанием, решением проблем, суждением, языком и памятью.Ученые, изучающие познание, ищут способы понять, как мы интегрируем, организуем и используем наш сознательный когнитивный опыт, не осознавая всю бессознательную работу, которую выполняет наш мозг (например, Kahneman, 2011).

    Цели обучения

    • Различия между концептами и прототипами
    • Объясните разницу между естественными и искусственными концепциями

    Познание

    Просыпаясь каждое утро, вы начинаете думать — размышлять о задачах, которые вы должны выполнить в этот день.В каком порядке вы должны выполнять свои поручения? Стоит ли вам сначала пойти в банк, в уборщицу или в продуктовый магазин? Сможете ли вы сделать все это до того, как отправитесь в класс, или им придется подождать, пока школа не закончится? Эти мысли — один из примеров познания в действии. Исключительно сложное познание является важной чертой человеческого сознания, но не все аспекты познания переживаются сознательно. Когнитивная психология — это область психологии, посвященная изучению того, как люди думают.Он пытается объяснить, как и почему мы думаем именно так, путем изучения взаимодействия человеческого мышления, эмоций, творческих способностей, языка и решения проблем в дополнение к другим когнитивным процессам. Когнитивные психологи стремятся определить и измерить различные типы интеллекта, почему одни люди лучше решают проблемы, чем другие, и как эмоциональный интеллект влияет на успех на рабочем месте, среди множества других тем. Иногда они также сосредотачиваются на том, как мы организуем мысли и информацию, собранную из нашего окружения, в значимые категории мысли, которые будут обсуждаться позже.

    Категории и понятия

    Категория набор объектов, которые можно каким-либо образом рассматривать как эквивалентные. Например, рассмотрим следующие категории: грузовики, беспроводные устройства, свадьбы, психопаты и форель. Хотя объекты в данной категории отличаются друг от друга, у них много общего. Когда вы знаете, что что-то является грузовиком, вы знаете об этом довольно много. Психология категорий касается того, как люди учатся, запоминают и используют информативные категории, такие как грузовики или психопаты.Ментальные представления, которые мы формируем по категориям, называются концепциями. В мире есть категория грузовиков, и у вас в голове тоже есть концепция грузовиков. Мы предполагаем, что человеческие концепции более или менее соответствуют реальной категории, но может быть полезно различать их, например, когда чья-то концепция на самом деле неверна.

    Концепции и прототипы

    Нервная система человека способна обрабатывать бесконечные потоки информации. Чувства служат связующим звеном между разумом и внешней средой, получая стимулы и преобразуя их в нервные импульсы, которые передаются в мозг.Затем мозг обрабатывает эту информацию и использует соответствующие фрагменты для создания мыслей, которые затем могут быть выражены языком или сохранены в памяти для использования в будущем. Чтобы усложнить этот процесс, мозг собирает информацию не только из внешней среды. Когда мысли формируются, мозг также извлекает информацию из эмоций и воспоминаний (рис. 1). Эмоции и память сильно влияют как на наши мысли, так и на поведение.

    Рисунок 1 . Ощущения и информация принимаются нашим мозгом, фильтруются через эмоции и воспоминания и обрабатываются, чтобы стать мыслями.

    Чтобы систематизировать это ошеломляющее количество информации, мозг создал в уме своего рода картотеку. Различные файлы, хранящиеся в картотеке, называются концепциями. Концепции — это категории или группы лингвистической информации, изображений, идей или воспоминаний, например жизненного опыта. Во многих смыслах концепции — это большие идеи, которые генерируются наблюдением за деталями, а также категоризацией и объединением этих деталей в когнитивные структуры. Вы используете концепции, чтобы увидеть взаимосвязь между различными элементами вашего опыта и сохранить информацию в уме организованной и доступной.

    Концепции информируются нашей семантической памятью (вы узнаете больше об этой концепции, когда изучите память) и присутствуют во всех аспектах нашей жизни; однако одно из самых простых мест, где можно заметить концепции, — это внутри класса, где они подробно обсуждаются. Например, когда вы изучаете историю Соединенных Штатов, вы узнаете больше, чем просто об отдельных событиях, произошедших в прошлом Америки. Вы усваиваете большое количество информации, слушая и участвуя в обсуждениях, изучая карты и читая рассказы о жизни людей из первых рук.Ваш мозг анализирует эти детали и вырабатывает общее представление об американской истории. В процессе ваш мозг собирает детали, которые информируют и уточняют ваше понимание связанных понятий, таких как демократия, власть и свобода.

    Понятия могут быть сложными и абстрактными, как справедливость, или более конкретными, как типы птиц. В психологии, например, стадии развития Пиаже — абстрактные понятия. Некоторые концепции, такие как толерантность, согласованы со многими людьми, потому что они использовались по-разному на протяжении многих лет.Другие концепции, такие как характеристики вашего идеального друга или традиции дня рождения вашей семьи, носят личный и индивидуальный характер. Таким образом, концепции затрагивают все аспекты нашей жизни, от повседневной рутины до руководящих принципов, лежащих в основе функционирования правительства.

    Концепции лежат в основе разумного поведения. Мы ожидаем, что люди будут знать, что делать в новых ситуациях и при столкновении с новыми объектами. Если вы войдете в новый класс и увидите стулья, классную доску, проектор и экран, вы узнаете, что это такое и как они будут использоваться.Вы сядете на один из стульев и ждете, что инструктор будет писать на доске или проецировать что-то на экран. Вы делаете это, , даже если никогда не видели ни одного из этих конкретных объектов до , потому что у вас есть концепции классов, стульев, проекторов и т. Д., Которые говорят вам, что они собой представляют и что вы должны с ними делать. Более того, если кто-то расскажет вам новый факт о проекторе, например, что он имеет галогеновую лампу, вы, вероятно, распространите этот факт на другие проекторы, с которыми вы столкнетесь.Короче говоря, концепции позволяют вам расширить то, что вы узнали об ограниченном количестве объектов, до потенциально бесконечного набора сущностей.

    Рисунок 2 . В 1930 году Мохандас Ганди возглавил группу мирных протестов против британского налога на соль в Индии.

    Другой метод, используемый вашим мозгом для организации информации, — это идентификация прототипов разработанных вами концепций. Прототип — лучший пример или представление концепции. Например, для категории гражданского неповиновения вашим прототипом может быть Роза Паркс.Ее мирное сопротивление сегрегации в городском автобусе в Монтгомери, штат Алабама, является узнаваемым примером гражданского неповиновения. Или вашим прототипом может быть Мохандас Ганди, которого иногда называют Махатма Ганди («Махатма» — почетный титул) (рис. 2).

    Мохандас Ганди служил ненасильственной силой за независимость Индии, одновременно требуя, чтобы буддийские, индуистские, мусульманские и христианские лидеры — как индийские, так и британские — мирно сотрудничали. Хотя ему не всегда удавалось предотвратить насилие вокруг себя, его жизнь является ярким примером прототипа гражданского неповиновения (Фонд конституционных прав, 2013).Подобно тому, как концепции могут быть абстрактными или конкретными, мы можем проводить различие между концепциями, которые являются функциями нашего непосредственного опыта взаимодействия с миром, и концепциями, которые являются более искусственными по своей природе.

    ссылка на обучение

    Проверьте, насколько хорошо вы можете сопоставить прототип компьютера с определенными объектами, играя в эту интерактивную игру Quick Draw!

    Естественные и искусственные концепции

    В психологии понятия можно разделить на две категории: естественные и искусственные. Естественные концепции создаются «естественным образом» благодаря вашему опыту и могут развиваться как на основе прямого, так и косвенного опыта. Например, если вы живете в Эссекс-Джанкшен, штат Вермонт, у вас, вероятно, был большой опыт работы со снегом. Вы видели, как он падает с неба, вы видели слегка падающий снег, который едва закрывает лобовое стекло вашей машины, и вы выкопали 18 дюймов пушистого белого снега, как вы думали: «Это идеально подходит для катания на лыжах». . » Вы бросили снежки в своего лучшего друга и спустились на санях с самого крутого холма в городе.Одним словом, вы знаете снег. Вы знаете, как это выглядит, как пахнет, на вкус и на что похоже. Однако если вы прожили всю свою жизнь на острове Сент-Винсент в Карибском море, вы, возможно, никогда не видели снега, а тем более пробовали, нюхали или трогали его. Вы узнаете снег по косвенному опыту просмотра изображений падающего снега или по фильмам, в которых снег является частью декораций. В любом случае, снег — это естественное понятие, потому что вы можете составить представление о нем посредством прямых наблюдений или опыта снега (рис. 3).

    Рисунок 3 . а) Наша концепция снега является примером естественной концепции, которую мы понимаем посредством прямого наблюдения и опыта. (б) Напротив, искусственные концепции — это те, которые мы знаем по определенному набору характеристик, которые они всегда проявляют, например, что определяет различные основные формы. (кредит а: модификация работы Маартена Такенса; кредит б: модификация работы «Шаян (США)» / Flickr)

    Искусственное понятие С другой стороны, — это понятие, которое определяется определенным набором характеристик.Различные свойства геометрических фигур, таких как квадраты и треугольники, служат полезными примерами искусственных концепций. Треугольник всегда имеет три угла и три стороны. У квадрата всегда четыре равные стороны и четыре прямых угла. Математические формулы, такие как уравнение для площади (длина × ширина), являются искусственными понятиями, определяемыми определенными наборами характеристик, которые всегда одинаковы. Искусственные концепции могут улучшить понимание темы, опираясь друг на друга. Например, прежде чем изучать понятие «площадь квадрата» (и формулу для его определения), вы должны понять, что такое квадрат.Как только понятие «площадь квадрата» будет понято, понимание площади для других геометрических фигур может быть построено на исходном понимании площади. Использование искусственных концепций для определения идеи имеет решающее значение для общения с другими и участия в сложных размышлениях. Согласно Голдстоуну и Керстену (2003), концепции действуют как строительные блоки и могут быть соединены в бесчисленных комбинациях для создания сложных мыслей.

    Схема

    Схема — это мысленная конструкция, состоящая из кластера или набора связанных понятий (Bartlett, 1932).Существует много различных типов схем, и все они имеют одну общую черту: схемы — это метод организации информации, позволяющий мозгу работать более эффективно. Когда схема активирована, мозг сразу же делает предположения о наблюдаемом человеке или объекте.

    Есть несколько типов схем. Ролевая схема делает предположения о том, как будут вести себя люди в определенных ролях (Callero, 1994). Например, представьте, что вы встречаете человека, который представился пожарным.Когда это происходит, ваш мозг автоматически активирует «схему пожарного» и начинает делать предположения, что этот человек храбрый, самоотверженный и ориентированный на сообщество. Несмотря на то, что вы не знаете этого человека, вы уже неосознанно судили о нем. Схемы также помогают заполнить пробелы в информации, которую вы получаете из окружающего вас мира. Хотя схемы позволяют более эффективно обрабатывать информацию, могут возникнуть проблемы со схемами, независимо от того, точны ли они: возможно, этот конкретный пожарный не храбрый, он просто работает пожарным, чтобы оплачивать счета, пока учится, чтобы стать детским библиотекарем.

    Схема события , также известная как когнитивный сценарий , представляет собой набор действий, которые могут ощущаться как рутина. Подумайте, что вы делаете, когда заходите в лифт (рис. 4). Сначала открываются двери, и вы ждете, пока выходящие пассажиры смогут выйти из кабины лифта. Затем вы входите в лифт и поворачиваетесь лицом к дверям в поисках кнопки, которую нужно нажать. Вы никогда не сталкиваетесь с лифтом, не так ли? А когда едешь в переполненном лифте и не можешь смотреть вперед, чувствуешь себя некомфортно, не так ли? Интересно, что схемы мероприятий могут сильно различаться в разных культурах и странах.Например, в Соединенных Штатах довольно часто люди приветствуют друг друга рукопожатием, в Тибете вы приветствуете кого-то, показывая ему язык, а в Белизе вы ударяете кулаками (Региональный совет Кэрнса, nd)

    Рисунок 4 . Какую схему событий вы выполняете, когда едете в лифте? (Источник: «Гидеон» / Flickr)

    Поскольку схемы событий являются автоматическими, их может быть сложно изменить. Представьте, что вы едете домой с работы или учебы.Эта схема событий включает в себя сесть в машину, закрыть дверь и пристегнуть ремень безопасности перед тем, как вставить ключ в замок зажигания. Вы можете выполнять этот сценарий два или три раза в день. По дороге домой вы слышите звонок телефона. Как правило, схема событий, которая возникает, когда вы слышите звонок телефона, включает в себя определение местоположения телефона и ответ на него или ответ на ваше последнее текстовое сообщение. Поэтому, не задумываясь, вы берете телефон, который может быть в кармане, в сумке или на пассажирском сиденье автомобиля.Эта мощная схема событий определяется вашим образцом поведения и приятной стимуляцией, которую телефонный звонок или текстовое сообщение дает вашему мозгу. Поскольку это схема, нам чрезвычайно сложно перестать хвататься за телефон, даже если мы знаем, что при этом подвергаем опасности свою жизнь и жизни других людей (Neyfakh, 2013) (Рисунок 5).

    Рисунок 5 . Текстовые сообщения во время вождения опасны, но некоторым людям сложно сопротивляться.

    Помните лифт? Кажется, что войти внутрь невозможно, а , а не , стоит лицом к двери.Наша мощная схема событий диктует наше поведение в лифте, и наши телефоны ничем не отличаются. Текущие исследования показывают, что именно привычка или схема событий проверять наши телефоны во многих различных ситуациях особенно затрудняет отказ от проверки их во время вождения (Bayer & Campbell, 2012). Поскольку текстовые сообщения и вождение автомобиля в последние годы превратились в опасную эпидемию, психологи ищут способы помочь людям прервать «телефонную схему» во время вождения. Подобные схемы событий — причина того, почему от многих привычек трудно избавиться после того, как они были приобретены.Продолжая изучать мышление, не забывайте, насколько сильны силы концепций и схем для нашего понимания мира.

    Смотри

    Посмотрите это видео CrashCourse, чтобы увидеть больше примеров концепций и прототипов. Вы также получите предварительную информацию по другим ключевым темам познания, включая стратегии решения проблем, такие как алгоритмы и эвристики.

    Подумай над

    Подумайте о естественной концепции, которую вы знаете полностью, но которую будет трудно понять кому-то другому.Почему это сложно объяснить?

    Глоссарий

    искусственное понятие: понятие, которое определяется очень специфическим набором характеристик

    познание: мышление, включая восприятие, обучение, решение проблем, суждение и память

    когнитивная психология: область психологии, посвященная изучению всех аспектов мышления людей

    концепция: категория или группа лингвистической информации, объектов, идей или жизненного опыта

    когнитивный сценарий: набор поведений, которые каждый раз выполняются одинаково; также называется схемой событий

    схема событий: набор поведений, которые каждый раз выполняются одинаково; также называется когнитивным сценарием

    естественная концепция: мысленная группа, которая создается «естественным образом» благодаря вашему опыту

    прототип лучшее представление концепции:
    схема ролей: набор ожиданий, которые определяют поведение человека, занимающего определенную роль

    схема: (множественное число = схемы) ментальная конструкция, состоящая из кластера или набора связанных понятий

    Познавательные процессы | Психология Вики

    Оценка | Биопсихология | Сравнительный | Познавательный | Развивающий | Язык | Индивидуальные различия | Личность | Философия | Социальные |
    Методы | Статистика | Клиническая | Образовательная | Промышленное | Профессиональные товары | Мировая психология |

    Когнитивная психология: Внимание · Принимать решение · Обучение · Суждение · Объем памяти · Мотивация · Восприятие · Рассуждение · Мышление — Познавательные процессы Познание — Контур Индекс

    Когнитивные процессы (также известные как психические функции или Психические операции ) — это термины, которые часто используются взаимозаменяемо (хотя и не всегда правильно, поэтому термин когнитивный имеет тенденцию иметь определенные значения — см. Когнитивный, когнитивный и когнитивный), которые выделяют такие функции как:

    • Внимание
    • Понимание
    • Принятие решения
    • Решение
    • Память
    • Обучение
    • Восприятие
    • Рассуждения
    • Решение проблем


    Итак, когнитивные процессы — это процессы, вовлеченные в познание, получение, обработку и использование знаний и информации.

    Дополнительные процессы включают:

    • Жилье
    • Ассимиляция
    • Ассоциативные процессы
    • Разделение на части
    • Классификация
    • Когнитивная предвзятость
    • Когнитивная оценка
    • Когнитивная дискриминация
    • Когнитивный диссонанс
    • Когнитивное обобщение
    • Когнитивное посредничество
    • Когнитивный стиль
    • Понимание
    • Концентрация
    • Формирование концепции
    • Концептуальное смешивание
    • Творчество
    • Дневной сон
    • Принятие решения
    • Защитные механизмы
    • Фантазия
    • Идея
    • Воображение
    • Самоанализ
    • Интуиция
    • Магическое мышление
    • Психическое вращение
    • Метапознание
    • Именование
    • Решение проблем
    • Руминация
    • Схема
    • Семантическое обобщение
    • Сексуальная фантазия
    • Социальное познание
    • Мышление
    • Подавление мыслей
    • Транспонирование
    • Бдительность
    • Volition

    Эти процессы вызывают познания, продукты познания, которые включают:

    • Отношения
    • Убеждения
    • Концепции
    • Заблуждения
    • Ожидания
    • Ложные убеждения
    • Галлюцинации
    • Изображение
    • Insight
    • Преднамеренность
    • Идеи
    • Иррациональные убеждения
    • Мысли
    • Искусственный интеллект
    • Познание
    • Когнитивная оценка
    • Когнитивный диссонанс
    • Когнитивные карты
    • Скорость когнитивной обработки
    • Когнитивная психология
    • Когнитивный стиль
    • Концептуальный темп
    • Конфабуляция
    • Разрешение конфликтов
    • Коннекционизм
    • Декларативные знания
    • Эффект генерации (обучение)
    • Хранение информации о человеке
    • Обучение
    • Стратегии обучения
    • Память
    • Психическое событие
    • Разум
    • Нейрокогнитивный
    • Процедурные знания
    • Опрос
    • Тестирование реальности
    • Пространственная способность
    • Стратегии
    • Словесные ассоциации
    v · d · e Когнитивные процессы
    Познание

    Осведомленность · Когнитивный диссонанс · Понимание · Сознание · Воображение · Интуиция

    Восприятие

    Амодальное восприятие · Восприятие цвета · Восприятие глубины · Визуальное восприятие · Восприятие формы · Тактильное восприятие · Речевое восприятие · Восприятие как интерпретация · · Восприятие 9067 Числовое значение 6 восприятие · Гармоническое восприятие · Социальное восприятие

    Память

    Кодирование · Хранение · Вызов · Консолидация памяти

    Другое

    Внимание · Высшая нервная деятельность · Намерение · Обучение (память) · Психическое утомление · Набор (психология) · Мышление · Волна

    Базовый когнитивный процесс — обзор

    2 Обучение базовым процессам vs.Обучение повседневной деятельности

    Различие между двумя компонентами человеческого интеллекта, т. Е. Подвижным интеллектом как возрастной способностью решать новые и незнакомые проблемы и кристаллизованным интеллектом как способностью решать знакомые проблемы, которые можно сохранить или даже улучшить в старых Возраст (Horn 1982) не означает, что эти компоненты независимы друг от друга. Поскольку каждая сложная когнитивная деятельность содержит элементы текучего и кристаллизованного интеллекта, а интеллектуальная производительность как продукт может быть результатом различных пропорций двух компонентов, опыта, т.е., высокий уровень кристаллизованного интеллекта, предлагает возможности для компенсации потерь жидким интеллектом.

    Возможность компенсации потерь в основных когнитивных процессах была доказана в многочисленных эмпирических исследованиях, особенно в области профессиональной деятельности, но также и в других значимых повседневных действиях. Было показано, что производительность при выполнении сложных когнитивных задач снижается не так быстро, как можно было бы предположить, исходя из снижения основных когнитивных процессов (Willis 1987).Стратегии, которые допускают компенсацию в основных когнитивных процессах, включают, например, преднамеренное замедление действий, дополнительные проверки решений, ограничение небольшим количеством действий и целей. Однако, как может быть показано в парадигме тестирования пределов, компенсация в пользу оптимизации конкретных аспектов обычно приводит к увеличению времени, необходимого для выполнения задачи (Baltes and Baltes 1990, Kliegl et al. 1989).

    Доказанная возможность компенсировать потерю интеллектуальных способностей приводит к вопросу, можно ли улучшить повседневную компетентность в пожилом возрасте путем обучения полезным стратегиям и основным процессам.В этом контексте поучителен подход Уиллиса (1987), ориентированный на человека. По словам автора, сложную повседневную деятельность можно оптимизировать, тренируя основные процессы. На первом этапе необходимо определить значение конкретных процессов для кластеров важных повседневных действий (например, чтение инструкций по эксплуатации или листовок с инструкциями). На втором этапе можно обучить те процессы, которые влияют на производительность многих видов деятельности. Обучение базовым процессам было бы очень привлекательным для исследования вмешательства, поскольку участие в программах обучения могло бы повысить производительность в различных контекстах и ​​видах деятельности.Однако основные когнитивные процессы находятся в самом начале повседневной деятельности; взаимосвязь между ними очень плохая, и удовлетворительный прогноз производительности основных процессов невозможен. Как следствие, недавнее развитие интервенционных исследований указывает на предпочтение другой парадигмы: обучение конкретным повседневным действиям. Поскольку контекстно-независимая обучающая мнемоника не оказала ожидаемого влияния на производительность повседневной памяти, было предложено предложить специальные курсы, направленные на улучшение запоминания имен или предотвращение того, чтобы люди теряли очки или ключи вместо курсов, направленных на улучшение общей производительности памяти.Следуя этому подходу, необходимо создавать контексты личностно-ориентированного вмешательства, которые очень соответствуют проблемным ситуациям в повседневной жизни.

    Следовательно, с точки зрения данного подхода требуется детальное изучение индивидуальных жизненных ситуаций. Это требование иллюстрирует главную дилемму программ вмешательства, ориентированных на человека: затраты на обучение стольких людей в столь многих конкретных ситуациях несоразмерны с возможными эффектами вмешательства.Программы вмешательства часто используются для поиска возможностей для действий и развития, особенно в возрастном компоненте интеллекта. Многочисленные эмпирические исследования позволили дифференцировать наше понимание человеческого интеллекта, продемонстрировав резервы способности к интеллектуальной деятельности. Познавательные функции можно улучшить с помощью соответствующих программ обучения, особенно с учетом индивидуальных, социальных и профессиональных аспектов жизненной ситуации. Более того, когнитивная тренировка также может быть полезна для достижения некогнитивных целей, что является еще одним показателем важности познания для успешного управления жизнью в нашей культуре.

    Однако эффекты когнитивной тренировки остаются специфичными для конкретных проблем и ситуаций. Более того, согласно Денни (1994), большинство тренировочных исследований (естественно) сосредотачиваются на возрастных способностях и навыках, где аналогичных результатов можно достичь только с помощью упражнений. Кроме того, обучение оказывает наибольшее влияние на навыки, которые не нужны в повседневной жизни. Поэтому Денни (1994) поднимает вопрос, почему люди должны участвовать в обычных программах обучения и не было бы лучше создавать новые программы, которые концентрируются на хорошо развитых способностях и навыках, где небольшие эффекты могут иметь большое влияние на возможности сохранения. независимая и ответственная жизнь.

    Границы | Подход когнитивного моделирования к формированию стратегии при динамическом принятии решений

    Введение

    Бэккантри-лыжники (и сноубордисты) стремятся получить уникальные ощущения от катания на лыжах или сноуборде по покрытым снегом горам, рисуя первую линию на свежевыпавшем снегу. Прежде чем принять решение о спуске по тому или иному горному склону, они проверяют снежный покров, температуру и ветровые условия, чтобы избежать схода лавины. Часто ни одна характеристика снега не имеет решающего значения, но их сочетание может изменить условия безопасного катания.Решение продолжить движение по склону часто пересматривается в зависимости от обратной связи со снегом (например, обрушивающийся снег, снежные тормоза против хорошего порошкового снега) и предыдущего опыта.

    Описанный сценарий дает хороший пример сложного познания. Комплексное познание (Knauff and Wolf, 2010) исследует, как различные умственные процессы влияют на планирование действий, решение проблем и принятие решений. Термин «психические процессы в сложном познании» включает не только когнитивные, но и мотивационные аспекты.Натуралистическое исследование процесса принятия решений исследует, как решения принимаются «в дикой природе». Реальные решения, принимаемые людьми с определенным опытом, исследуются в контексте ограниченного времени, противоречивых целей, динамически меняющихся условий и источников информации различной надежности.

    Такие сложные ситуации включают в себя дополнительные аспекты, которые не могут быть охвачены все вместе при изучении сложного познания. Тем не менее, исследователи должны стремиться к описанию, пониманию и предсказанию человеческого поведения во всей его сложности.

    Модель, расположенная в когнитивных архитектурах, может моделировать несколько параллельных процессов, тем самым фиксируя многогранные психологические явления и делая прогнозы, иногда даже для сложных задач. Тем не менее, разработка таких моделей требует пошаговой процедуры для выделения различных влияющих факторов. В нашем примере с лыжным спортом сначала необходимо разработать и протестировать модель основного процесса принятия решений (например, на основе изучения категорий на основе характеристик снега и обратной связи) лыжника бэккантри.Впоследствии этот подход может быть расширен с помощью подходов к моделированию других процессов, влияющих на решение (например, мотивации), для прогнозирования принятия решений в естественных условиях.

    Чтобы приблизиться к общей цели понимания познания в целом, изучение динамического принятия решений с помощью когнитивных архитектур представляет собой шаг в правильном направлении. При динамическом принятии решений решения не считаются фиксированными, но могут быть изменены поступающей информацией. Таким образом, рассматриваются не только отдельные аспекты принятия решений, такие как влияние внимания, но и факторы окружающей среды, которые дают обратную связь о действии или приводят к серьезным изменениям, требующим адаптации к новым условиям.

    Однако в реальных решениях на наш будущий выбор и нашу обработку результатов решений влияет обратная связь из окружающей среды. Это интерактивный взгляд на процесс принятия решений, называемый динамическим принятием решений (Gonzalez, 2017), примером которого является приведенный выше сценарий. Согласно Эдвардсу (1962), динамическое принятие решений определяют три аспекта. Во-первых, с течением времени предпринимается ряд действий для достижения определенной цели. Во-вторых, действия зависят друг от друга. Таким образом, на решения влияют предыдущие действия.В-третьих, и это наиболее трудно исследовать, изменения в окружающей среде происходят в результате этих действий, но также и спонтанно (Edwards, 1962). Согласно Гонсалесу (2017), динамическое принятие решений — это процесс, в котором решения мотивируются целями и внешними событиями. Они зависят от предыдущих решений и результатов. Таким образом, решения принимаются на основе опыта и зависят от обратной связи. В большинстве случаев такие решения принимаются в условиях ограниченного времени. Поэтому длительные умственные разработки невозможны.Подводя итог, можно сказать, что исследование динамического принятия решений исследует серию решений, которые зависят от предыдущих решений и принимаются в условиях временных ограничений в изменяющейся среде.

    Другой взгляд на динамическое принятие решений как на непрерывный цикл обновления ментальной модели представлен Ли и Маани (2011). Они описывают этот процесс, используя цикл CER. CER расшифровывается как «Концептуализация – Экспериментирование – Отражение». Концептуализация — это получение понимания ситуации и мысленное моделирование результатов потенциальных решений и связанных с ними действий.Таким образом, лицо, принимающее решения, сравнивает данную ситуацию со связанной информацией в своей ментальной модели и объединяет новую информацию, полученную из окружающей среды, для выработки набора решений. Во время экспериментов решения и вмешательства, разработанные на основе ментальной модели лица, принимающего решения, проверяются в динамике реального мира. На этапе размышления отражается результат фазы экспериментирования, например, обрабатывается обратная связь. Если ожидаемый результат достигнут (например,, положительная обратная связь) первоначальные решения остаются в силе. Однако, если результат неожиданный (например, отрицательная обратная связь) или полученные результаты отличаются от ожидаемого, лицо, принимающее решение, обновляет свою ментальную модель. Для этого он или она выбирает альтернативные действия, такие как поиск новых источников информации для принятия лучших решений.

    Эти виды процедур принятия решений были предложены для разделения многих процессов с процедурой формирования категорий (Seger and Peterson, 2013).Категоризация — это мысленная операция, которая группирует объекты на основе их схожих характеристик. Когда новые категории формируются из заданного набора элементов без явной инструкции, сначала должны быть извлечены признаки, отличающие разные элементы. Затем гипотезы о соответствующих характеристиках должны быть сформированы и проверены путем принятия последовательных решений.

    Эксперименты по изучению категорий в когнитивной науке часто требуют, чтобы участники устанавливали четкие правила, которые идентифицируют членов целевой категории.Решения о последовательной категоризации подкрепляются обратной связью, указывающей, было ли решение правильным или нет. Успех таких экспериментов по категориальному обучению на основе правил во многом зависит от рабочей памяти и внимания руководителей (Ashby and Maddox, 2011). Тот факт, что решения в реальном мире критически зависят от успеха или неудачи в предыдущих испытаниях, квалифицирует категориальное обучение как модель для динамического принятия решений.

    Существует множество продвинутых вычислительных моделей категоризации, которые объясняют поведенческие характеристики субъектов в различных задачах категоризации (например,г., Нософский, 1984; Андерсон, 1991; Эшби, 1992; Крушке, 1992; Нософский и др., 1994; Эриксон и Крушке, 1998; Love et al., 2004; Sanborn et al., 2010). Эти конкурирующие модели различаются по своим теоретическим допущениям (Lewandowsky et al., 2012), и в настоящее время нет единого мнения о том, как можно сравнивать и тестировать разные модели друг с другом (Wills and Pothos, 2012).

    Еще одно требование к динамическому принятию решений — возникновение изменений в окружающей среде. Хорошо известная задача категоризации с использованием таких изменений реализована в тесте сортировки карточек штата Висконсин (WCST; Berg, 1948).В этом тесте участники должны сначала выбрать правило одного признака (цвет, форма, количество символов), а затем им необходимо переключиться на другое правило одного признака. Эта задача проверяет способность проявлять гибкость поведения. Другой экспериментальный подход к проверке поведенческой гибкости у людей и животных — это обратное обучение (например, Clark et al., 2004; Jarvers et al., 2016). Здесь субъекты должны адаптировать свое поведение выбора в соответствии с обратными обстоятельствами подкрепления.

    Таким образом, эксперименты по категориальному обучению с изменяющимися правилами могут служить подходящими парадигмами для изучения динамического принятия решений в лаборатории, хотя и с ограниченной сложностью по сравнению со сценариями реального мира.

    Большинство экспериментов по изучению категорий на основе правил просты и используют только одну релевантную спецификацию характеристики стимула (например, определенный цвет элемента) в качестве основы для категоризации. В принципе, однако, такое ограничение не требуется, и эксперименты по изучению категорий на основе правил могут стать более сложными при использовании правил конъюнкции. Их все еще можно легко описать словесно (например, ответьте A, если стимул мал по размеру x и мал по размеру y). Было показано, что правила конъюнкции могут быть изучены (например,g., Salatas and Bourne, 1974), но гораздо менее заметны и обычно не применяются (Ashby et al., 1998).

    Далее основные моменты, упомянутые выше, объединены в нашем примере катания на лыжах по бэккантри: поскольку обратная связь с окружающей средой играет центральную роль в построении правильной ментальной модели, обратная связь в виде сильного снежного покрова указывает на правильность текущей стратегии. Напротив, отрицательная обратная связь, например, разрушение снега, указывает на то, что следует изменить стратегию, возможно, поискать другие характеристики или даже другую комбинацию функций, которые могут обещать лучший результат для катания на лыжах.Кроме того, внезапные изменения условий окружающей среды могут привести к изменению сочетания характеристик, указывающих на положительный результат. В нашем примере изменением может быть другой склон холма с большим воздействием солнца или повышением температуры, требуя, чтобы другие комбинации функций использовались как показатель безопасного спуска. Существует множество возможностей того, какие функции и комбинации функций могут указывать на безопасные или небезопасные условия, что усложняет такую ​​задачу.

    Таким образом, для изучения динамического принятия решений в эксперименте по изучению категорий требуется задача с вышеупомянутыми характеристиками (последовательные решения с обратной связью, множественные стимулы и переключение назначений категорий).Чтобы определить, как люди изучают принадлежность функций в динамической среде, и исследовать, как возникают стратегии с возрастающей сложностью, сначала необходимо разработать подход к моделированию, обращающийся к этим аспектам. Если эта модель полезна и правдоподобна, она должна соответствовать средним поведенческим данным. Это важная веха на пути к более точной модели, которая, в свою очередь, должна предсказывать более подробные эмпирические данные (например, индивидуальные поведенческие или нейронные данные). Если этот шаг будет достигнут, то модели можно будет использовать в качестве систем помощи при принятии решений на индивидуальном уровне.

    В этой статье мы используем поведенческие данные эксперимента, описанного ниже, для разработки исходной когнитивной модели, как описано выше. В ходе эксперимента участникам нескольких испытаний было предъявлено большое количество разнообразных звуковых стимулов. Затем участники должны были узнать методом проб и ошибок, какие комбинации характеристик характеристик предсказывают положительный или отрицательный результат. Поскольку перцептивное обучение стимулам не является предметом нашего исследования, мы использовали характерные и легко распознаваемые слуховые особенности.Чтобы соответствовать всем вышеупомянутым критериям для динамического принятия решений, мы дополнительно ввели спонтанное изменение в среде, так что предыдущие решения о комбинациях функций внезапно потребовалось переоценить, чтобы получить положительную обратную связь.

    В частности, мы хотели бы продемонстрировать, как различные аспекты, влияющие на динамическое принятие решений, могут быть решены с помощью комбинации существующих и проверенных когнитивных механизмов в архитектуре. К ним относятся: научиться различать комбинации положительных и отрицательных характеристик в зависимости от обратной связи; последовательное тестирование сначала простых правил с одной характеристикой и переключение на более сложные правила с двумя характеристиками позже, а также использование метапознания для переоценки комбинаций функций после изменений среды.Другие подходы к моделированию также могут воспроизводить такие данные, что отличает наш подход тем, что он имеет теоретически обоснованную интерпретацию правдоподобных когнитивных механизмов.

    Зачем использовать когнитивное моделирование?

    Метод когнитивного моделирования усиливает точность расплывчатых теорий. Чтобы научные теории были точными, эти вербальные теории должны быть формально смоделированы (Димов и др., 2013). Таким образом, теории должны быть ограничены описываемыми процессами и научно установленными механизмами.Как утверждают Саймон и Ньюэлл (1971), «программируемость теорий является гарантией их работоспособности и железной страховкой от допуска магических сущностей в голову» (стр. 148).

    Когнитивные модели могут делать прогнозы того, как несколько аспектов или переменных взаимодействуют и производят поведение, наблюдаемое в эмпирических исследованиях. В реальных жизненных ситуациях поведение определяется множеством влияний. Когнитивные модели помогают понять, какие взаимосвязанные когнитивные процессы приводят к наблюдаемому поведенческому результату.Когнитивные модели могут выполнять ту же задачу, что и участники, путем моделирования множества текущих когнитивных процессов. Таким образом, модели могут дать представление о задачах, которые слишком сложны для анализа с помощью контролируемых экспериментов. Тем не менее, изучение такого задания с участниками обязательно для сравнения результатов моделей и участников. Однако понимание процесса, ведущего к результату, более важно, чем точное соответствие модели заданному набору экспериментальных результатов. Наша цель в этом отношении — понять процессы, лежащие в основе принятия решений человеком, и не в последнюю очередь помочь людям научиться лучше принимать решения (Wolff and Brechmann, 2015).

    Прогнозы, сделанные с помощью когнитивных моделей, можно сравнивать не только со средними данными результатов (такими как время реакции или процент правильных решений), но и с обработкой данных. Данные процесса представляют собой шаблоны поиска информации, например нейронные данные. В этом отношении когнитивные модели могут быть проинформированы данными ЭЭГ и фМРТ для эмпирической проверки таких процессов (Forstmann et al., 2011; Borst and Anderson, 2015).

    Разработка нейробиологически правдоподобных моделей находится в центре внимания обучения с подкреплением (например,г., Саттон и Барто, 1998). Целью таких вычислительных моделей является лучшее понимание механизмов, задействованных на уровне нейронной сети, которые изучались с помощью инвазивных электрофизиологических измерений в различных областях мозга животных (например, сенсорной и моторной коре, базальных ганглиях и префронтальной коре). Такие модели нейронных сетей недавно были применены к задачам обучения, требующим гибкого поведения (например, задачам обращения в непредвиденные обстоятельства). Читателю отсылаем к недавней статье Jarvers et al.(2016), в котором дается обзор литературы по обратному обучению и описывается модель рекуррентной нейронной сети для задачи обучения слуховой категории, такой как та, которая применяется в данной статье. Эта вероятностная модель обучения хорошо согласуется с эмпирическим обучающим поведением, но не интерпретирует когнитивные процессы, которые приводят к такому поведению. Он постулирует неопределенный метакогнитивный механизм, который контролирует выбор соответствующей стратегии. Вот где проявляется сила нашего подхода; Он специфичен для метакогнитивных механизмов, которые определяют поведение при выполнении таких задач.Примером могут служить процессы, которые гарантируют, что после ряда отрицательных результатов будет инициировано изменение стратегии.

    Подводя итог, можно сказать, что когнитивное моделирование — это поддающаяся опровержению методология исследования познания. В научной практике это означает, что точные гипотезы реализуются в исполняемых когнитивных моделях. Выход этих моделей (процесс, а также продукт) затем сравнивается с эмпирическими данными. Индексы соответствия, такие как r 2 и RSME, а также качественные тенденции предоставляют информацию о прогностической силе когнитивных моделей.

    Более конкретно, центральные цели когнитивного моделирования состоят в том, чтобы (а) описать, (б) предсказать, и (в) предписать поведение человека (Marewski and Link, 2014). Модель , описывающая поведение , может воспроизводить поведение участников-людей. Однако если модель воспроизводит точное поведение, обнаруженное в человеческих данных, это свидетельствует о переобучении. В этом случае модель имеет параметры, которые также соответствуют шуму, обнаруженному в эмпирических данных. Чтобы решить такие проблемы чрезмерно определенных моделей, важно протестировать модель на новом наборе данных и, таким образом, оценить, насколько хорошо она может предсказать новых данных. Prescribe означает, что модель должна быть обобщаемой, чтобы она могла предсказывать поведение в различных ситуациях. Более того, предпочтительны устойчивые модели, это означает, что на выходные данные модели нелегко повлиять определенные настройки параметров.

    Термин когнитивная модель включает в себя все виды моделей познания — от очень конкретных, изолированных когнитивных аспектов, применимых только в конкретных ситуациях, до более всеобъемлющих и обобщаемых. Последние кандидаты — это когнитивные архитектуры, которые рассматривают познание в целом.Они стремятся объяснить не только поведение человека, но и лежащие в его основе структуры и механизмы. Когнитивные модели, написанные на основе когнитивных архитектур, поэтому, как правило, не фокусируются на отдельных когнитивных процессах, таких как некоторый конкретный процесс обучения. Напротив, взаимодействие различных когнитивных процессов и контекст когнитивных процессов моделируются вместе. Моделирование отношений между различными подсистемами особенно актуально для прикладных исследовательских вопросов. Структуры и механизм для этого обеспечиваются когнитивной архитектурой и должны быть психологически и нервно правдоподобными (Thomson et al., 2015).

    Наиболее часто используемые когнитивные архитектуры, такие как ACT-R, предсказывают процессы с высокой степенью детализации в диапазоне 50 мс. Эти процессы могут быть реализованы вычислительно. Однако они встроены в когнитивные теории — это то, что отличает когнитивные модели, построенные с помощью когнитивных архитектур, от математических моделей, таких как нейронные сети. Последние модели формально объясняют поведение с точки зрения вычислительных процессов. Таким образом, их объяснение поведения можно рассматривать с точки зрения вычислительных процессов, но не нацелено на когнитивные интерпретации (Bowers and Davis, 2012).

    Когнитивная архитектура ACT-R

    Когнитивная архитектура ACT-R (Adaptive Control of Thought — Rational) использовалась для успешного моделирования различных задач принятия динамических решений и является очень полезной архитектурой для моделирования обучения (Anderson, 2007; Gonzalez, 2017). Далее дается технический обзор основных структур и механизмов, управляющих когнитивными моделями в ACT-R. Мы сосредоточимся только на тех аспектах, которые важны для понимания нашего подхода к моделированию.Для более подробного ознакомления с ACT-R мы рекомендуем посетить веб-сайт ACT-R.

    Основная цель

    ACT-R — моделировать познание в целом с использованием различных модулей, которые взаимодействуют друг с другом для моделирования когнитивных процессов. Эти модули взаимодействуют через интерфейсы, называемые буферами. ACT-R — это гибридная архитектура, поэтому в модулях ACT-R реализованы символические и субсимвольные механизмы.

    В нашей модели используются моторный, декларативный, воображаемый, целевой, слуховой и процедурный модули.Модуль двигателя представляет собой мощность двигателя ACT-R. Декларативный модуль — это долговременная память ACT-R, в которой хранятся и извлекаются все информационные блоки (блоки). Имагинальный модуль — это рабочая память ACT-R, в которой хранится и модифицируется текущее состояние проблемы (промежуточное представление, важное для выполнения задачи). Таким образом, имагинальный модуль играет важную роль в обучении. Целевой модуль содержит состояния управления. Это подцели, которые должны быть достигнуты для достижения главной цели.Слуховой модуль — это модуль восприятия слуха. Процедурный модуль играет центральную роль в ACT-R. Это интерфейс других блоков обработки, поскольку он выбирает правила производства (см. Ниже) на основе текущего состояния модулей.

    Для написания модели разработчик модели должен указать символические части ACT-R. Это (а) производственные правила и (б) чанки. Куски — это самые маленькие единицы информации. Вся информация в ACT-R хранится по частям. Правила производства (e.г., постановки) состоят из условия и части действия. Производство выбирается последовательно, и одновременно может быть выбрано только одно производство. Производство можно выбрать только в том случае, если часть условий производства соответствует состоянию модулей. Затем часть действия изменяет фрагменты в модулях. Если более чем одно производство соответствует состоянию модулей, то процесс выбора подсимвольного производства выбирает, какое из соответствующих производств будет выбрано.

    Еще одним подсимволическим процессом в ACT-R является активация фрагмента.Он определяет, можно ли извлечь фрагмент из памяти и сколько времени занимает это извлечение. Полезность фрагмента в прошлом (активация базового уровня), релевантность фрагмента в текущем контексте (ассоциативная активация) и параметр шума суммируются с значением активации фрагмента. Изменение субсимволических механизмов ACT-R также является частью процедуры моделирования. Это можно сделать с помощью определенных параметров, однако большинство параметров имеют значения по умолчанию, полученные из предыдущих исследований (Wong et al., 2010), которые следует использовать.

    Как можно смоделировать процесс принятия решений и категориальное обучение в ACT-R?

    Существует много разных стилей написания моделей в ACT-R (Taatgen et al., 2006). Для принятия решений использовались следующие подходы к моделированию: (а) стратегия или правила, (б) примерные или экземпляры, и (в) подходы, сочетающие стратегии и примеры. Эти подходы будут сравниваться, чтобы мотивировать выбранный нами подход к моделированию.

    В стратегии или основанных на правилах моделях различные стратегии решения проблем реализуются с разными производственными правилами, и успешные стратегии вознаграждаются.Теории, основанные на правилах в изучении категорий, постулируют, что классификатор должен идентифицировать категорию объекта, проверяя его на соответствие различным правилам. Итак, чтобы найти решение проблемы, используются стратегии в виде правил.

    Образцы или модели на основе экземпляров полагаются на предыдущий опыт, хранящийся в декларативной памяти, для решения проблем принятия решений. Содержание и структура экземпляров зависят от индивидуального оформления. Это не полное представление о событии, но представляет собой спецификации функций, на которых сосредоточено внимание решателя проблем, а также отзывы опытных специалистов.Образцовые теории изучения категорий постулируют, что экземпляры категорий запоминаются. Чтобы решить, принадлежит ли экземпляр к категории, новый экземпляр сравнивается с существующим. Обучение на основе экземпляров (IBL) основывается на экземплярах в контексте процессов динамического принятия решений и включает механизмы обучения, такие как поиск на основе распознавания. Получение экземпляров зависит от сходства между текущей ситуацией и экземплярами, хранящимися в памяти. В ситуациях IBL наблюдения результатов сохраняются в виде блоков и извлекаются из памяти для принятия решений.Субсимволическая активация извлеченных экземпляров определяет, какие экземпляры могут быть извлечены в данной ситуации. Обучение на основе экземпляров требует некоторого предварительного изучения соответствующих экземпляров. Затем лица, принимающие решения, могут извлечь и обобщить эти примеры (Gonzalez et al., 2003).

    Модели смешанного подхода используют как правила, так и экземпляры для решения задач принятия решений.

    Несколько авторов реализовали описанные подходы в средах категориального обучения и принятия решений.В модели ACT-R, основанной на стратегии, Orendain and Wood (2012) реализовали различные стратегии для решения сложных проблем в игре «Микромир» под названием «Firechief». Их модель отражала поведение участников игры. Кроме того, можно было смоделировать различные условия обучения и результирующее поведение участников. Модель работала более или менее гибко, как и участники, в зависимости от условий обучения. Это демонстрирует, что успех в обучении стратегии зависит от последовательности стимулов в условиях обучения.Пиблз и Бэнкс (2010) использовали основанную на стратегии модель задачи динамических запасов и потоков (DSF). В этой задаче уровень воды должен поддерживаться постоянным, но приток и отток воды изменяются с разной скоростью. Модель стратегий для выполнения этой задачи ACT-R была реализована в виде производственных правил. Модель точно воспроизводила данные, но была менее успешной в прогнозировании новых данных. Авторы предположили, что, просто расширив модель, чтобы она содержала больше стратегий и гипотез, можно было бы также предсказать такие новые данные.Таким образом, определение адекватных правил имеет решающее значение для моделей, основанных на правилах.

    Gonzalez et al. (2009) сравнили производительность двух моделей ACT-R, модели на основе экземпляров и модели на основе стратегии, в задаче RADAR. В этом задании участники и модель должны были визуально различать движущиеся цели (самолеты) среди движущихся отвлекающих факторов, а затем устранять цели. Обе модели достигли примерно одинакового общего соответствия данным участников, но IBL лучше справилась с задачей переноса.

    Lebiere et al.(1998) протестировали две типовые модели, отражающие обучение во время сложной задачи по решению проблем, называемой сахарным заводом (Берри и Бродбент, 1988). Задача сахарного завода исследует, как субъекты учатся управлять сложными системами с неизвестным динамическим поведением. Задание требует от испытуемых произвести определенное количество сахарных изделий. Таким образом, в каждом испытании необходимо соответствующим образом корректировать штат сотрудников. Две типовые модели обеспечивали адекватное учебное поведение, аналогичное поведению испытуемых.В последующем исследовании Фум и Стокко (2003) исследовали, насколько хорошо эти оригинальные модели могут предсказать поведение участников в случае гораздо меньшего целевого количества сахарного продукта, чем в первоначальном эксперименте. Кроме того, они исследовали, могут ли модели воспроизводить поведение в случае переключения с высокого целевого количества продукта на низкое целевое количество продукта и наоборот во время эксперимента. В первом случае результативность участников значительно выросла. Исходные модели IBL не могли уловить такое поведение.Поэтому авторы разработали основанную на правилах модель, которая фиксировала субъектов, меняющих поведение.

    Rutledge-Taylor et al. (2012) сравнили основанную на правилах и основанную на образце модель для задачи категоризации интеллекта, в которой изученные характеристики должны были быть изучены и присвоены. Обе модели одинаково хорошо предсказывали данные участников. Ни одна модель не превосходила другую.

    В другом исследовании категоризации Андерсон и Бетц (2001) изучали три задачи обучения по категориям с тремя различными моделями ACT-R, моделью на основе образца, моделью на основе правил и смешанной моделью.Смешанная модель подошла лучше всего, воспроизводя эффекты обучения и задержки, обнаруженные в эмпирических данных.

    Таким образом, нет четких доказательств того, что тот или иной подход к моделированию лучше. В своей статье Андерсон и Бетц (2001) утверждают, что смешанный подход, вероятно, наиболее близок к тому, как люди классифицируют категории, потому что предположение о том, что категоризация основывается либо исключительно на образцах, либо исключительно на правилах, вероятно, слишком ограниченно. Кроме того, последовательность стимулов и адекватная спецификация правил важны для задач динамического принятия решений и категорийного обучения.

    Кроме того, модели сложных задач должны включать метакогнитивные процессы, такие как отражение и оценка прогресса выбранного подхода (Roll et al., 2004; Reitter, 2010; Anderson and Fincham, 2014). Модель Reitter (2010) динамических запасов и потоков задач исследовала, как субъекты управляют конкурирующими стратегиями задач. Индивидуальный анализ эмпирических данных показал, что участники продемонстрировали внезапные заметные изменения в поведении. Механизмы обучения, которые являются чисто субсимволическими, не могут объяснить такое поведение, потому что для изменения поведения модели потребуется слишком много времени.Более того, стратегии участников, казалось, менялись в зависимости от сложности течения воды. Таким образом, модель этой задачи должна учитывать смену стратегии, а не только постепенное обучение. Рейтер (2010) предполагает, что человеческие решения реальных проблем возникают из комбинации общих механизмов (основных механизмов обучения) и стратегий принятия решений, общих для многих задач когнитивного моделирования. Его модель реализует несколько стратегий для решения основной задачи управления, а также механизм ранжирования и выбора этих стратегий в соответствии с их соответствием в данной ситуации.Это представляет собой метакогнитивный аспект его модели.

    Наша цель

    Наша цель — разработать подход к моделированию ACT-R для динамического принятия решений в задачах категориального обучения. Подходящая задача для такого подхода к моделированию должна удовлетворять нескольким требованиям. Во-первых, модель должна использовать сложные многофункциональные стимулы для построения категорий из объединенных функций. Во-вторых, задача должна обеспечивать обратную связь, позволяя модели учиться. В-третьих, изменения в среде должны происходить во время задачи, вынуждая модель действовать в соответствии с ними, уточняя однажды изученные сборки категорий.

    Чтобы смоделировать производительность в такой задаче, подход к моделированию должен включать механизмы изучения стратегии и смены стратегии. Он должен точно указать, как гипотезы об обучении по категориям могут быть реализованы с помощью ACT-R. Следует использовать смешанный подход к моделированию правил и примеров, поскольку предыдущая работа показывает, что такие модели наиболее подходят для задач динамического принятия решений. Кроме того, поскольку необходимо учитывать переключение в присвоении категорий, а также мониторинг прогресса обучения, в подход к моделированию следует включить метакогнитивные аспекты.

    Наш подход к моделированию должен предоставлять информацию о реальных когнитивных процессах, лежащих в основе принятия динамических решений человеком. Следовательно, он должен уметь предсказывать поведение человека и демонстрировать примерно те же эффекты на производительность, которые можно найти в эмпирических данных, отражающих процесс принятия решений, например, скорость отклика. Что еще более важно, мы стремимся разработать общую модель динамического принятия решений. Чтобы модель была общей (например, не подходила исключительно для одной конкретной экспериментальной установки или набора данных), она должна быть простой.Таким образом, следует использовать лишь несколько предположений и избегать ненужных. В результате подход к моделированию должен быть в состоянии предсказать поведение с другими материалами стимула и быть перенесен на другие аналогичные задачи.

    Подводя итог данной статье, предлагаемый нами подход к моделированию направлен на отображение основных процессов принятия решений человеком, таких как включение обратной связи, обновление стратегии и метапознание. Построение модели с когнитивной архитектурой гарантирует использование оцененных когнитивных процессов.Задача состоит в том, чтобы увидеть, могут ли эти когнитивные аспекты, включая процессы архитектуры, привести к эмпирическому обучению:

    Во-первых, в модель должно быть включено улучшение производительности за счет обратной связи. В случае изучения функций и обновления стратегии улучшения в стратегии рассматриваются только в случае отрицательной обратной связи (Li and Maani, 2011). Если обратная связь сигнализирует о положительном решении, люди рассматривают выбранную стратегию для дальнейшего использования. Таким образом, люди обновляют свою ментальную модель во время динамического принятия решений, только если они получают отрицательную обратную связь (Li and Maani, 2011).Для нашей модели обучения особенностям это означает, что после того, как успешная стратегия была выбрана вместо альтернатив, для пересмотра этой стратегии потребуются отрицательные отзывы об этой стратегии, а не положительный опыт взаимодействия с другими, поскольку они больше не исследуются.

    Во-вторых, модель должна включать переходы от простых стратегий к сложным. Результаты показывают, что люди сначала используют простые решения, а затем переключаются на более сложные (Johansen and Palmeri, 2002). Обсуждаемый подход к моделированию должен быть построен аналогичным образом.Вначале он должен следовать простым стратегиям категоризации по одному признаку, а затем перейти к более сложным стратегиям с двумя признаками.

    В-третьих, модель должна использовать метакогнитивные механизмы. Например, ему требуются спецификации, при которых требуется переключение с однофункциональной стратегии на многофункциональную стратегию. Кроме того, метакогнитивные аспекты должны отражать предыдущие успехи в обучении. Таким образом, отслеживание того, какие подходы были полезными, а какие нет, или как часто стратегия была успешной в прошлом, следует реализовать в модели.Более того, такие механизмы должны гарантировать, что если стратегия была успешной в прошлом и потерпела неудачу в первый раз, она не отбрасывалась напрямую, а снова проверялась. Кроме того, метакогнитивные механизмы должны не только решать проблему перехода от однофункциональных к многофункциональным стратегиям, но также включать ответы на изменения в окружающей среде.

    Материалы и методы

    Далее представлен эксперимент динамического принятия решений и наша модель, выполняющая ту же задачу.Модель включает механизмы для интеграции обратной связи, переключения от простых к сложным стратегиям и обращения к метапознанию. Модель построена после получения экспериментальных данных.

    Этот раздел подразделяется следующим образом: Сначала описываются выборка участников, установка и стимулы эмпирического эксперимента. Затем подробно объясняется подход к моделированию. После этого представлены настройки модели и стимулы. Наконец, описаны аналитические методы для оценки соответствия между моделью и эмпирическими результатами.

    Участники эксперимента

    В эксперименте, который проводился с использованием МРТ сканера 3 Тесла, приняли участие 55 человек (27 женщин, 28 мужчин, возраст от 21 до 30 лет, все правши, с нормальным слухом). Все субъекты дали письменное информированное согласие на исследование, которое было одобрено этическим комитетом Магдебургского университета, Германия.

    Экспериментальные стимулы

    Набор частотно-модулированных различных тонов служил стимулами для задачи категоризации.Тональные сигналы различались по длительности (короткие, 400 мс, против длинных, 800 мс), направлению частотной модуляции (возрастающая или падающая), интенсивности (низкая интенсивность, 76–81 дБ, против высокой интенсивности, 86–91 дБ). частотный диапазон (пять низких частот, 500–831 Гц по сравнению с пятью высокими частотами, 1630–2639 Гц) и скорость модуляции (медленная, 0,25 октавы / с, против быстрой, 0,5 октавы / с), в результате получается 2 × 2 × 2 × 10 × 2 (160) разных тонов. Соответствующие задаче свойства стимула заключались в направлении частотной модуляции и продолжительности звука, в результате чего выделялись четыре категории тона: короткий / нарастающий, короткий / падающий, длинный / нарастающий и длинный / падающий.Для каждого участника одна из этих категорий составляла целевые звуки (25%), в то время как другие три категории служили нецелевыми (75%).

    В качестве стимулов обратной связи мы использовали естественные речевые высказывания (например, ja, «да»; nein, «нет»), а также одно высказывание с тайм-аутом (zu spät, «слишком поздно»), взятые из оцениваемого просодического корпуса MOTI ( Вольф и Брехманн, 2012, 2015).

    Экспериментальная парадигма

    Эксперимент длился около 33 минут, в течение которого большое количество частотно-модулированных тонов (см. Раздел Экспериментальные стимулы выше) было представлено в 240 испытаниях в псевдорандомизированном порядке и с дрожащим интервалом между испытаниями 6, 8 или 10 с. .Участникам было предложено указать с помощью нажатия кнопки, считают ли они тон в каждом испытании целевым (указательный палец правой руки) или нецелевым (средний палец правой руки). Они не были проинформированы о целевой категории, но должны были учиться методом проб и ошибок. Правильные ответы сопровождались положительными отзывами, неправильные ответы — отрицательными. Если участники не ответили в течение 2 секунд после подачи звукового сигнала, была представлена ​​обратная связь о тайм-ауте.

    После 120 испытаний был введен перерыв в 20 с.В следующем испытании непредвиденные обстоятельства были отменены, так что целевой стимул требовал нажатия правой, а не левой кнопки. Участники были заранее проинформированы о периоде отдыха после завершения первой половины эксперимента, но не были проинформированы о смене непредвиденных обстоятельств.

    Модель в деталях

    Далее модель представлена ​​подробно. Сначала дается описание основных декларативных представлений (чанков). Они отражают представления стратегии и метакогнитивные процессы.Далее следует описание того, как модель проходит испытание. Наконец, кратко излагаются правила, управляющие изучением стратегии.

    Чанки и правила производства, используемые в модели

    Блоки, реализованные в модели, показаны на рисунке 1. «Блоки стратегии» содержат стратегии в форме примеров пар признак-значение и ответов. Они хранятся и извлекаются из долговременной памяти (декларативный модуль). Текущая стратегия хранится в рабочей памяти (имагинальном модуле).Блоки стратегии содержат следующую информацию о стратегии: какие функции и соответствующие значения являются релевантными (например, звук громкий или звук громкий и его частотный диапазон высокий), каков предложенный ответ ( категоризация, 1 или 0), а также степень сложности стратегии (например, стратегия с одним или двумя функциями). Кроме того, частью этого блока является механизм оценки. Это включает в себя отслеживание того, была ли стратегия неудачной, и отслеживание того, как часто стратегия была успешной.Этот механизм отслеживания замечает, успешна ли первая попытка использования этой стратегии. Затем он подсчитывает количество успешных применений стратегии; этот явный подсчет продолжается до тех пор, пока не будет достигнуто определенное значение. Мы внедрили такой механизм порогового подсчета, чтобы отразить субъективное ощущение, что стратегия часто бывает полезной. Мы реализовали разные пороговые значения для модели. Мы также различали порог для стратегий с одним признаком (первый счет) и для стратегий с двумя признаками (второй счет).Механизм отслеживания можно рассматривать как метакогнитивный аспект нашей модели. Другие метакогнитивные аспекты реализуются в «контрольном блоке», который хранится в целевом буфере модели. Эти метакогнитивные аспекты включают: во-первых, уровень функциональной сложности стратегии, то есть, пытается ли модель решить задачу с помощью стратегии с одним признаком или с помощью стратегии с двумя признаками; во-вторых, независимо от того, вызвала ли долгая успешная стратегия ошибку или нет, это означает неуверенность модели в точности текущей стратегии; в-третьих, произошли ли в окружающей среде изменения, требующие возобновления поиска адекватной стратегии.

    Рисунок 1. Схематическое построение структуры элемента управления и блока стратегии. Nil означает, что переменная не имеет значения.

    Структура исследования

    Производственные правила определяют, как модель выполняет задачу. Поток модели через ее производственные правила проиллюстрирован на рисунке 2. В следующем разделе описывается, как модель проходит испытание, конкретные производственные правила указаны в скобках.

    Рисунок 2. Схематический обзор того, как модель проходит испытание. Темно-серые прямоугольники слева представляют правила производства, светло-серые овалы справа — основные задействованные буферы.

    Тональный сигнал представлен модели и поступает в буфер звуковой локализации (прослушивание) . После того, как тон закончился, он кодируется в звуковом буфере (кодирует) . Таким образом, фрагмент со всей необходимой звуковой информацией (продолжительность, направление изменения высоты тона, интенсивность и частотный диапазон — см. Раздел «Парадигма моделирования и стимулы» ниже) находится в слуховом буфере, и все четыре характеристики тона доступны модели.Затем звуковой фрагмент в звуковом буфере сравнивается с фрагментом стратегии, хранящимся в воображаемом буфере (сравнение) . Если конкретные характеристики (например, высокая интенсивность) блоков стратегии такие же, как и в блоке аудио, ответ соответствует стратегии, предложенной моделью (реагировать-же) , в противном случае — противоположным ответом. выбрал (реагирует-разный) . Представленная обратная связь прослушивается и сохраняется в звуковом буфере (прослушивание-обратная связь) , а затем кодируется в звуковом буфере (кодирование-обратная связь) .Если обратная связь положительная, текущая стратегия сохраняется в воображаемом буфере, а счет-слот обновляется (обратная связь-коррекция) . Если обратная связь отрицательная, стратегия обновляется в зависимости от предыдущего опыта (обратная связь-неправильная) . Таким образом, другой блок стратегии извлекается из декларативной памяти и копируется в воображаемый буфер.

    Поиск адекватной стратегии

    Все возможные стратегии уже хранятся в долговременной памяти модели.Текущая стратегия сохраняется в рабочей памяти и оценивается с учетом обратной связи. Для положительной обратной связи стратегия сохраняется, и учитывается, как часто она оказывается успешной. Если обратная связь отрицательная, стратегия обычно меняется. В следующем подразделе приводится краткое описание того, как осуществляется обновление стратегии. Для получения дополнительной информации см. Рисунок 3.

    Рисунок 3. Правила, определяющие, когда и в какой степени стратегии изменяются после получения отрицательной обратной связи.

    Модель всегда начинается с стратегии одного признака (стратегия, с которой она начинается, является случайной), а затем переключается на другую стратегию одного признака. Характер переключения зависит от того, как часто та или иная стратегия была успешной. Когда модель ищет различные стратегии с одним признаком, она извлекает только те стратегии, которые не использовались в последнее время. В случае немедленного отказа стратегии одного признака, для пары признак-значение используется другой ответ. В других случаях пара функция-значение изменяется, но ответ сохраняется.Если однофункциональная стратегия часто оказывалась успешной, а затем один раз терпела неудачу, стратегия не подлежит обмену напрямую, а переоценивается. Однако также отмечается, что стратегия вызвала ошибку. Две возможности объясняют, почему происходит переключение с одной функции на стратегию с двумя функциями: такое переключение может произойти либо потому, что не может быть извлечена ни одна стратегия с одной функцией, которая не была оценена отрицательно, либо потому, что часто успешная стратегия с одной функцией неоднократно терпела неудачу. Переключения в стратегии с двумя функциями моделируются следующим образом: если стратегия с двумя функциями не увенчалась успехом с первой попытки, используется любая другая стратегия с двумя функциями (которая является случайной).Если стратегия двух характеристик изначально была успешной, а затем потерпела неудачу, то будет выбрана новая стратегия, которая сохраняет одну из пар характеристик-значений и ответ. Эта стратегия отличается только в другой паре функция-значение. Когда среда меняется, ранее часто успешная стратегия двух функций (а также стратегия одной функции) потерпит неудачу. Затем предпринимается попытка найти другую стратегию с двумя характеристиками. Если в момент изменения среды модель не нашла успешной стратегии с двумя функциями, она продолжит поиск полезной стратегии с двумя функциями и, таким образом, не заметит изменения.

    Парадигма моделирования и стимулы

    В следующем разделе кратко описывается, как эксперимент был реализован для модели. Это включает в себя краткий обзор того, как представление стимула было изменено для модели.

    Задача участников была реализована для модели в ACT-R 7.3 с небольшими изменениями. Для модели использовались те же четыре псевдо-рандомизации, которые использовались для участников. Таким образом, 25% стимулов были целевыми. Проба началась с тонального сигнала, который длился 400 мсек.Чтобы смоделировать продолжительность двух стимулов, мы использовали две разные функции в команде new-other-sound. Как только модель ответила нажатием кнопки, была представлена ​​слуховая обратная связь. В целом испытание длилось рандомизированный период 6, 8 или 10 с, как и в исходном эксперименте. После 120 испытаний у модели не было перерыва, но и после 120 испытаний цели поменялись.

    Вместо использования всех 160 различных тонов в модели было представлено шестнадцать различных тонов. Каждый из тонов представляет собой композицию из четырех характеристик четырех бинарных функций: длительность (длительность vs.короткий), направление частотной модуляции (возрастающая или падающая), интенсивность (низкая или высокая интенсивность) и частотный диапазон (низкая или высокая). Для модели использовались только двоичные функции, поскольку разница в восприятии между двумя классами каждой выбранной функции была высокой, за исключением скорости модуляции, которая поэтому не была реализована в модели. Для участников использовалось больше вариаций характеристик, чтобы гарантировать категоричность решений и не дать им запомнить отдельные пары тон-обратная связь.Для модели это не проблема, поскольку не было реализовано никакого механизма, позволяющего такое запоминание. Что касается участников, модели была представлена ​​слуховая обратная связь.

    Подход к моделированию — это смешанный подход к моделированию, стратегии кодируются как экземпляры, но извлекаемый экземпляр в основном определяется правилами.

    Чтобы проверить, является ли модель обобщаемой, были реализованы различные варианты. Кривые обучения, найденные в эмпирических данных, по-прежнему должны быть найдены при различных правдоподобных настройках параметров.Однако определенные настройки параметров должны влиять на качество прогноза модели. Подход, который обычно выбирают разработчики когнитивных моделей, заключается в поиске конкретных настроек параметров, которые приводят к оптимальному соответствию, а затем в отчете об этом соответствии. Цель такого подхода — показать, что модель напоминает текущие когнитивные процессы у людей. Мы выбрали другой подход. Наша цель — показать, что наш подход к моделированию может отображать общее поведение, такое как обучение и обратное обучение, а также отклонения, обнаруженные в данных.Изменяя настройки параметров, мы хотим оптимизировать соответствие модели и исследовать устойчивость механизмов модели к вариациям параметров.

    Что касается выбора изменяющихся параметров, мы используем расширенный термин, который включает не только подсимвольные параметры ACT-R (которые обычно рассматриваются как параметры), но также определенные (производственные) правила (Stewart and West, 2010). В случае этой модели производства, которые контролируют механизм отслеживания успешных стратегий, разнообразны.Механизм отслеживания отслеживает, как часто стратегия оказывается успешной. Однако модель не увеличивает счет на протяжении всего эксперимента. После достижения порогового значения успешная стратегия помечается как «успешная часто». После этого он не разряжается напрямую в случае отрицательной обратной связи, а вместо этого переоценивается. Итак, чтобы ответить на вопрос, каковы наиболее подходящие значения для порога первого и второго подсчета, эти значения варьировались. Другое допущение реализованной модели состоит в том, что этот порог отличается для однофункциональных и однофункциональных.двухфункциональные стратегии. Мы предположили, что пороговое значение для стратегий с двумя характеристиками должно быть вдвое больше значения для стратегий с одним элементом, как если бы модель учитывала каждую функцию отдельно. Первый счет был изменен на три, четыре и пять, а второй счет — на шесть, восемь и десять.

    Помимо параметров, управляющих механизмом отслеживания, мы также исследовали механизм памяти, управляемый параметрами. Последний контролирует, как долго модель может помнить, использовала ли она уже предыдущую стратегию.Это параметр declarative-finst-span ACT-R. Мы предположили, что участники помнят, какую стратегию они использовали ранее, примерно в течение 10 испытаний. Поэтому мы протестировали два разных значения (80 и 100 с) для этого параметра, определяя, может ли модель запомнить, был ли этот фрагмент получен за последние 80 (или 100) с. Комбинация декларативного конечного диапазона (80, 100), трех значений для первого подсчета (3, 4, 5) и трех значений для второго подсчета (6, 8, 10) привела к 18 версиям моделирования (см. Таблицу 1).

    Таблица 1. Версии моделирования, полученные в результате объединения различных настроек параметров для первого и второго подсчета и декларативного конечного диапазона.

    Аналитики

    Каждая из моделей была запущена 160 раз, 40 раз для каждого псевдослучайного порядка с использованием ACT-R 7.3. Данные были предварительно обработаны с помощью специальных файлов Lisp, а затем проанализированы с помощью Microsoft Excel.

    Данные модели и эмпирические данные были разделены на 12 блоков, по 20 испытаний на блок.Средняя доля правильных ответов и стандартное отклонение на блок были вычислены для эксперимента, а также для каждой из 18 моделей.

    Одной из целей этого исследования было предсказать среднюю кривую обучения участников. Таким образом, доля правильных ответов участников сравнивалась с долей правильных ответов каждой из моделей. Визуальные графики, сравнивающие смоделированные с эмпирическими данными, были проанализированы в отношении увеличения и уменьшения правильных ответов.

    В качестве показателя относительного соответствия были вычислены коэффициент корреляции ( r ) и коэффициент детерминации ( r 2 ). Они показывают, насколько хорошо модели отражаются тенденции в эмпирических данных.

    В качестве показателя абсолютного соответствия была рассчитана среднеквадратичная ошибка (RMSE). RMSE показывает, насколько точно модель предсказывает эмпирические данные. RMSE интерпретируется как стандартное отклонение дисперсии эмпирических данных, которое не объясняется моделью.

    Для сравнения дисперсии на основе участников, обнаруженной в эмпирических данных, с дисперсией, полученной в результате 160 отдельных прогонов модели, для каждого блока эксперимента был рассчитан тест Левена (надежный тест для проверки равенства дисперсий).

    Результаты

    В следующих разделах представлены эмпирические данные, смоделированные кривые обучения и результаты, касающиеся общего соответствия различных версий модели данным.

    Кривые эмпирического обучения

    Описательный анализ эмпирических данных (см. Рисунок 4 и таблицу 2) показывает, что в среднем в первом блоке участники правильно реагируют на 64.3% (± 13,5%) испытаний. Частота ответов участников увеличивается до шестого блока до 90,4% (± 12,2%) правильных испытаний. В седьмом блоке, где переключаются мишени и нецелевые объекты, оно падает до 56,5% (± 17,7%) правильных попыток. Затем он снова увеличивается и достигает 81,0% (± 18,5%) правильных попыток в восьмом блоке и 89,7% (± 13,9%) правильных попыток в последнем блоке. По всем 12 блокам стандартное отклонение эмпирических данных колеблется от минимума 10,7% до максимума 18,9% со средним стандартным отклонением 15.1%. Стандартное отклонение участников объясняется тем фактом, что разные участники показали разные кривые обучения, и не все участники сообщили, что нашли правильную стратегию в ходе постинтервью. Соответственно, одиннадцать участников (20,0%) показали эффективность ниже 85% к концу первой части эксперимента (Блок 6), а 12 участников (21,8%) остались ниже 85% правильных ответов в конце второй части ( Блок 12).

    Рисунок 4. Средняя производительность и стандартные отклонения участников-людей, модель наилучшего соответствия (3_06_100) и модель наихудшего соответствия (5_10_100) в 12 блоках эксперимента.

    Таблица 2. Средняя доля правильных ответов и стандартных отклонений (в%) участников и 18 версий модели в 12 блоках эксперимента.

    Смоделированные кривые обучения

    На рис. 4 также показаны средние значения и стандартные отклонения доли правильных ответов для наилучшей (3_06_100) и наихудшей (5_10_100) модели (см. Ниже, Раздел «Подгонка модели»). Кроме того, в таблице 2 перечислены средние характеристики модели и стандартные отклонения для каждого из двенадцати блоков для всех 18 моделей, а на рисунке 5 показаны кривые обучения для всех 18 моделей.

    Рисунок 5. Средняя производительность 18 версий модели в 12 блоках эксперимента, (A) модели с декларативным окончательным интервалом 80 с, (B) модели с декларативным- плавность хода 100 с.

    Как наилучшая, так и наихудшая подходящие модели (как и все другие) отражают общую форму кривой обучения, обнаруженной в данных. Оба они показывают увеличение скорости обучения в первых шести блоках. Точно так же все модели показывают падение производительности в седьмом блоке, за которым следует еще один рост производительности.Однако даже в наиболее подходящей модели 3_06_100 доля правильных ответов недооценивается моделью, особенно в первых блоках. Кроме того, участники демонстрируют более серьезную неудачу после переключения, но затем восстанавливаются быстрее, в то время как модели требуется больше времени, пока ее производительность снова не возрастет. Тем не менее, для наиболее подходящей модели смоделированные данные всегда находятся в пределах диапазона стандартного отклонения эмпирических данных.

    Как показано в Таблице 2, каждая из моделей показывает большую степень дисперсии для своих 160 прогонов.Стандартное отклонение, усредненное по всем 12 блокам, составляет от 18,9 до 20,4%, в зависимости от настроек параметров модели. Для наиболее подходящей модели стандартное отклонение в отдельных блоках составляет от 11,6 до 23,4% и значительно превышает стандартное отклонение, обнаруженное в эмпирических данных, за исключением первых двух блоков эксперимента и первых двух блоков после переключатель (для всех блоков, кроме блока 1, 2, 7 и 8: все F s> 6,79, все p s <0.010). Этот высокий разброс отдельных прогонов модели указывает на то, что один и тот же базовый набор правил с одинаковыми настройками параметров может по-прежнему приводить к очень разным кривым обучения, в зависимости от того, какие именно стратегии выбираются в каждой точке, когда выбирается новая стратегия (например, начальная стратегия, изменение стратегии одного объекта, изменение стратегии двух функций). Более того, как и в случае с не учащимися среди участников, описанными выше (см. Раздел «Кривые эмпирического обучения»), не все прогоны модели были успешными, в результате (для наиболее подходящей модели) результативность ниже 85% из 35.6% запусков блока 6 и 30,0% запусков блока 12.

    Подходит для модели

    Среднее значение корреляции модели и эмпирических данных составляет 0,754. От 43,9% до 67,1% расхождений в данных объясняется различными моделями. Среднее стандартное отклонение необъяснимой дисперсии составляет 0,136. Все значения r, r 2 и RMSE для 18 версий модели представлены в таблице 3.

    Таблица 3. Значения r, r 2 и RMSE 18 версий модели.

    Как показано в таблице 3 и на рисунке 5, модель демонстрирует относительную устойчивость к влиянию различных настроек параметров. Для первого подсчета более низкое значение несколько лучше для соответствия — в первой части эксперимента (до блока 6) наблюдается более сильное увеличение для более низкого, чем для более высокого значения первого подсчета. Для второго подсчета более низкое значение также приводит к лучшему соответствию. Влияние параметра declarative-finst-span на индексы соответствия очень мало, что приводит к немного лучшему соответствию либо для declarative-finst-span 80 с или 100 с, в зависимости от настроек первого и второго счета. .

    Наилучшее соответствие с точки зрения корреляции было достигнуто для модели со значением declarative-finst-span, установленным на 100 (т. Е. Модель смогла запомнить, использовала ли она уже предыдущую стратегию в течение 100 с), при первом подсчете три (т. е. стратегия с одним признаком должна быть успешной как минимум три раза, чтобы считаться «часто успешной») и второй счет до шести (т. е. стратегия с двумя характеристиками должна быть успешной как минимум шесть раз, чтобы быть успешной. считается «часто успешным»). Наихудшее совпадение наблюдалось для модели со значением декларативного конечного диапазона, равным 100, при первом счете до пяти и втором счете до десяти.

    RMSE варьируется от минимального 0,106 (3_06_100) до максимального 0,164 (5_08_100). Таким образом, модель с первым счетом три, вторым счетчиком шесть и декларативным конечным диапазоном, установленным на 100, работает лучше всего как с точки зрения корреляции ( r ), так и с точки зрения абсолютного прогнозирования (RMSE).

    Сводка

    В целом модели хорошо предсказывают данные. Смоделированные кривые обучения напоминают форму средней эмпирической кривой обучения с увеличением в первой половине эксперимента, кратковременным снижением в начале второй половины, за которым следует еще одно повышение производительности.Индексы корреляции модели наилучшего соответствия демонстрируют хорошее совпадение, при этом 67,2% дисперсии данных объясняется моделью с интервалом декларативного финала 100 с, первым порогом счета три и вторым порогом счета шесть. Обратите внимание, что это также модель с наиболее близким абсолютным соответствием (RSME составляет 0,109).

    Однако в абсолютных процентах правильных ответов все модели работают ниже участников во всех блоках (кроме блока 7). Кроме того, модели показывают большую общую дисперсию, чем эмпирические данные.Более того, модели изначально меньше подвержены влиянию смены стратегий, но им требуется больше времени, чтобы «восстановиться» после смены стратегий.

    Таким образом, модель воспроизводит средние кривые обучения и большие части дисперсии. Это делается с помощью ограниченного набора правил и данных примеров, охватывающих процессы обучения и повторного обучения, которые происходят в динамических средах. Более того, мы обнаружили различия в подгонке модели в зависимости от точной спецификации параметров, при этом наилучшее соответствие, если модель запоминает ранее использованные стратегии в течение 100 секунд, отмечает стратегию с одной функцией как «часто успешную» после трех успешных применений и двух -функция после шести успешных применений.Однако все 18 различных настроек параметров, которые мы протестировали, напоминали основной ход эмпирических данных, что указывало на то, что механизмы модели устойчивы к изменениям параметров.

    Обсуждение

    Обсуждение охватывает три основные главы. Сначала обсуждается соответствие модели и даются предложения по возможным улучшениям. Во-вторых, разрабатываются более широкие последствия нашего подхода. Наконец, намечена будущая работа.

    Обсуждение подхода к моделированию

    Наша учетная запись моделирования охватывает соответствующие поведенческие данные задачи динамического принятия решений, в которой требуется обучение категории.Для решения задачи необходимо объединить две функции, а соответствующую комбинацию функций необходимо изучить методом проб и ошибок с использованием обратной связи. Модель использует обратную связь из среды, чтобы найти правильные категории и включить переключатель в назначении кнопок ответа для целевых и нецелевых категорий. Метапознание встроено в модель через процессы, которые определяют, при каких условиях происходят стратегические изменения, такие как переход от однофункциональной к двухфункциональной стратегии.

    В целом, индексы соответствия показывают, что эта модель решает задачу так же, как и участники.Это включает в себя успешное начальное обучение, а также успешное обучение обратному назначению категории. Более того, было отмечено, что не все участники могут решить задачу, и то же самое наблюдается в поведении подхода к моделированию. Таким образом, модель способна генерировать выходные данные, которые на феноменологическом уровне напоминают данные субъектов, выполняющих динамическую задачу принятия решений, которая включает сложные процессы изучения правил и обращения. Хотя общие тенденции обучения, обнаруженные в данных, могут быть хорошо воспроизведены с помощью общих правил, реализованных в нашей модели, есть два ограничения: дисперсия модели больше, чем у участников, и общая производительность модели ниже, чем выступление участников.

    Вероятно, у участников другой и, возможно, более конкретный набор правил, чем у модели. Например, участникам было сказано, какую из двух клавиш нажать для получения целевого звука. Однако неясно, использовали ли они эти знания для решения задачи. Чтобы модель оставалась простой, ей не давали эту дополнительную информацию, поэтому кнопкам не приписывалось никакого смысла. Это одна из возможностей объяснить более низкую производительность модели, особенно в первом блоке. Еще один пример правил, связанных с более конкретными задачами, используемых участниками по сравнению с моделью, заключается в том, что четыре различных свойства стимулов могут не иметь одинакового значения для испытуемых, что могло привести к более высокой производительности по сравнению с моделью.Например, можно предположить, что направление частотной модуляции целевого признака (вверх или вниз) было выбрано раньше в эксперименте, чем частотный диапазон нецелевого признака, в то время как модель обрабатывала все признаки одинаково, чтобы модель оставалась такой же простой, как возможный. Наконец, после изменения правила нажатия кнопки, некоторые участники, возможно, следовали правилу, которое гласит, что нужно нажимать противоположную клавишу, если стратегия была правильной много раз, а затем внезапно нет, вместо того, чтобы пробовать другой один или два раза. функциональная стратегия, тогда как модель пошла по второму пути.

    Добавление таких дополнительных правил и предпосылок к модели, возможно, уменьшит расхождение между характеристиками модели и поведенческими данными. Однако целью данной статьи было разработать подход к моделированию, включающий общие процессы, важные для всех видов динамического принятия решений. Это подразумевает использование только предположений, которые абсолютно необходимы (мета-познание, переход от однофункциональной стратегии к двухфункциональной, обучение через обратную связь) и сохранение модели как можно более простой в остальном.Как следствие, добавление дополнительных правил не приведет к созданию более совершенной общей модели динамического принятия решений, а только приведет к лучшему соответствию модели конкретному эксперименту, в то же время делая ее склонной к переобучению. Как упоминалось ранее, хорошие описательные модели максимально точно фиксируют поведенческие данные и поэтому всегда стремятся к максимальному соответствию данным, которые они описывают. С другой стороны, хорошие прогностические модели должны быть обобщаемыми, чтобы также предсказывать поведение в различных, но структурно схожих ситуациях, а не только для одной конкретной ситуации с одним набором субъектов.На наш взгляд, это представляет собой более желательный поиск с большим потенциалом для понимания процессов, лежащих в основе динамического принятия решений человеком. Это подтверждают Гигеренцер и Брайтон (2009), которые утверждают, что модели, которые фокусируются на основных аспектах принятия решений, например, учитывают только несколько аспектов, ближе к тому, как люди принимают решения. Они также утверждают, что такие упрощенные допущения делают решения более эффективными, а также более эффективными (Gigerenzer and Brighton, 2009).

    Как указывалось ранее, одним из способов моделирования динамического принятия решений в ACT-R с использованием лишь нескольких предположений является обучение на основе экземпляров (IBL).В этом подходе для обучения используются пары «ситуация-результат» и субсимволические механизмы усиления. Однако IBL недостаточно для моделирования задач, в которых используются переключатели в среде (Fum and Stocco, 2003). Такие задачи требуют добавления явных правил переключения. Помимо этих правил, нашей задаче требовались механизмы, контролирующие, когда нужно переключаться с простых однофункциональных стратегий на более сложные. Поскольку метакогнитивные размышления не являются частью IBL, мы использовали смешанный подход к моделированию, который включает явные правила и метакогнитивное отражение.IBL является частью нашего подхода, поскольку стратегии кодируются как пары «ситуация-результат» и используются субсимволические механизмы усиления ACT-R.

    Чтобы оценить, соответствует ли наш подход к моделированию формирования стратегии и переключения правил тому, как участники выполняют такие задачи, необходимо учитывать данные, отражающие успехи в обучении. Такие данные представляют собой кривые обучения, представленные в этой статье. Мы считаем, что сама по себе модель IBL не может привести к значительному увеличению производительности после изменения окружающей среды в эмпирических данных.

    Для более глубокого понимания процесса принятия сложных решений можно смоделировать другие поведенческие данные, такие как время реакции. Однако не все процессы, которые, вероятно, влияют на время реакции, являются частью нашего общего подхода к моделированию. Это особенно актуально для моделирования подробных аспектов слухового кодирования с помощью ACT-R; например, можно ожидать, что точное кодирование слуховых событий будет включать различное увеличение времени реакции на короткие по сравнению с более длинными тонами.Однако наш подход к моделированию может быть расширен, что позволяет включать другие когнитивные процессы, такие как более конкретное звуковое кодирование или внимание. Эта расширяемость является одной из сильных сторон когнитивных архитектур и особенно актуальна для принятия естественных решений, когда в конечном итоге необходимо учитывать множество дополнительных процессов.

    Объем модели

    Формальная модель была построена с помощью ACT-R, она определяет допущения динамического принятия решений при обучении по категориям.Эта модель была протестирована на эмпирических данных и показала аналогичное поведение при обучении. Предположения о том, как происходят динамические решения в категорийном обучении, например, путем обучения на основе обратной связи и переключения от простых к более сложным стратегиям, и метакогнитивные механизмы были смоделированы вместе. ACT-R нацелен на моделирование познания в целом, таким образом, одновременно обращаясь к различным когнитивным процессам, что является важным аспектом для моделирования реалистичных когнитивных задач. К тому же модель гибкая. Таким образом, модель выбирает из доступных стратегий в соответствии с предыдущим опытом и случайными влияниями.

    Наш подход к моделированию прост в том смысле, что он включает только несколько правдоподобных предположений, не полагается на дополнительные параметры и, тем не менее, достаточно гибок, чтобы справляться с динамически изменяющейся средой.

    Чтобы проверить предсказательную силу модели, ее необходимо дополнительно протестировать и сравнить с новыми эмпирическими данными, полученными с использованием немного других настроек задачи. Нашей целью было разработать первую модель динамического принятия решений в категории обучения. Таким образом, в модель включены соответствующие когнитивные процессы, которые происходят между предъявлением стимула и фактической реакцией выбора.Кроме того, мы хотели показать, как возникает серия решений, направленных на достижение конечной цели. Таким образом, в качестве первого шага нам нужна была задача принятия решения, которая демонстрирует характеристики, аналогичные естественным динамическим параметрам. К таким аспектам относятся сложные многофункциональные стимулы, обратная связь с окружающей средой и меняющиеся условия. Поскольку явные намеки на принадлежность к категории обычно отсутствуют в неэкспериментальных ситуациях, более того, разумно использовать задачу без четких инструкций относительно того, на каких особенностях (или стимулах) следует сосредоточить внимание.Обратной стороной использования неспецифических инструкций, как это сделано в нашем исследовании, является то, что из поведенческих данных останется неясным, как именно отдельные участники обрабатывают такую ​​задачу, поскольку такие аспекты, как какие точные правила соблюдаются или какие функции рассматриваются в начале задача, неясны.

    В качестве следующего шага мы стремимся моделировать и прогнозировать динамический курс принятия решений отдельными участниками. В целом, большое преимущество подходов к когнитивному моделированию состоит в том, что они могут предсказывать текущие когнитивные процессы в любой момент времени.Чтобы оценить достоверность таких прогнозов, можно использовать разные подходы.

    Одним из подходов к построению моделей в соответствии с когнитивными процессами участников является парадигма обучения ограничению (Димов и др., 2013). Эта парадигма требует инструктирования участников в виде подробной пошаговой процедуры о том, как применять определенные стратегии в задачах принятия решений. Этот подход дает разработчику модели представление о стратегиях, которые участники используют в данный момент времени.Это снова может быть использовано для ограничения моделей ACT-R в реализации этих стратегий. В будущих исследованиях мы планируем принять эту парадигму путем (а) инструктирования участников и (б) соответствующей корректировки нашей модели. Чтобы гарантировать успешное внедрение парадигмы обучения ограничению, следует использовать самоотчеты участников.

    Другой подход — проводить интервью, пока участник выполняет задание. Таким образом, чтобы подтвердить предсказания модели о предполагаемом поведении участников, субъектов будущих эмпирических исследований следует спросить об их решениях в ходе эксперимента.Можно ожидать, что на первые несколько решений участников будут сильно влиять случайные аспекты (например, какая особенность будет рассматриваться в первую очередь), но после некоторых испытаний подход моделирования должен быть в состоянии предсказать следующие шаги участников. Таким образом, он должен позволять точно предсказывать последующие когнитивные процессы. Чтобы сделать такие прогнозы, пересмотренная модель должна будет использовать первую пару испытаний в качестве информации о стратегии, которой первоначально следует индивидуальный участник.

    На следующем этапе точные когнитивные процессы, предлагаемые моделью, должны быть протестированы на индивидуальном уровне на более мелких данных (например,g., фМРТ) и затем соответствующим образом перенастроить. В настоящее время были предложены различные методы сопоставления когнитивных моделей с более мелкими данными, такими как данные фМРТ или ЭЭГ (Borst and Anderson, 2015; Borst et al., 2015; Prezenski and Russwinkel, 2016a). Эти методы в настоящее время исследуются и применяются для решения фундаментальных вопросов исследования. Тем не менее сопоставление когнитивных моделей с нейронными данными является сложной задачей. Необходимы дополнительные исследования, особенно для прикладных задач. Чтобы дополнить нейронные данные, дополнительные поведенческие данные, такие как динамика нажатия кнопок (например,g., интенсивность нажатия кнопки), может быть добавлена ​​в качестве немедленного измерения того, насколько конкретный участник уверен в своем решении (Kohrs et al., 2014).

    Помимо использования когнитивных моделей для прогнозирования индивидуального поведения, мы стремимся разработать более общие когнитивные механизмы для моделирования обучения, повторного обучения и метапознания, применимых в широком диапазоне ситуаций. Чтобы проверить применимость нашего подхода к моделированию в более широком контексте и в различных ситуациях, варианты эксперимента должны быть протестированы с различными задачами и материалами.Например, предлагаемая здесь модель должна быть способна предсказывать данные экспериментов по категоризации с использованием визуальных стимулов, таких как различные типы ламп (Zeller and Schmid, 2016), с некоторыми модификациями сенсорной обработки нашей модели. Кроме того, модель должна быть способна прогнозировать данные из разных типов задач категоризации, например задачи, использующей другое количество функций категоризации, большее количество переключателей или разные последовательности. Такая задача была бы сложной задачей для нашей модели; в случае успеха ее можно рассматривать как прогностическую модель.

    Разработанные общие механизмы также могут быть использованы в задачах осмысления. Такие задачи требуют «активного процесса построения значимого и функционального представления некоторых аспектов мира» (Lebiere et al., 2013, p. 1). Создание смысла — это процесс поиска и интерпретации соответствующих фактов в море поступающей информации, включая обновление гипотез. Выполнение нашей задачи близко к тому, как люди имеют смысл в реальном мире, потому что оно включает в себя большое количество различных стимулов, каждый из которых несет разные характеристики различных функций.Таким образом, «понимание стимулов» требует, чтобы участники проверяли каждый стимул категориальным образом и использовали извлеченную категорию стимула в сочетании с выбранным нажатием кнопки и полученной обратной связью в качестве информации для будущих решений.

    В заключение, такая когнитивная модель, которая включает общий механизм обучения, повторного обучения и метапознания, может оказаться чрезвычайно полезной для прогнозирования индивидуального поведения в широком диапазоне задач. Однако остается неясным, отражает ли это фактические процессы человеческого познания.Это связано не только с тем, что человеческое поведение подвержено множеству случайных влияний, но и с тем ограничением, что модель всегда соответствует сокращенному представлению реальности. Разработчик модели решает, какие аспекты реальности охарактеризованы в модели. Маревски и Мельхорн (2011) протестировали разные подходы к моделированию для одной и той же задачи принятия решений. Хотя они обнаружили, что их модели различаются с точки зрения того, насколько хорошо они предсказывают данные, они в конечном итоге не смогли показать, что наиболее подходящая модель определенно напоминает когнитивные процессы человека.Насколько нам известно, ни один научный метод никогда не может ответить, как определенно работает человеческое познание. В общем, модели можно сравнивать только с точки зрения их предсказательного качества (например, объясненная дисперсия, количество свободных параметров, возможность обобщения). С другой стороны, неизвестно, какая модель в конечном итоге соответствует человеческой реальности.

    Outlook

    Одной из причин моделирования в когнитивных архитектурах является реализация когнитивных механизмов в системах поддержки для сложных сценариев.Такие системы поддержки в основном используют алгоритмы машинного обучения. К сожалению, эти алгоритмы зависят от многих испытаний, на которых нужно учиться, прежде чем они преуспеют в классификации или в обучении в целом. С другой стороны, подходы, вдохновленные когнитивной архитектурой, также могут быть извлечены из нескольких образцов. Кроме того, подходы, основанные на когнитивных архитектурах, представляют собой информированные модели, которые предоставляют информацию о задействованных процессах и причинах, ведущих к успеху или неудаче.

    Когнитивные модели могут применяться к множеству реальных задач, например, для прогнозирования удобства использования при взаимодействии со смартфоном (Prezenski and Russwinkel, 2014, 2016b), управления воздушным движением (Taatgen, 2001; Smieszek et al., 2015), или поведение за рулем (Salvucci, 2006). Более того, подходы когнитивного моделирования также могут использоваться в сценариях микромира (Halbrügge, 2010; Peebles and Banks, 2010; Reitter, 2010). Сценарии микромира могут не только имитировать сложность реального мира, но и обладают тем преимуществом, что позволяют управлять переменными. Это означает, что могут быть вызваны определенные вариации для проверки рассматриваемого теоретического подхода или модели (как показано в Russwinkel et al., 2011).

    Многие прикладные когнитивные модели представляют собой вполне конкретные модели задач.Наша модель, напротив, нацелена на захват основных механизмов, встречающихся в различных задачах реального мира. Как следствие, у него есть потенциал для применения во многих областях. Итак, наша модель динамического принятия решений в задаче категориального обучения делает прогнозы о когнитивном состоянии людей во время выполнения такой задачи. Это включает в себя прогнозы о стратегиях (например, стратегии с одним или двумя функциями), концептуальное понимание (например, предположения о соответствующих комбинациях функций) и метакогнитивные аспекты (например,g., информация об успешности текущего предположения лица, принимающего решения), все из которых являются аспектами познания во множестве задач и областей приложений.

    Таким образом, наш общий подход к моделированию имеет потенциал для поддержки пользователей во многих областях и в конечном итоге может быть использован для помощи в принятии решений. Для этого решения отдельных пользователей в ходе выполнения задачи можно сравнить с когнитивными процессами, активными в настоящее время в модели. Если, например, пользователь слишком долго придерживается стратегии с одной функцией или переключает правила бессистемно, система может предоставить пользователю вспомогательный совет.Помимо обычных вспомогательных систем, такая система поддержки, основанная на нашей модели, будет имитировать когнитивное состояние пользователя. Например, эта система онлайн-поддержки сможет предсказать влияние повторяющихся негативных отзывов на пользователя, например, побуждающих его к попытке изменить стратегию. Однако если отрицательная обратная связь была вызвана внешним источником, например технической ошибкой подключения, выбор изменения стратегии приведет к разочарованию пользователя. Предлагаемая система поддержки сможет вмешаться здесь.В зависимости от внутреннего состояния пользователя система поддержки будет учитывать, какая информация является наиболее полезной или не следует ли вообще не предоставлять информацию (например, в случае умственной перегрузки пользователя). Пока поддержка не требуется, такие системы будут молча следовать решениям, принимаемым человеком.

    Более того, если цель пользователя известна, и решения, принятые пользователем, отслеживались системой, можно было бы предсказать следующие решения пользователя, а также оценить, являются ли эти решения по-прежнему разумными для достижения цели. .Многие лавины были вызваны неоднократными ошибочными решениями лыжников-бэккантри, застрявших в своем неправильном представлении о ситуации (Atkins, 2000). Система поддержки, которая способна понять, когда и почему человек принимает необоснованные решения в критических для безопасности ситуациях, также сможет предоставить правильную информацию, чтобы преодолеть недоразумение. Системе технической поддержки лыжников-бэккантри потребуется информация о текущей лавинной опасности, потенциальных безопасных маршрутах и ​​других факторах.Такая информация уже предоставляется приложениями для смартфонов, которые используют GPS в сочетании с прогнозами погоды и измерениями крутизны склонов. В будущем, когда эта информация станет доступной для сопутствующей системы на основе когнитивных моделей, которая прогнозирует решения пользователей, она потенциально может помочь лыжникам в отдаленных районах. Системы поддержки на основе когнитивных моделей, разработанные аналогичным образом, могут с равным успехом использоваться в других критических для безопасности областях, а также для помощи велосипедистам, водителям или пилотам.

    Авторские взносы

    AB и SW разработали обучающий эксперимент по слуховой категории. SW проводил эксперименты на людях и анализировал данные. SP и NR разработали моделирование ACT-R. SP реализовал моделирование ACT-R и проанализировал данные. SP, SW и AB подготовили рисунки. СП, НР и А.Б. подготовили рукопись. SP, NR, AB и SW отредактировали, исправили и одобрили рукопись.

    Финансирование

    Эта работа была выполнена в рамках Межрегионального центра совместных исследований SFB / TRR 62 «Вспомогательная технология для когнитивных технических систем», финансируемого Немецким исследовательским фондом (DFG) и финансируемого программой BCP.

    Заявление о конфликте интересов

    Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

    Благодарности

    Мы благодарим Монику Добровольни и Йорга Штадлера за поддержку в сборе данных в рамках Комбинаторного центра нейровизуализации (CNI) Института нейробиологии им. Лейбница.

    Сноски

    Список литературы

    Андерсон, Дж.Р. (1991). Адаптивный характер категоризации человека. Psychol. Ред. 98, 409–429. DOI: 10.1037 / 0033-295X.98.3.409

    CrossRef Полный текст | Google Scholar

    Андерсон, Дж. Р. (2007). Как может человеческий разум возникать в физической вселенной? Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета.

    Google Scholar

    Эшби, Ф. Г. (1992). «Многомерные модели категоризации», в Многомерные модели восприятия и познания , ред Ф.Г. Эшби (Хиллсдейл, Нью-Джерси: Эрлбаум), 449–483.

    Google Scholar

    Эшби, Ф. Г., Альфонсо-Риз, Л. А., Теркен, А. У., и Уолдрон, Э. М. (1998). Нейропсихологическая теория множественных систем в категориальном обучении. Psychol. Ред. 105, 442–481.

    PubMed Аннотация | Google Scholar

    Аткинс, Д. (2000). «Человеческий фактор в лавиноопасных авариях», Труды. Международный семинар по науке о снеге (Big Sky: MT), 46–51.

    Google Scholar

    Берри, Д.С. и Бродбент Д. Э. (1988). Интерактивные задачи и явное и неявное различие. руб. J. Psychol. 79, 251–272. DOI: 10.1111 / j.2044-8295.1988.tb02286.x

    CrossRef Полный текст | Google Scholar

    Борст, Дж. П., и Андерсон, Дж. Р. (2015). «Использование когнитивной архитектуры ACT-R в сочетании с данными фМРТ», в An Introduction to Model-Based Cognitive Neuroscience , ред. Б. У. Форстманн и Э.-Дж. Вагенмейкерс (Нью-Йорк, штат Нью-Йорк: Springer), 339–352.

    Google Scholar

    Борст, Дж. П., Ниджбоер, М., Таатген, Н. А., Ван Рейн, Х., и Андерсон, Дж. Р. (2015). Использование отображений модели и мозга на основе данных для ограничения формальных моделей познания. PLoS ONE 10: e0119673. DOI: 10.1371 / journal.pone.0119673

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Кларк, Л., Коулс, Р. и Роббинс, Т. У. (2004). Нейропсихология вентральной префронтальной коры: принятие решений и обратное обучение. Brain Cogn. 55, 41–53. DOI: 10.1016 / S0278-2626 (03) 00284-7

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Димов, К. М., Маревски, Дж. Н., и Скулер, Л. Дж. (2013). «Ограничивающие модели ACT-R стратегий принятия решений: экспериментальная парадигма», в книге Cooperative Minds: Social Interaction and Group Dynamics. Труды 35-й ежегодной конференции Общества когнитивных наук , ред. М. Кнауфф, М. Пауэн, Н. Себанс и И. Ваксмут (Остин, Техас: Общество когнитивных наук), 2201–2206.

    Google Scholar

    Эдвардс, У. (1962). Теория динамических решений и вероятностная обработка информации. Hum. Факторы 4, 59–73. DOI: 10.1177 / 001872086200400201

    CrossRef Полный текст | Google Scholar

    Форстманн, Б. У., Вагенмакерс, Э.-Дж., Эйхеле, Т., Браун, С., и Серенс, Дж. Т. (2011). Взаимные отношения между когнитивной нейробиологией и формальными когнитивными моделями: противоположности притягиваются? Trends Cogn. Sci. 15, 272–279.DOI: 10.1016 / j.tics.2011.04.002

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Фум Д. и Стокко А. (2003). «Экземплярное обучение по сравнению с обучением на основе правил в управлении динамической системой», Труды Пятой Международной конференции по когнитивному моделированию (Бамберг: Universitaets-Verlag Bamberg), , 105–110.

    Google Scholar

    Гонсалес, К. (2017). «Принятие решений: перспектива когнитивной науки», в The Oxford Handbook of Cognitive Science (Vol.1). изд. С. Э. Ф. Чипман (Оксфорд: издательство Оксфордского университета), 249–263.

    Google Scholar

    Гонсалес, К., Датт, В., Хили, А. Ф., Янг, М. Д., и Борн, Л. Э. младший (2009). «Сравнение моделей экземпляров и стратегий в ACT-R», в материалах Труды 9-й Международной конференции по когнитивному моделированию — ICCM2009 , ред. А. Хоуз, Д. Пиблз и Р. Купер (Манчестер).

    Google Scholar

    Гонсалес К., Лерх Дж. Ф. и Лебьер К. (2003).Экземплярное обучение в динамическом принятии решений. Cogn. Sci. 27, 591–635. DOI: 10.1207 / s15516709cog2704_2

    CrossRef Полный текст | Google Scholar

    Хальбрюгге, М. (2010). Будьте проще — пример разработки модели в контексте задачи «Динамические запасы и потоки» (DSF). J. Artif. Gen. Intell. 2, 38–51. DOI: 10.2478 / v10229-011-0008-2

    CrossRef Полный текст | Google Scholar

    Ярверс, К., Брош, Т., Брехманн, А., Woldeit, M. L., Schulz, A. L., Ohl, F. W. и др. (2016). Обратное обучение у людей и песчанок: динамическая сеть управления облегчает обучение. Фронт. Neurosci. 10: 535. DOI: 10.3389 / fnins.2016.00535

    CrossRef Полный текст | Google Scholar

    Кнауф, М., Вольф, А. Г. (2010). Комплексное познание: наука о человеческом мышлении, решении проблем и принятии решений. Cogn. Процесс. 11, 99–102. DOI: 10.1007 / s10339-010-0362-z

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Kohrs, C., Грабаль, Д., Ангенштейн, Н., Брехманн, А. (2014). Задержка времени отклика системы влияет на физиологию и динамику последующего нажатия кнопок. Психофизиология 51, 1178–1184. DOI: 10.1111 / psyp.12253

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Лебьер, К., Пиролли, П., Томсон, Р., Пайк, Дж., Рутледж-Тейлор, М., Сташевски, Дж. И др. (2013). Функциональная модель осмысления в нейрокогнитивной архитектуре. Comput.Intell. Neurosci. 2013, 1-29. DOI: 10.1155 / 2013/921695

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Лебьер К., Валлах Д. и Таатген Н. А. (1998). «Неявное и явное обучение в ACT-R», Труды Второй европейской конференции по когнитивному моделированию , ред. Ф. Риттер и Р. Янг (Ноттингем: издательство Ноттингемского университета), 183–193.

    Google Scholar

    Левандовски, С., Палмери, Т. Дж., И Вальдманн, М.Р. (2012). Введение в специальный раздел теории и данных в категоризации: интеграция вычислительных, поведенческих и когнитивных подходов нейробиологии. J. Exp. Psychol. Учить. Mem. Cogn. 38, 803–806. DOI: 10.1037 / a0028943

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Ли А., Маани К. (2011). «Динамическое принятие решений, обучение и ментальные модели», Труды 29-й Международной конференции Общества системной динамики (Вашингтон, округ Колумбия), 1–21.

    Google Scholar

    Маревски, Дж. Н., Мельхорн, К. (2011). Использование архитектуры ACT-R для определения 39 количественных моделей процесса принятия решений. Судья. Decis. Мак. 6, 439–519.

    Google Scholar

    Орендейн, А. Д. О., Вуд, С. (2012). «Учет когнитивной гибкости и негибкости для сложной динамической задачи», Труды 11-й Международной конференции по когнитивному моделированию (Берлин), 49–54.

    Google Scholar

    Пиблз Д., Бэнкс А. П. (2010). Моделирование динамического принятия решений с помощью когнитивной архитектуры ACT-R. J. Artif. Gen. Intell. 2, 52–68. DOI: 10.2478 / v10229-011-0009-1

    CrossRef Полный текст | Google Scholar

    Презенски, С., Руссвинкель, Н. (2014). Сочетание когнитивных моделей ACT-R с юзабилити-тестированием позволяет выявить ментальную модель пользователей, совершающих покупки с помощью приложения для смартфона. Внутр. J. Adv. Intell. Syst. 7, 700–715.

    Google Scholar

    Презенски, С., Руссвинкель, Н. (2016a). «Предлагаемый метод сопоставления данных ACT-R и ЭЭГ», в In Proceedings of the 14th International Conference on Cognitive Modeling , eds D. Reitter, and FE Ritter (University Park, PA: Penn State), 249–251 .

    Google Scholar

    Презенски, С., Руссвинкель, Н. (2016b). «К общей модели многократного использования приложений», в В трудах 14-й Международной конференции по когнитивному моделированию , ред.Рейтер и Ф. Э. Риттер (Университетский парк, Пенсильвания: штат Пенсильвания), 201–207.

    Google Scholar

    Рейтер, Д. (2010). Метапознание и множественные стратегии в когнитивной модели онлайн-контроля. J. Artif. Gen. Intell. 2, 20–37. DOI: 10.2478 / v10229-011-0007-3

    CrossRef Полный текст | Google Scholar

    Ролл И., Бейкер Р. С., Алевен В. и Кёдингер К. Р. (2004). «Метакогнитивная модель ACT-R стратегий обучения студентов в интеллектуальных системах обучения», в материалах Труды 7-й Международной конференции по интеллектуальным системам обучения , ред. Дж.К. Лестер, Р. М. Викари и Ф. Парагуасу (Масейо), 854–856.

    Google Scholar

    Руссвинкель Н., Урбас Л. и Тюринг М. (2011). Прогнозирование временных ошибок в сложных средах задач: вычислительный и экспериментальный подход. Cogn. Syst. Res. 12, 336–354. DOI: 10.1016 / j.cogsys.2010.09.003

    CrossRef Полный текст | Google Scholar

    Ратледж-Тейлор, М., Лебьер, К., Томсон, Р., Сташевский, Дж., И Андерсон, Дж. Р. (2012). «Сравнение категоризации на основе правил и на основе примеров с использованием архитектуры ACT-R», Труды 21-й ежегодной конференции по репрезентации поведения в моделировании и симуляции, BRiMS 2012 (остров Амелия, Флорида), 44–50.

    Сэнборн, А. Н., Гриффитс, Т. Л., и Наварро, Д. Дж. (2010). Рациональные приближения к рациональным моделям: альтернативные алгоритмы категориального обучения. Psychol. Ред. 117, 1144–1167. DOI: 10.1037 / a0020511

    PubMed Аннотация | CrossRef Полный текст | Google Scholar

    Саймон, Х. А., и Ньюэлл, А. (1971). Решение человеческих проблем: состояние теории в 1970 году. Am. Psychol. 26, 145–159. DOI: 10,1037 / ч0030806

    CrossRef Полный текст | Google Scholar

    Smieszek, H., Джорес, Ф., и Руссвинкель, Н. (2015). «Рабочая нагрузка диспетчеров вышек аэропорта: эмпирическая проверка макрокогнитивной модели», в онлайн-журнале Kognitive Systeme , ред. Д. Соффкер и А. Клюге (Дуйсбург: DuEPublico). DOI: 10.17185 / duepublico / 37699

    CrossRef Полный текст | Google Scholar

    Стюарт, Т. К., и Уэст, Р. (2010). Тестирование на эквивалентность: методология компьютерного когнитивного моделирования. J. Artif. Gen. Intell. 2, 69–87. DOI: 10.2478 / v10229-011-0010-8

    CrossRef Полный текст | Google Scholar

    Саттон, Р. С., и Барто, А. Г. (1998). Обучение с подкреплением: Введение . Лондон: MIT Press.

    Google Scholar

    Таатген, Н. А. (2001). «Модель индивидуальных различий в обучении управлению воздушным движением», в Proceedings of the 4th International Conference on Cognitive Modeling , eds EM Altmann, A. Cleeremans, CD Schunn, and WD Gray (Mahwah, NJ: Erlbaum), 211– 216.

    Google Scholar

    Таатген, Н.А., Лебьер, К., и Андерсон, Дж. Р. (2006). «Парадигмы моделирования в ACT-R», в «Познание и мультиагентное взаимодействие: от когнитивного моделирования к социальному моделированию» , ред Р. Сан (Кембридж: издательство Кембриджского университета), 29–52.

    Google Scholar

    Томсон Р., Лебьер К., Андерсон Дж. Р. и Сташевски Дж. (2015). Общая основанная на примерах структура обучения для изучения интуитивного принятия решений в когнитивной архитектуре. J. Appl. Res. Mem. Cogn. 4, 180–190. DOI: 10.1016 / j.jarmac.2014.06.002

    CrossRef Полный текст | Google Scholar

    Вольф С., Брехманн А. (2012). «MOTI: корпус мотивационной просодии для систем обучения на основе речи», Труды 10-й конференции ITG по речевой коммуникации (Берлин: IEEE), 1–4.

    Google Scholar

    Вольф, С., Брехманн, А. (2015). Кнута и пряника 2.0: преимущества естественной и мотивационной просодии в компьютерном обучении. Comput. Гул. Behav. 43, 76–84. DOI: 10.1016 / j.chb.2014.10.015

    CrossRef Полный текст | Google Scholar

    Вонг, Т. Дж., Кокли, Э. Т., и Скулер, Л. Дж. (2010). «Онлайн-база данных параметров ACT-R: на пути к прозрачному подходу к разработке моделей на основе сообщества», в материалах Труды 10-й Международной конференции по когнитивному моделированию , редакторы Д.Д. Сальвуччи и Г. Гунцельманн (Филадельфия, Пенсильвания: Университет Дрекселя) ), 282–286.

    Google Scholar

    Целлер, К., и Шмид, У. (2016). «Обучение правилам на основе инкрементального представления обучающих примеров: повторный анализ эксперимента по категоризации», в материалах Труды 13-й проводимой раз в два года конференции Немецкого общества когнитивной науки . (Бремен), 39–42.

    Google Scholar

    когнитивных процессов в обучении: типы, определения и примеры — видео и стенограмма урока

    Различные когнитивные процессы

    Первым шагом в процессе когнитивного обучения является внимание.Чтобы начать обучение, ученик должен обращать внимание на то, что он испытывает. Любой, кто был в классе, полном детей, знает, что внимание не безгранично и может быть весьма мимолетным. Педагогические психологи пришли к выводу, что средний человек может одновременно удерживать в своем внимании примерно два или три выученных задания. Это означает, что, если вы пытаетесь вытирать пыль и пылесосить одновременно, вы сможете это сделать, но, добавив кушать бутерброд, велика вероятность, что вы откусите кусок тряпки и размазываете обеденное мясо по стенам.

    Мы также знаем, что средний человек может заниматься только одной сложной задачей за раз. Пытаетесь водить машину и делать длинное деление? Не произойдет. Говорить по телефону во время вальса? Вряд ли. Если вам интересно, это также веская причина не разговаривать по телефону и не водить машину — вам просто не хватает внимания, чтобы полностью выполнить каждую задачу.

    Затем информация, на которую вы обращаете внимание, должна быть помещена в память в процессе, называемом хранилищем. Есть три уровня памяти, через которые информация должна пройти, чтобы ее по-настоящему усвоить.Допустим, вы впервые слышите, что столица штата Орегон — Салем. Эта информация теперь находится в вашем сенсорном регистре , в котором хранится все, что вы подвергаетесь воздействию всего на секунду или две. К концу этого предложения вы, возможно, уже забыли столицу штата Орегон.

    Однако если вы обратите внимание и перечитаете предложение, эта информация переместится из сенсорного регистра в кратковременную память . Эта область вашей памяти будет хранить информацию от 20 секунд до минуты.Если вы репетируете информацию, например повторяете ее про себя, делаете заметки или изучаете ее, у нее есть шанс переместиться в вашу долговременную память . Эта область будет хранить информацию неограниченное время и имеет неограниченную емкость. Как мы увидим, проблема может заключаться в том, чтобы что-то там найти.

    Теперь, когда вы обратили внимание и переместили информацию в память, важно, чтобы ваш мозг систематизировал эту информацию, чтобы ее можно было извлечь позже. Кодирование может работать через ряд процессов, таких как разработка словесной мнемоники или метод с восхитительным названием локусов, но конечная цель — придать конкретное значение чему-то, чему вы научились.На ум приходит мнемоника для запоминания порядка на планете: «Моя очень образованная мать только что служила нам Начо». Запомните это, и вы сможете быстро вспомнить названия и порядок всех планет. Получение идет рука об руку с кодированием, просто обращая процесс кодирования в обратном направлении. Если вы хотите запомнить, какая планета четвертая от Солнца, просто прочтите мнемонику, и вы получите ответ. Поскольку четвертое слово — мать, четвертая планета — Марс!

    Теории когнитивного обучения

    Ни одно обсуждение познания и обучения не будет полным без хотя бы краткого упоминания двух основных теорий, лежащих в основе познания в обучении.Одна из самых старых теорий исходит от психолога Жана Пиаже, который основывал большую часть своей работы на изучении собственных детей по мере их развития. Пиаже был конструктивистом , то есть считал, что все знания строятся так, как если бы вы построили что-нибудь, по частям. Части, которые использовал Пиаже, назывались схемами (множественное число для схемы), которые представляют все, что можно знать, от объекта до процесса. Он предположил, что дети учатся, сталкиваясь с новой информацией и либо находя существующую схему, в которую они могут включить новую информацию, либо конструируя новую схему.

    Например, ребенок может впервые встретить кошку. Если у ребенка есть собака, он может относиться к кошке как к собаке, потому что в их сознании есть схема собаки, а кошка достаточно близка. Четыре ноги? Проверять. Хвост? Проверять. Пушистый? Двойная проверка. Только когда ребенок научится различать эти два типа, он сможет создать новую схему для кошек и различать эти два типа животных.

    Роберт Ганье был еще одним пионером педагогической психологии, разработавшим модель обучения, основанную на обработке информации.Для простоты мы рассмотрим только ту часть, которая имеет непосредственное отношение к нашему обсуждению. Ганье разработал систему когнитивного обучения, состоящую из трех частей, каждая из которых имеет вспомогательные фазы. Первая часть, подготовка к обучению, включает в себя привлечение внимания учащихся, предоставление им ожиданий в отношении того, что они будут изучать, и поощрение вспоминания предшествующей соответствующей информации. Как только ученик подготовлен к обучению, он переходит к освоению и выполнению, во время которого внимание ученика привлекается к соответствующему стимулу (тому факту, что вы пытаетесь его научить), передаются методы кодирования, такие как мнемоника, учащихся опрашивают на предмет поиска информации, и эта информация подкрепляется положительными отзывами.Наконец, передача обучения достигается путем предоставления последней подсказки для извлечения информации и помощи студенту в обучении для обобщения информации; Другими словами, примените информацию к другим сферам жизни.

    Резюме урока

    В этом уроке вам было предложено много информации, но давайте рассмотрим основные моменты. Познание — это процесс приобретения знаний через наши мысли, опыт и чувства. Обучение предполагает приобретение знаний посредством опыта, учебы и обучения.Эти два понятия практически идентичны и не могут существовать друг без друга.

    Первый шаг в когнитивном обучении — это внимание. Информация не может быть изучена, если ученик отвлечен. Затем информация помещается в память в процессе, называемом хранением. Сохраняемая информация проходит через три этапа памяти: сенсорный регистр , который хранит информацию всего несколько секунд, кратковременная память , которая хранит информацию в течение нескольких минут, и, по мере практики, информация будет перемещаться в долговременная память , которая безгранична.Затем информация должна быть закодирована каким-либо образом, чтобы сделать информацию значимой, чтобы позже ее можно было получить путем обращения процесса кодирования. Наконец, вам просто нужно помнить, что Жан Пиаже считал, что дети учатся путем построения схем, которые являются множественным числом от схемы, а Роберт Ганье разработал модель обучения, основанную на обработке информации.

    Результаты обучения

    Определите свою способность выполнять эти действия после завершения урока по процессам когнитивного обучения:

    • Различия между познанием и обучением
    • Обозначьте три этапа памяти
    • Обсудите две теории, на которых основано когнитивное обучение.

    Когнитивное обучение: определение, преимущества и примеры

    Согласно теории когнитивного обучения, определенные процессы мышления могут привести к большему сохранению знаний.Когнитивное обучение может помочь вам добиться успеха в карьере, выделив лучшие способы обучения. В этой статье мы дадим определение когнитивному обучению и объясним, как вы можете использовать его для повышения производительности на работе и в других аспектах своей жизни.

    Что такое когнитивное обучение?

    Когнитивное обучение — это стиль обучения, ориентированный на более эффективное использование мозга. Чтобы понять процесс познавательного обучения, важно знать значение познания.Познание — это умственный процесс обретения знаний и понимания посредством органов чувств, опыта и мысли. Теория когнитивного обучения объединяет познание и обучение для эффективного объяснения различных процессов, участвующих в обучении.

    Когнитивный процесс обучения направлен на построение схемы процесса обучения для оптимального мышления, понимания и запоминания того, что мы изучаем. Когда вы овладеете основами когнитивного обучения, становится легко поддерживать пожизненную привычку к непрерывному обучению.Эти стратегии не только помогут вам лучше учиться, но и увеличат ваши шансы на успех в своей профессии.

    Используя стратегии когнитивного обучения, вы можете стать сильным оратором, дальновидным лидером или мотивированным командным игроком, который поможет вашей организации достичь своих целей и задач.

    Функции когнитивного обучения

    Когнитивное обучение — это захватывающий и активный процесс, который конструктивно и надолго задействует ваши чувства.Он учит максимально использовать потенциал вашего мозга и упрощает связывание новой информации с существующими идеями, углубляя память и удерживая способность.

    Вместо упора на запоминание, как в традиционном методе обучения в классе, когнитивное обучение фокусируется на прошлых знаниях. Он научит вас размышлять над материалом и связывать его с прошлыми знаниями для более надежного изучения. Это не только делает когнитивное обучение более эффективным способом получения знаний, но и помогает лучше учиться в долгосрочной перспективе.

    Элементы когнитивного обучения

    Когнитивное обучение отличается от традиционного процесса обучения, в котором упор делается на запоминание, а не на овладение предметом. Следующие факторы являются основополагающими для процесса когнитивного обучения:

    Понимание

    Стратегии когнитивного обучения делают упор на понимание. Вам необходимо понять, почему вы в первую очередь изучили этот предмет, и какую роль ваши знания играют в вашей работе.

    Память

    Когнитивное обучение препятствует заучиванию наизусть, когда вы зубрежете материалы для запоминания. В когнитивном обучении цель состоит в том, чтобы понять предмет на более глубоком уровне. Это создает эффект погружения, который помогает вспомнить и улучшает вашу способность соотносить новые знания с прошлой информацией.

    Приложение

    Стратегии когнитивного обучения побуждают вас задуматься над материалом и над тем, как применить его к текущим и будущим ситуациям.Благодаря этому вы разовьете улучшенные навыки решения проблем, навыки критического мышления и дальновидные лидерские качества, которые помогут вам увидеть то, что другие не могут увидеть в ясной форме.

    Преимущества когнитивного обучения

    Когнитивное обучение — это эффективный способ воспитания у сотрудников пожизненной любви к обучению и совершенствованию. Организации могут использовать стратегии когнитивного обучения для получения следующих преимуществ для своих сотрудников:

    Улучшение понимания текста

    При когнитивном обучении учащиеся учатся на собственном опыте.Такой практический подход делает обучение захватывающим и способствует пониманию. Таким образом, вы сможете глубже понять материал и его применение в вашей работе и жизни.

    Улучшает навыки решения проблем

    Навыки решения проблем имеют решающее значение на любом уровне лидерства. Когнитивный подход к обучению повышает вашу способность развивать этот основной навык и помогает им применять его во всех аспектах своей работы.

    Повышает уверенность в себе

    Когнитивное обучение также может повысить уверенность в вашей способности справляться с трудностями на работе.Это потому, что это способствует развитию навыков решения проблем и упрощает изучение нового за короткий период времени.

    Поощряет непрерывное обучение

    Когнитивные навыки способствуют долгосрочному обучению, так как позволяют соединить предыдущие знания с новыми материалами. Это помогает объединить старую и новую информацию и эффективно применять их.

    Когнитивные стратегии способствуют развитию любви к учебе, делая новые знания захватывающими и полезными. Это побуждает вас развивать долгосрочный аппетит к приобретению знаний в любой среде.

    Примеры когнитивного обучения

    Вот примеры когнитивного обучения:

    1. Неявное обучение
    2. Явное обучение
    3. Осмысленное обучение
    4. Совместное и совместное обучение
    5. Открытое обучение
    6. Неассоциативное обучение (привычка)
    7. Эмоциональное обучение
    8. Экспериментальное обучение
    9. Рецептивное обучение
    10. Наблюдательное обучение

    1.Неявное обучение

    Обучение является неявным, если оно не предполагает активного намерения получить знания. Это форма случайного и автоматического обучения, поскольку вы не осознаёте процесс, но позже обнаруживаете, что сохранили информацию.

    Примеры такого обучения включают разговор, ходьбу, еду и другие вещи, которые вы изучаете без осознанных мыслей. Например, вы можете научиться печатать, не глядя на клавиатуру.

    2. Явное обучение

    Когда вы сознательно ищете знания, вы учитесь явно.Это включает в себя попытку овладеть новым навыком или процессом, жизненно важным для вашей работы, или возвращение в школу для дальнейшего обучения.

    В отличие от неявного обучения, которое приходит к вам естественным образом, явное обучение требует осознанных действий и постоянного внимания к получению новых знаний. Когнитивное обучение помогает вам учиться более подробно, давая вам исключительное представление о предмете и о том, как он соотносится с вашей работой сейчас и позже. Например, вы записываетесь на курс PowerPoint, чтобы улучшить свои навыки презентации.

    3. Осмысленное обучение

    Осмысленное обучение происходит, когда человек связывает новые знания с прошлой информацией и опытом. Он охватывает эмоциональные, мотивационные и когнитивные аспекты и помогает углубить знания и навыки решения проблем. Например, вы идете на продвинутый курс управления, чтобы стать лучшим руководителем команды и глубже понять прошлое обучение лидерству.

    4. Совместное и совместное обучение

    Когда вы изучаете новый процесс как группа или команда на работе, вы проводите совместное обучение.Совместное обучение помогает углубить сотрудничество и выявить лучшие навыки каждого участника мероприятия. Это когнитивное обучение включает четыре элемента, в том числе:

    • Одновременное взаимодействие
    • Положительная взаимозависимость
    • Индивидуальная ответственность
    • Равное участие

    Точно так же совместное обучение — это когнитивная стратегия, в которой консультант учит группу, как развивать свои идеи по конкретному навыку или области знаний.Например, ваша компания могла бы обучить коллегу новому производственному процессу, чтобы он мог передать знания членам команды.

    5. Discovery Learning

    Вы учитесь через открытия, когда вы активно ищете новые знания. Если вам нравится исследовать новые концепции и процессы, глубоко размышлять о предметах, которые не являются вашей основной областью специализации, или адаптировать новую информацию к своей работе, вы практикуете изучение открытий. Например, вы можете узнать больше о новом приложении для рабочего процесса, о котором говорят профессионалы в вашей отрасли.

    6. Неассоциативное обучение (привыкание и сенсибилизация)

    Неассоциативное обучение делится на два стиля, включая привыкание и сенсибилизацию. Оба сосредоточены на том, как вы учитесь, основываясь на вашей реакции на постоянный стимул.

    Привыкание — это обучение по привычке. Он включает снижение реакции на раздражитель после длительного воздействия. Например, привыкание мешает вам замечать шум, если вы работаете на промышленном предприятии. Со временем звук больше не беспокоит вас, потому что вы научились игнорировать раздражитель.

    Противоположностью обучению привыканию является сенсибилизация, потому что ваша реакция усиливается при повторном воздействии стимула. Например, вы можете больше реагировать на звук звонка офисного телефона. Оба типа обучения являются базовыми и могут быть адаптированы к широкому кругу ситуаций в жизни и на работе.

    7. Эмоциональное обучение

    Эта когнитивная стратегия помогает людям изучать эмоциональный интеллект и другие аспекты управления своими эмоциями и понимания эмоций других.Независимо от того, являетесь ли вы руководителем или младшим сотрудником, эмоциональный интеллект играет решающую роль в сочувствии, межличностных отношениях и эффективном общении. Например, эмоциональное обучение помогает поддерживать теплые отношения с интровертами и коллегами-экстравертами независимо от их положения в организации. Освоение этого знания может улучшить ваши отношения на работе и в личной жизни.

    8. Обучение на основе опыта

    Люди часто лучше всего учатся на собственном опыте.Эмпирическое обучение — это когнитивная стратегия, которая позволяет вам извлекать ценные жизненные уроки из вашего взаимодействия с другими людьми. Однако опыт субъективен и зависит от ваших интерпретаций. Например, медицинский практикант может получить представление об уходе за пациентом, диагнозе, сочувствии и сострадании, следя за опытным врачом.

    Итак, два человека могут иметь один и тот же опыт и извлечь разные уроки из события. Ценность вашего опыта зависит от вашего уровня самоанализа и рефлексии, а также от того, как вы можете связать его с прошлыми событиями.

    9. Воспитательное обучение

    Если вам нравится учиться на лекциях, когда человек стоит впереди и говорит о предмете, в то время как аудитория слушает или делает записи, это форма восприятия. Эта стратегия обучения пассивна для учащегося, поскольку предполагает активное участие человека, доставляющего материал. Это ограничивает ваше участие в записи и задании вопросов. Например, ваша организация приглашает экспертов для обучения вашей команды в классе или на семинаре.

    10. Обучение с наблюдением

    Эта стратегия когнитивного обучения включает имитацию. Подражание — эффективный инструмент обучения, особенно среди детей. Однако взрослые также могут подражать другим, чтобы овладеть желаемыми навыками и качествами.

    No related posts.

    Читайте также:

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *