Как называется разработка компьютерных моделей человеческого поведения

Обновлено: 21.11.2024

Посредством построения вычислительных моделей (обычно математического и компьютерного моделирования) моделирование производительности человека (HPM) количественно определяет, прогнозирует и максимизирует производительность человека, производительность и безопасность системы «человек-машина». В этой статье описываются и обобщаются пять ключевых вопросов моделирования человеческой деятельности: 1) Почему мы строим модели человеческой деятельности; 2) Каковы ожидания от хорошей модели человеческой деятельности; 3) Каковы процедуры и требования при построении и проверке модели производительности человека; 4) Как мы интегрируем модель производительности человека с дизайном системы; и 5) каковы возможные будущие направления исследований в области моделирования человеческой деятельности. Недавние и классические выводы HPM рассматриваются в пяти вопросах, чтобы дать новое представление о мотивах HPM, ожиданиях, процедурах, системной интеграции и будущих направлениях.

1. Введение

В этой статье рассматриваются пять ключевых вопросов HPM, описываются ее мотивы, ожидания, процедуры, системная интеграция и будущие приложения. Поскольку область человеческих факторов и эргономики довольно обширна, эта статья в основном посвящена моделированию когнитивных функций человека (например, когнитивных и моторных функций под контролем когнитивных функций).

2. Q1. Почему мы создаем модели человеческой деятельности?

В науке, помимо объединения многих разрозненных результатов эмпирических исследований (Card, Moran, & Newell, 1983), модели человеческой деятельности обеспечивают систематическое и вычислительное понимание механизмов человеческого поведения. Во многих экспериментальных исследованиях большое значение имеют словесные описания (иногда концептуальные модели) механизмов; однако они не могут точно предсказать действия человека. Более того, поскольку когнитивная и двигательная системы человека очень сложны, словесные описания во многих случаях не могут дать количественную оценку этих сложных взаимосвязей. Вычислительные модели человеческой деятельности могут решить эти проблемы. Кроме того, модели также могут помочь исследователям в сборе данных и предоставить исследователям исходные данные для измерения производительности человека (Sinclair & Drury, 1979).

В инженерии модели производительности человека могут помочь разработчикам систем сэкономить значительное количество времени и средств при проведении экспериментов, а также напрямую интегрироваться в интеллектуальные/интеллектуальные системы для повышения безопасности системы и производительности человека. и/или предотвращения несчастных случаев. Способность предсказывать поведение человека означает, что во многих случаях несчастные случаи предотвращаются, а ошибки сводятся к минимуму, что повышает безопасность и эффективность системы. Например, модель производительности человека может прогнозировать превышение скорости водителем за несколько секунд до фактического превышения скорости (Zhao, Wu, & Qiao, 2013). После того, как она была встроена в интеллектуальную систему, система могла отправлять водителям предупреждения о превышении скорости, чтобы предотвратить дорожно-транспортные происшествия до того, как они произошли (Zhao & Wu, 2013).

3. Q2. Каковы ожидания от хорошей модели человеческой деятельности?

Ожидания от хорошей модели производительности человека можно свести к следующим аспектам: механизмы, полезность, надежность и универсальность, а также простота (называемые ожиданиями MURGS в HPM).

Механизмы («Рассматривает ли эта модель механизмы человеческой деятельности?»)

Как мы обсуждали в разделе о мотивации моделирования человеческой деятельности, хорошая модель должна количественно определять взаимосвязь между входными и выходными данными модели на основе механизмов когнитивных и/или двигательных систем человека; в противном случае модель может быть понижена до модели «черного ящика». Эта проблема связана с различием между нисходящими (теоретическими) моделями производительности человека и восходящими (управляемыми данными) моделями, включая модели искусственного интеллекта (например, искусственную нейронную сеть (ИНС)). модели) и статистические модели), поскольку большинство восходящих (управляемых данными) моделей могут относительно легко фиксировать отношения между входными данными модели и ее выходными данными (данными для моделирования) посредством обучения модели; однако, как правило, восходящие (управляемые данными) модели не дают количественной оценки фундаментальных механизмов человека или человеко-машинных систем, либо их механизмы моделирования отличаются от механизмов человеческого познания и двигательной системы (у них есть свои наборы моделей моделирования). /правила количественного определения). Более того, из-за отсутствия нисходящего понимания механизмов работы человека или человеко-машинных систем восходящие (управляемые данными) модели могут лучше соответствовать одному набору данных с обширным обучением для этого набора данных, но не соответствовать новый набор данных, что приводит к их проблемам с надежностью и универсальностью (другими словами, приводит к проблеме «пропажи леса»).

Полезность («Может ли эта модель, созданная и проверенная на основе данных, повысить производительность/безопасность/эффективность системы в реальном мире?»)

В отличие от когнитивного моделирования, такого как работа Исбела и Махара (2015 г.), в котором больше внимания уделяется механизмам и поведению человека в лабораторных условиях, моделирование деятельности человека больше ориентировано на эффективность и безопасность человека на практике и настройки реального мира. Соответственно, первое ожидание от хорошей модели производительности человека заключается в том, что ее прогноз должен быть непосредственно связан с производительностью человека и быть полезным при проектировании реальных систем для повышения производительности, безопасности и эффективности людей-операторов и/или взаимодействия человека и машины. системы в целом в реальных условиях.

Надежность и универсальность («Может ли эта модель предсказывать множественные экспериментальные результаты без переобучения или недостаточной подгонки?»)

Это ожидание от хорошей модели состоит из двух частей: а) избегайте чрезмерной или недостаточной подгонки; и б) проверка многочисленными эмпирическими исследованиями. Хорошая модель должна не только избегать недостаточной подгонки данных (например, R-квадрат между прогнозом модели и экспериментальными данными ниже 0,5), но и избегать чрезмерной подгонки данных. Подгонка обычно означает идеальное совпадение между прогнозом и экспериментальными данными из одного исследования, но плохое соответствие между прогнозом и экспериментальными данными из другого исследования (см. Левандовски и Фаррелл (2010)). Например, учитывая одинаковое среднеквадратичное значение (RMS) двух моделей (A и B), модель A, подтвержденная двумя экспериментами (R квадрат для эксперимента 1 = 0,75 и 0,71 для эксперимента 2), является более надежной, чем модель B. чей R-квадрат для эксперимента 1 = 1 (переоснащение) и 0,46 (недостаточное соответствие) для эксперимента 2, даже если их усредненный R-квадрат одинаков (0,73).

Простота («Является ли это самой простой моделью для создания полезных и надежных прогнозов, основанных на механизмах человеческой деятельности?»)

Это ожидание также очень важно при оценке модели производительности человека. Это правило простоты такое же, как правило экономии в математическом и имитационном моделировании в целом: более простая модель лучше, чем сложная, если они обеспечивают одинаковый уровень функциональности. Более того, математические модели в целом предпочтительнее, чем имитационные модели, если только математические модели не столкнулись с проблемой NP-Hard или с аналитическим решением (Bank, 2000). Простота в HPM определяется как количество свободных параметров (параметры модели, значения которых оцениваются на основе моделируемых данных, чтобы максимально согласовать прогноз модели) (Lewandowsky & Farrell, 2010), формат и структура уравнений, если это математическая модель и количество строк кода в целом, если это имитационная модель. Например, линейная модель лучше, чем нелинейная модель с тем же количеством параметров, если обе модели соответствуют трем другим ожиданиям на одном уровне. Еще один способ сравнить простоту различных моделей — рассчитать их AIC (информационный критерий Акаике), который учитывает количество свободных параметров (Бусемейер, 2000); однако AIC не учитывает структуру уравнений или количество строк кодов компьютерного моделирования.

4. Q3. Каковы процедуры и требования при построении и проверке модели эффективности человека?

В зависимости от наличия данных и интересов разработчика моделей (человека, который строит модель), мы обобщаем три различных подхода к выполнению работы по моделированию человеческой деятельности.

Подход 1 (Концептуальная/Существующая модель или теория→Модель→Проверка модели другими людьми позже)

В ситуациях, когда нет доступных данных или разработчики моделей не могут проводить эксперименты для проверки модели, исследователи могут предложить/построить модель без ее проверки на основе данных. Классическим примером работы по моделированию является теория относительности Эйнштейна, которая была предложена на основе теории без экспериментальных данных для проверки предсказаний модели непосредственно в то время, когда модель была предложена (Эйнштейн, 1905 г.). Через несколько десятилетий, когда для проведения экспериментов стали доступны технологии, теория относительности была в конечном итоге подтверждена прямыми экспериментальными данными (Hafele & Keating, 1972). На самом деле мы думаем, что это один из приемлемых способов моделирования, позволяющий избежать проблем с моделированием. Если у разработчика модели есть данные до построения модели, он/она может узнать, какие шаблоны существуют в данных в процессе моделирования, и изменить модель, чтобы соответствовать этим данным, сознательно или подсознательно.

В ситуациях, когда доступны данные (либо из существующих опубликованных работ, либо из собственных экспериментов разработчика моделей), мы обычно рассматриваем эти процессы моделирования как процесс проверки математических утверждений (например, доказываем, что «a 2 +b 2 =c 2 » Теорема Пифагора). Это связано с тем, что разработчик моделей получает данные (прогноз модели) до того, как модель будет построена (хотя опубликованная работа по моделированию обычно пишется в обратном порядке, сначала представляя модель, а затем подтверждая модель данными).Поэтому разработчик модели должен четко представить пошаговые детали того, как его/ее модель достигает окончательного прогноза (прогноз модели будет «определенно» подтвержден данными, иначе разработчик модели даже не представить эту работу по моделированию). Если это математическая модель деятельности человека, разработчик модели должен четко перечислить все этапы построения модели, от входа модели до выхода модели (прогнозирование данных), не пропуская ни одного важного шага; Если это компьютерная имитационная модель, разработчик модели должен перечислить и описать значение всего кода в моделировании (просто перечислить компьютерный код в конце статьи или разместить его на веб-сайте нельзя). достаточно, так как рецензенту/читателю очень трудно понять код без авторских описаний), чтобы гарантировать, что в коды моделирования не будут специально добавлены коды, чтобы модель соответствовала данным.

Подход 2 (Концептуальная/Существующая модель или теория→Модель 1→Проверка модели (требует улучшения)→Модель 2 и т. д.)

В некоторых работах по моделированию моделирование рассматривалось как повторяющийся процесс, например исследование моделирования EPIC (Kieras & Meyer, 1997). Основываясь на концептуальных моделях, теории или существующих моделях, исследователи сначала построили относительно простую модель, проверив модель с помощью данных; в процессе проверки исследователи узнали, что в более простой модели отсутствуют некоторые важные компоненты, а затем они улучшили модель, чтобы улучшить ее предсказание. Затем улучшенная модель была снова проверена с помощью данных.

Подход 3 (Концептуальная/Существующая модель или Теория→Модель→Проверка модели)

В некоторых исследованиях, таких как (Du, Shi, & Yuan, 2007), в области моделирования человеческой деятельности пропущен итеративный процесс в моделировании человеческой деятельности (судя по работам, представленным в их работах), сразу после этого предлагаются модели. их сверкой с данными. Когда используется подход 2 или 3, разработчик модели должен четко показать, как его модели достигают прогноза шаг за шагом, поскольку они получают данные до разработки модели. Кроме того, разработчик моделей также должен сообщать о количестве свободных параметров, используемых в процессе моделирования. Подход 3 также включает в себя другую процедуру, в которой исследователи предложили новую модель, а затем разработали гипотезу для сбора данных на основе этой новой модели, где вновь собранные данные будут в дальнейшем использоваться для проверки гипотезы и новой модели (Такахиро Вада, Конно, Фудзисава и др.). Дои, 2012 г.; Т. Вада и Йошида, принято).

На этапе проверки модели производительности человека мы предлагаем, чтобы каждая работа по моделированию сообщала R-квадрат и среднеквадратичное значение (RMS), поскольку R-квадрат может отражать, как предсказание модели фиксирует изменения шаблонов экспериментальных данных и Среднеквадратичное значение отражает абсолютную разницу (т. е. величину ошибки прогноза) между прогнозом модели и экспериментальными данными (см. рис. 1). Ось Y обычно представляет собой индекс производительности человека (например, время выполнения задачи; ось X может быть независимой переменной в эксперимент (например, уровень сложности задачи), время или другие переменные в качестве входных данных модели.) Однако есть две ситуации, когда R-квадрат нельзя использовать в качестве показателя проверки модели: Ситуация 1: когда оба предсказания модели и экспериментальные данные параллельны оси X: R-квадрат не может быть рассчитан в этом случае, так как знаменатель уравнения R-квадрата равен 0 (см. рис. 1). Ситуация 2: В экспериментальных данных есть только одна точка данных (например, , ошибка скорость человека-оператора), и нам нужно как минимум 2 точки данных в экспериментальных данных, чтобы вычислить квадрат R между предсказанием модели и экспериментальными данными. В этих ситуациях мы можем использовать процент ошибки оценки (John, 1996) для проверки модели: (экспериментальные данные — предсказание модели) / экспериментальные данные × 100% или |экспериментальные данные — предсказание модели|/ экспериментальные данные × 100%. Кроме того, некоторые исследователи провели статистический анализ (например, ANOVA или тест t), чтобы проверить, есть ли существенная разница между экспериментальными данными и предсказаниями модели (Liu, 2005).

Компьютерная модель, которая может предсказать, как люди будут выполнять контролируемую задачу и как знания, необходимые для выполнения этой задачи, будут развиваться с течением времени, является продуктом группы исследователей под руководством профессора Пенсильванского государственного колледжа информационных наук и технологий. .

Фрэнк Риттер, адъюнкт-профессор информационных технологий и психологии, и его коллеги-исследователи использовали язык программирования Soar, предназначенный для представления человеческих знаний, в задаче по устранению неполадок из 20 пробных цепей, которую недавно выполнили 10 студентов Университета Ноттингем, Великобритания.

Каждый участник должен был выявить неисправности в электрической цепи после запоминания организации ее компонентов и переключателей. Этот процесс повторялся 20 раз для каждого человека, при этом серии тестов каждый раз выбирались случайным образом.Их выбор и время реакции записывались и сравнивались с результатами компьютерной модели.

Как и учащиеся, компьютерная модель под названием Diag обучалась по мере выполнения каждого теста и приобретала знания для быстрого и эффективного выполнения задачи.

"Модель не только точно прогнозирует время решения задач для участников-людей, но и воспроизводит стратегию, которую используют участники, и обучается с той же скоростью, с которой учатся участники", – сказал Риттер.

В большинстве случаев модель предсказывала, сколько времени потребуется каждому участнику для решения проблемы, в течение двух-четырех секунд, и она очень хорошо соответствовала времени решения проблемы восьми из 10 участников. Риттер сказал, что результаты, изложенные в документе, согласуются с предыдущими испытаниями, демонстрируя развитие закономерности в модели.

"Проект показывает, что мы можем прогнозировать человеческое обучение на детальном уровне, – – сказал Риттер. "Все думают, что это возможно, но вот реальная модель, которая делает это. Модель дает подробное представление о том, как работает перевод, и именно этот процесс перевода и есть образование".

Риттер работал с Питером Бибби и двумя научными сотрудниками в Ноттингемском университете.

Введение

В которой мы пытаемся объяснить, почему мы считаем искусственный интеллект предметом, наиболее заслуживающим изучения, и в котором мы пытаемся решить, что именно это такое, это хорошо решить, прежде чем приступать.

Человечество дало себе научное название homo sapiens — человек мудрый — потому что наши умственные способности так важны для нашей повседневной жизни и нашего самоощущения. Область искусственного интеллекта или ИИ пытается понять разумные сущности. Таким образом, одна из причин его изучения — узнать больше о себе. Но в отличие от философии и психологии, которые также занимаются интеллектом, ИИ стремится создавать разумные сущности, а также понимать их. Еще одна причина для изучения ИИ заключается в том, что эти сконструированные интеллектуальные объекты интересны и полезны сами по себе. Даже на этом раннем этапе своего развития искусственный интеллект произвел много важных и впечатляющих продуктов. Хотя никто не может предсказать будущее в деталях, ясно, что компьютеры с интеллектом человеческого уровня (или выше) окажут огромное влияние на нашу повседневную жизнь и на будущее развитие цивилизации.

Искусственный интеллект решает одну из главных задач. Как медленный, крошечный мозг, будь то биологический или электронный, может воспринимать, понимать, предсказывать и управлять миром, который намного больше и сложнее, чем он сам? Как нам сделать что-то с этими свойствами? Это трудные вопросы, но в отличие от поиска сверхсветовых путешествий или антигравитационного устройства, у исследователя ИИ есть веские доказательства того, что поиски возможны. Все, что нужно сделать исследователю, — это посмотреть в зеркало, чтобы увидеть пример интеллектуальной системы.

Искусственный интеллект — одна из новейших дисциплин. Официально он был инициирован в 1956 году, когда было придумано название, хотя на тот момент работа велась около пяти лет. Наряду с современной генетикой ученые из других дисциплин регулярно называют ее «областью, в которой я больше всего хотел бы работать». Студент, изучающий физику, может обоснованно полагать, что все хорошие идеи уже были взяты Галилеем, Ньютоном, Эйнштейном и остальными и что требуется много лет обучения, прежде чем кто-то сможет предложить новые идеи. С другой стороны, у ИИ все еще есть вакансии для штатного Эйнштейна.

Изучение интеллекта также является одной из древнейших дисциплин. Более 2000 лет философы пытались понять, как можно или нужно делать видение, обучение, запоминание и рассуждение. Появление пригодных для использования компьютеров в начале 1950-х годов превратило научные, но кабинетные рассуждения об этих умственных способностях в настоящую экспериментальную и теоретическую дисциплину. Многие считали, что новые «электронные сверхмозги» обладают неограниченным интеллектуальным потенциалом. «Быстрее, чем Эйнштейн» — типичный заголовок. Но компьютер не только обеспечивает средство для создания объектов с искусственным интеллектом, но и инструмент для проверки теорий интеллекта, и многие теории не выдержали проверки — случай «из кресла в огонь». ИИ оказался сложнее, чем многие поначалу представляли, а современные идеи в результате намного богаче, тоньше и интереснее.

В настоящее время ИИ охватывает огромное количество подполей, от областей общего назначения, таких как восприятие и логическое мышление, до конкретных задач, таких как игра в шахматы, доказательство математических теорем, написание стихов и диагностика заболеваний. Часто ученые в других областях постепенно переходят к искусственному интеллекту, где они находят инструменты и словарь для систематизации и автоматизации интеллектуальных задач, над которыми они работали всю свою жизнь.Точно так же работники ИИ могут применить свои методы к любой области интеллектуальной деятельности человека. В этом смысле это действительно универсальное поле.

Что такое ИИ?

Теперь мы объяснили, чем интересен ИИ, но не сказали, что это такое. Мы могли бы просто сказать: «Ну, это связано с умными программами, так что давайте продолжим и напишем что-нибудь». Но история науки показывает, что полезно стремиться к правильным целям. Ранние алхимики, искавшие зелье для вечной жизни и способ превратить свинец в золото, вероятно, ошиблись. Только когда цель изменилась на поиск четких теорий, которые давали точные предсказания земного мира, точно так же, как ранняя астрономия предсказывала видимое движение звезд и планет, мог появиться научный метод и продуктивная наука. Определения искусственного интеллекта согласно восьми последним учебникам показаны в таблице ниже. Эти определения различаются по двум основным параметрам. Верхние связаны с мыслительными процессами и рассуждениями, тогда как нижние касаются поведения. Кроме того, определения слева измеряют успех с точки зрения человеческой деятельности, тогда как определения справа измеряют идеальную концепцию интеллекта, которую мы назовем рациональностью. Система рациональна, если она действует правильно.

Это дает нам четыре возможных цели в области искусственного интеллекта:

Исторически использовались все четыре подхода. Как и следовало ожидать, существует противоречие между подходами, ориентированными на человека, и подходами, ориентированными на рациональность. (Мы должны указать, что, проводя различие между человеческим и рациональным поведением, мы не предполагаем, что люди обязательно «иррациональны» в смысле «эмоционально нестабильны» или «сумасшедшие». Нужно просто отметить, что мы часто делают ошибки; не все мы гроссмейстеры, даже если знаем все правила игры в шахматы; и, к сожалению, не все получают на экзамене пятерку. Некоторые систематические ошибки в человеческом мышлении каталогизированы Канеманом и др..) Человек -центрированный подход должен быть эмпирической наукой, предполагающей гипотезу и экспериментальное подтверждение. Рационалистический подход предполагает сочетание математики и техники. Люди в каждой группе иногда бросают тень на работу, проделанную в других группах, но правда в том, что каждое направление дало ценные выводы. Давайте рассмотрим каждый из них более подробно.

Действовать по-человечески: метод теста Тьюринга

<УЛ>

обработка естественного языка, позволяющая успешно общаться на английском (или другом человеческом языке);

представление знаний для хранения информации, предоставленной до или во время допроса;

автоматизированное рассуждение для использования сохраненной информации, чтобы отвечать на вопросы и делать новые выводы;

машинное обучение для адаптации к новым обстоятельствам, а также для обнаружения и экстраполяции шаблонов.

компьютерное зрение для восприятия объектов и
роботы для их перемещения.

Мыслить по-человечески: подход к когнитивному моделированию

Если мы собираемся сказать, что данная программа думает как человек, у нас должен быть какой-то способ определить, как люди думают. Нам нужно проникнуть внутрь реальной работы человеческого разума. Есть два способа сделать это: с помощью самонаблюдения, когда мы пытаемся уловить собственные мысли, когда они проносятся, или с помощью психологических экспериментов. Когда у нас есть достаточно точная теория разума, становится возможным выразить эту теорию в виде компьютерной программы. Если поведение ввода/вывода и синхронизации программы соответствует поведению человека, это свидетельствует о том, что некоторые механизмы программы могут работать и у людей. Например, Ньюэлл и Саймон, разработавшие GPS, «Общее средство решения проблем» (Ньюэлл и Саймон, 1961), не были довольны тем, что их программа правильно решает проблемы. Они были больше озабочены сравнением следов его рассуждений со следами людей, решающих те же проблемы. Это контрастирует с другими исследователями того же времени (такими как Ван (1960)), которые были озабочены получением правильных ответов независимо от того, как это могут сделать люди. Междисциплинарная область когнитивной науки объединяет компьютерные модели искусственного интеллекта и экспериментальные методы психологии, чтобы попытаться построить точные и проверяемые теории работы человеческого разума. Хотя когнитивная наука сама по себе является увлекательной областью, мы не собираемся подробно обсуждать ее в этой книге. Время от времени мы будем комментировать сходства или различия между методами ИИ и человеческим познанием. Однако настоящая когнитивная наука обязательно основана на экспериментальном исследовании реальных людей или животных, и мы предполагаем, что читатель имеет доступ к компьютеру только для экспериментов.Мы просто отметим, что ИИ и когнитивная наука продолжают дополнять друг друга, особенно в области зрения, естественного языка и обучения. История психологических теорий познания кратко описана на стр. 12.

Рациональное мышление: законы мыслительного подхода

Греческий философ Аристотель был одним из первых, кто попытался систематизировать «правильное мышление», то есть неопровержимые процессы рассуждения. Его знаменитые силлогизмы предоставили модели для структур аргументов, которые всегда давали правильные выводы при правильных предпосылках. Например, «Сократ — человек; все люди смертны; следовательно, Сократ смертен». Предполагалось, что эти законы мышления управляют работой разума и положили начало области логики.

Развитие формальной логики в конце девятнадцатого и начале двадцатого веков, которое мы более подробно опишем в главе 6, обеспечило точную запись утверждений обо всех видах вещей в мире и отношениях между ними. (Сравните это с обычной арифметической записью, которая обеспечивает в основном утверждения равенства и неравенства для чисел.) К 1965 году существовали программы, которые могли, при наличии достаточного времени и памяти, взять описание проблемы в логической записи и найти решение проблемы. , если таковой имеется. (Если решения нет, программа никогда не перестанет его искать.) Так называемая логическая традиция в рамках искусственного интеллекта надеется использовать такие программы для создания интеллектуальных систем.

Есть два основных препятствия этому подходу. Во-первых, нелегко взять неформальное знание и сформулировать его в формальных терминах, требуемых логической нотацией, особенно когда достоверность знания составляет менее 100%. Во-вторых, существует большая разница между возможностью решить проблему "в принципе" и решением проблемы на практике. Даже задачи, содержащие всего несколько десятков фактов, могут истощить вычислительные ресурсы любого компьютера, если у него нет каких-либо указаний относительно того, какие шаги рассуждения следует предпринять в первую очередь. Хотя оба этих препятствия применимы к любой попытке построить вычислительные системы рассуждений, они впервые появились в логицистской традиции, потому что мощь систем репрезентации и рассуждений четко определена и достаточно хорошо изучена.

Рационально действовать: подход рационального агента

Действовать рационально означает действовать так, чтобы достичь своих целей, исходя из своих убеждений. Агент — это просто то, что воспринимает и действует. (Возможно, это необычное использование слова, но вы к нему привыкнете.) При таком подходе ИИ рассматривается как изучение и создание рациональных агентов.

В подходе ``законов мысли'' к ИИ весь упор делался на правильные выводы. Делать правильные выводы иногда является частью того, чтобы быть рациональным агентом, потому что один из способов действовать рационально - это логически рассуждать о том, что данное действие приведет к достижению целей, а затем действовать на основе этого вывода. С другой стороны, правильный вывод — это не только рациональность, потому что часто бывают ситуации, когда нет доказуемо правильного действия, но что-то все же необходимо сделать. Существуют также способы рационального действия, о которых нельзя обоснованно сказать, что они предполагают вывод. Например, отдергивание руки от горячей плиты – это рефлекторное действие, более успешное, чем более медленное действие, предпринятое после тщательного обдумывания.

Все «когнитивные навыки», необходимые для теста Тьюринга, позволяют совершать рациональные действия. Таким образом, нам нужна способность представлять знания и рассуждать с ними, потому что это позволяет нам принимать правильные решения в самых разных ситуациях. Нам нужно уметь генерировать понятные предложения на естественном языке, потому что произнесение этих предложений помогает нам выжить в сложном обществе. Нам нужно учиться не только для эрудиции, но и потому, что лучшее представление о том, как устроен мир, позволяет нам создавать более эффективные стратегии взаимодействия с ним. Нам нужно визуальное восприятие не только потому, что видеть весело, но и для того, чтобы получить лучшее представление о том, чего может достичь действие — например, способность видеть лакомый кусочек помогает двигаться к нему.

Поэтому изучение ИИ как рациональной конструкции агента имеет два преимущества. Во-первых, он более общий, чем подход «законов мышления», поскольку правильный вывод — это лишь полезный, а не необходимый механизм достижения рациональности. Во-вторых, он более поддается научной разработке, чем подходы, основанные на человеческом поведении или человеческом мышлении, поскольку эталон рациональности четко определен и совершенно общий. Человеческое поведение, с другой стороны, хорошо адаптировано к одной конкретной среде и отчасти является продуктом сложного и во многом неизвестного эволюционного процесса, который, возможно, еще далек от достижения совершенства. Поэтому в этой книге основное внимание будет уделено общим принципам рациональных агентов и компонентам их построения.Мы увидим, что, несмотря на кажущуюся простоту, с которой можно сформулировать проблему, при попытке ее решения возникает огромное разнообразие вопросов. В главе 2 некоторые из этих вопросов рассматриваются более подробно. Следует иметь в виду один важный момент: вскоре мы увидим, что достижение совершенной рациональности — всегда поступать правильно — невозможно в сложных условиях. Требования к вычислительным ресурсам слишком высоки. Однако на протяжении большей части книги мы будем придерживаться рабочей гипотезы о том, что понимание идеального процесса принятия решений — это хорошее начало. Это упрощает задачу и обеспечивает соответствующую настройку для большей части основного материала в полевых условиях. В главах 5 и 17 явно рассматривается проблема ограниченной рациональности — действия, соответствующие ситуации, когда не хватает времени для выполнения всех необходимых вычислений. Разделы «История искусственного интеллекта» в этой онлайн-версии опущены.

Современное искусство

Международный гроссмейстер Арнольд Денкер изучает фигуры на доске перед собой. Он понимает, что надежды нет; он должен отказаться от игры. Его противник, Hitech, становится первой компьютерной программой, победившей гроссмейстера в шахматной партии.

«Я хочу поехать из Бостона в Сан-Франциско», — говорит путешественник в микрофон. `` Какого числа вы будете путешествовать? '' ответ. Путешественница объясняет, что хочет вылететь 20 октября без остановок по самому дешевому доступному тарифу и вернуться в воскресенье. Программа распознавания речи под названием Pegasus обрабатывает всю транзакцию, что приводит к подтвержденному бронированию, что экономит путешественнику 894 доллара по сравнению с обычным проездом на автобусе. Несмотря на то, что распознаватель речи ошибается в одном слове из десяти, он способен устранить эти ошибки благодаря своему пониманию того, как строятся диалоги.

Аналитик в комнате операций миссии Лаборатории реактивного движения внезапно начинает обращать внимание. На экране вспыхнуло красное сообщение, указывающее на "аномалию" с космическим кораблем "Вояджер", который находится где-то в окрестностях Нептуна. К счастью, аналитик может исправить проблему с земли. Оперативный персонал считает, что эту проблему можно было бы не заметить, если бы не Marvel, экспертная система в режиме реального времени, которая отслеживает огромный поток данных, передаваемых космическим кораблем, выполняет рутинные задачи и предупреждает аналитиков о более серьезных проблемах.

Катаясь по шоссе за пределами Питтсбурга со скоростью 80 км/ч, мужчина на водительском сиденье кажется расслабленным. Так и должно быть — за последние 90 миль ему ни разу не пришлось прикасаться к рулю. Настоящий водитель — это роботизированная система, которая собирает данные с видеокамер, гидролокаторов и лазерных дальномеров, прикрепленных к фургону. Он сочетает эти входные данные с опытом, полученным в ходе тренировочных заездов, и успешно вычисляет, как управлять транспортным средством.

Ведущий специалист по патологии лимфатических узлов описывает чертовски сложный случай экспертной системе и изучает диагноз системы. Он насмехается над ответом системы. Лишь слегка обеспокоившись, создатели системы предлагают ему запросить у компьютера объяснение диагноза. Машина указывает основные факторы, влияющие на ее решение, и объясняет тонкое взаимодействие нескольких симптомов в данном случае. В конце концов эксперт признает свою ошибку.

С камеры, установленной на уличном фонаре над перекрестком, дорожный монитор наблюдает за происходящим. Если бы кто-нибудь из людей не спал, чтобы прочитать главный экран, они бы увидели «Citroen 2CV, поворачивающий с площади Согласия на Елисейские поля», «Большой грузовик неизвестной марки остановился на площади Согласия» и так далее в ночь. А иногда: "Крупный инцидент на площади Согласия, фургон столкнулся с мотоциклистом" и автоматический вызов экстренных служб.

Это всего лишь несколько примеров существующих сегодня систем искусственного интеллекта. Не магия и не научная фантастика, а наука, инженерия и математика, введением в которые является эта книга.

В основе когнитивной психологии лежит идея обработки информации.

Когнитивная психология рассматривает человека как процессора информации, во многом так же, как компьютер получает информацию и следует программе для получения результата.

Основные предположения

Подход к обработке информации основан на ряде предположений, в том числе:

(1) информация, предоставляемая окружающей средой, обрабатывается рядом систем обработки (например, внимание, восприятие, кратковременная память);
(2) эти системы обработки преобразуют или изменяют информацию в систематическими способами;
(3) цель исследования – определить процессы и структуры, лежащие в основе когнитивных функций;
(4) обработка информации у людей аналогична обработке в компьютерах.

Компьютер — аналогия разума

Развитие компьютеров в 1950-х и 1960-х годах оказало важное влияние на психологию и отчасти стало причиной того, что когнитивный подход стал доминирующим подходом в современной психологии (заменив бихевиоризм).

Компьютер дал когнитивным психологам метафору или аналогию, с которой они могли сравнить мыслительную деятельность человека. Использование компьютера в качестве инструмента для понимания того, как человеческий разум обрабатывает информацию, известно как компьютерная аналогия.

По сути, компьютер кодирует (то есть изменяет) информацию, хранит информацию, использует информацию и производит вывод (извлекает информацию). Идея обработки информации была принята когнитивными психологами как модель того, как работает человеческое мышление.

Например, глаз получает визуальную информацию и кодирует информацию в электрическую нейронную активность, которая возвращается в мозг, где она «хранится» и «кодируется». Эта информация может использоваться другими частями мозга, связанными с умственной деятельностью, такой как память, восприятие и внимание. Результатом (т. е. поведением) может быть, например, чтение того, что вы видите на печатной странице.

Следовательно, подход к обработке информации характеризует мышление как среду, обеспечивающую ввод данных, которые затем преобразуются нашими органами чувств. Информацию можно хранить, извлекать и преобразовывать с помощью «ментальных программ», результатом чего являются поведенческие реакции.

Когнитивная психология повлияла и интегрировалась со многими другими подходами и областями исследований, чтобы создать, например, теорию социального обучения, когнитивную нейропсихологию и искусственный интеллект (ИИ).

Обработка информации и выборочное внимание

Когда мы выборочно обращаем внимание на одно действие, мы, как правило, игнорируем другие стимулы, хотя наше внимание может быть отвлечено чем-то другим, например телефонным звонком или кем-то, кто называет наше имя.

Психологов интересует, что заставляет нас обращать внимание на одно, а не на другое (избирательное внимание); почему мы иногда переключаем наше внимание на то, что раньше оставалось без внимания (например, синдром вечеринки с коктейлем), и на скольких вещах мы можем сосредоточиться одновременно (объем внимания).

Один из способов концептуализации внимания — представить людей как обработчиков информации, которые могут обрабатывать только ограниченный объем информации за раз, не перегружаясь.

Бродбент и другие в 1950-х годах приняли модель мозга как системы обработки информации с ограниченными возможностями, через которую передается внешний ввод.

Процессы ввода связаны с анализом стимулов.
Процессы хранения охватывают все, что происходит со стимулами внутри мозга, и могут включать кодирование и манипулирование стимулами.
Процессы вывода отвечают за подготовку соответствующей реакции на стимул.

Критическая оценка

В рамках концепции обработки информации был предложен ряд моделей внимания, в том числе:

Модель фильтра Бродбента (1958 г.), модель затухания Трейсмана (1964 г.) и модель позднего отбора Дойча и Дойча (1963 г.).

Однако при изучении этих моделей и подхода к обработке информации в целом следует учитывать ряд оценочных моментов. К ним относятся:

Последовательная обработка фактически означает, что один процесс должен быть завершен до начала следующего.
Параллельная обработка предполагает, что некоторые или все процессы, связанные с когнитивной задачей, происходят одновременно.

Эксперименты с двумя задачами показали, что возможна параллельная обработка. Трудно определить, обрабатывается ли конкретная задача последовательно или параллельно, так как это, вероятно, зависит (а) от процессов, необходимых для решения задачи, и (б) от количества практики выполнения задачи.

Параллельная обработка, вероятно, чаще используется, когда кто-то обладает высокой квалификацией; например, опытный машинист думает на несколько букв вперед, а новичок сосредотачивается только на одной букве за раз.

<р>2. Аналогия между человеческим познанием и работой компьютера, используемая в подходе к обработке информации, ограничена.

Компьютеры можно рассматривать как системы обработки информации, поскольку они:

(i) комбинировать представленную информацию с сохраненной информацией для решения различных проблем, и

НО -

(i) человеческий мозг способен к обширной параллельной обработке, а компьютеры часто полагаются на последовательную обработку;

<р>3. Доказательства теорий/моделей внимания, подпадающих под подход обработки информации, в значительной степени основаны на экспериментах в контролируемых научных условиях.

Большинство лабораторных исследований являются искусственными, и можно сказать, что они не имеют экологической достоверности.

В повседневной жизни когнитивные процессы часто связаны с целью (например, вы уделяете внимание в классе, потому что хотите сдать экзамен), тогда как в лаборатории эксперименты проводятся изолированно от других когнитивных и мотивационных факторов.< /p>

Хотя эти лабораторные эксперименты легко интерпретировать, данные могут быть неприменимы к реальному миру за пределами лаборатории. Были предложены более современные экологически обоснованные подходы к познанию (например, Perceptual Cycle, Neisser, 1976).

Внимание в основном изучалось изолированно от других когнитивных процессов, хотя очевидно, что оно действует как взаимозависимая система со связанными когнитивными процессами восприятия и памяти.

Чем успешнее мы изучаем часть когнитивной системы изолированно, тем меньше наши данные говорят нам о когнитивных способностях в повседневной жизни.

<р>4. Хотя общепризнано, что информация, управляемая стимулом (восходящая снизу вверх), важна для познания, то, что человек привносит в задачу с точки зрения ожиданий/прошлого опыта, также важно.

Эти влияния известны как "нисходящие" или "концептуально управляемые" процессы. Например, прочтите треугольник ниже:

Ожидание (обработка «сверху вниз») часто замещает информацию, действительно имеющуюся в стимуле (снизу вверх), на который мы предположительно обращаем внимание. Как вы прочитали текст в треугольнике выше?

Ссылки на стиль APA

Бродбент, Д. (1958). Восприятие и общение. Лондон: Pergamon Press.

Дойч, Дж. А., и Дойч, Д. (1963). Внимание: некоторые теоретические соображения. Психологический обзор, 70, 80–90

Нейссер, У. (1967). Когнитивная психология. Нью-Йорк: Appleton-Century-Crofts.

Трейсман, А. (1964). Избирательное внимание у человека. Британский медицинский бюллетень, 20, 12–16.

Как ссылаться на эту статью:

Контент сайта Simply Psychology предназначен только для информационных и образовательных целей. Наш веб-сайт не предназначен для замены профессиональной медицинской консультации, диагностики или лечения.

сообщить об этом объявлении

Вычислительные модели (математическое представление) поведения людей позволяют использовать пользовательские интерфейсы (UI), которые могут автоматически рассуждать об обычном поведении пользователей, понимать и делать выводы о целях пользователей, предсказывать будущие действия пользователей и даже обучать пользователей при использовании интерфейсов. Однако современные модели часто делают специализированные прогнозы и классификации без учета основного человеческого поведения, что приводит к ошибочным представлениям о поведении (например, модели с отсутствующими параметрами, модели, построенные на ложных корреляциях в данных трассировок поведения) и, в свою очередь, к неправильному прогнозированию и неправильной классификации. Это распространенная ошибка при моделировании поведения на основе трассировок, хранящихся в журналах поведения, содержащих большое количество неразмеченных разнородных данных, которые нелегко понять с помощью традиционных подходов к исследованию данных. Чтобы решить эти проблемы, я применяю методологию создания моделей, основанных на теоретических знаниях о человеческом поведении, которые не только предсказывают поведение, но также могут объяснить и описать это поведение, чтобы свести к минимуму такие ошибки. Я анализирую поведение людей, чтобы формализовать его в математическом объяснении, которое реализую в виде вычислительной модели. Я проверяю модель, убеждаясь, что она соответствует эмпирическим данным о поведении. Мои модели синтезируют количественные данные из журналов поведения, которые можно собрать с помощью современных сенсорных технологий, в формате, который можно легко визуализировать и анализировать. Я иллюстрирую применение вычислительных моделей человеческого поведения в областях вычислительного взаимодействия, анализа поведенческих данных и интерфейсов, поддерживаемых данными человека. Я завершаю свое видение точного моделирования человека во всех областях как теоретической основы для работы в области взаимодействия человека с компьютером, в которой вычислительные модели обеспечивают количественный метод для изучения, описания и понимания сложного человеческого поведения и поддерживают проектирование, оптимизацию и оценку пользовательские интерфейсы.
Никола Банович — доктор философии.Кандидат Института взаимодействия человека и компьютера Университета Карнеги-Меллона. Его исследования сосредоточены на понимании и моделировании человеческого поведения для поддержки инновационных информационных технологий, которые изменят то, как мы изучаем и разрабатываем интерактивный пользовательский опыт, чтобы оказать положительное влияние на общество за счет улучшения качества жизни людей. Никола получил степень бакалавра наук с отличием и магистра наук в Университете Торонто. Никола — аспирант NSERC и сотрудник Yahoo! научный сотрудник и получил четыре бумажные награды за свою работу по моделированию и пониманию поведения людей.

Читайте также: