Videó: Когнитивная психология #9. Коннекционизм и нейронные сети (сетевой подход в психологии) 2023, Március
Ez egy fájl a Stanford Enciklopédia Filozófia archívumában. Idézd ezt a bejegyzést Barátok PDF előnézete | InPho keresés | A PhilPapers bibliográfia
konnexionizmus
Első kiadása: 1997. május 18., vasárnap; érdemi felülvizsgálat, 2010. július 27., kedd
A konnektivizmus a kognitív tudomány egyik mozgalma, amely reméli, hogy az emberi szellemi képességeket magyarázza mesterséges ideghálózatokkal (más néven „idegi hálózatok” vagy „idegi háló”). A neurális hálózatok az agy egyszerűsített modelljei, amelyek nagy egységekből állnak (a neuronok analógjai), valamint súlyokkal, amelyek megmérik az egységek közötti kapcsolatok erősségét. Ezek a súlyok modellezik a szinapszis hatásait, amelyek az egyik neuront a másikhoz kötik. Az ilyen típusú modellekkel végzett kísérletek bebizonyították, hogy képes megtanulni az olyan képességeket, mint az arcfelismerés, az olvasás és az egyszerű nyelvtani szerkezet felismerése.
A filozófusok azért érdeklődtek a kapcsolatok iránt, mert ez alternatívát ígér az elme klasszikus elmélete számára: széles körben elterjedt nézet, miszerint az elme hasonlít a szimbolikus nyelvet feldolgozó digitális számítógéphez. Az utóbbi években forró viták merültek fel arról, hogy a kapcsolatrendszer paradigma hogyan és milyen mértékben jeleníti meg a klasszicizmus kihívását.
1. A neurális hálózatok leírása
2. Neurális hálózati tanulás és backpropagation
3. Minták a neurális hálózatok képességeiről
4. A neurális hálózati modellek erősségei és gyengeségei
5. A kapcsolatok és a klasszicisták közötti vita alakja
6. Konferencia képviselője
7. A szisztematika vita
8. Kapcsolat és szemantikus hasonlóság
9. Kapcsolat és a népi pszichológia megszüntetése
Bibliográfia
Egyéb internetes források
Kapcsolódó bejegyzések
1. A neurális hálózatok leírása
Egy idegi hálózat nagy számú egységből áll, amelyek összekapcsolódási mintázatban vannak összekapcsolva. A hálózat egységeit általában három osztályba sorolják: bemeneti egységek, amelyek a feldolgozandó információkat fogadják el, a kimeneti egységek, ahol a feldolgozás eredményei találhatók, és az úgynevezett rejtett egységek között lévő egységek. Ha egy idegháló modellezné az egész emberi idegrendszert, akkor a bemeneti egységek analógok lennének az érzékszervi neuronokkal, a kimeneti egységek a motoros neuronokkal, és a rejtett egységek az összes többi neuronnal.
Itt található egy egyszerű idegháló egyszerű bemutatása:
háló
Minden bemeneti egységnek van egy aktiválási értéke, amely a hálózaton kívüli bizonyos funkciókat képvisel. Egy bemeneti egység elküldi aktiválási értékét minden rejtett egységnek, amelyhez csatlakozik. Mindegyik rejtett egység kiszámítja a saját aktiválási értékét, a bemeneti egységektől kapott aktiválási értékek függvényében. Ezt a jelet ezután továbbítják a kimeneti egységekhez vagy a rejtett egységek másik rétegéhez. Ezek a rejtett egységek ugyanúgy kiszámítják aktiválási értékeiket, és elküldik őket szomszédaikhoz. A bemeneti egységek jele végül egészen a hálózaton terjed, hogy meghatározza az összes kimeneti egység aktiválási értékeit.
A hálózat által beállított aktiválási mintát az egységek közötti összeköttetés súlya vagy erőssége határozza meg. A súly lehet pozitív vagy negatív is. A negatív súly a fogadó egység gátlását jelenti a küldő egység aktivitásával. Az egyes fogadó egységek aktiválási értékét egy egyszerű aktiválási függvény alapján számítják ki. Az aktiválási funkciók részleteiben különböznek, de mindegyik ugyanazon alaptervnek felel meg. A függvény összeadja az összes küldő egység hozzájárulását, ahol az egység hozzájárulását a küldő és a fogadó egység közötti kapcsolat súlyának és a küldő egység aktiválási értékének szorzataként határozzuk meg. Ezt az összeget általában tovább módosítják, például:úgy, hogy az aktivációs összeget 0 és 1 közötti értékre állítja és / vagy az aktiválást nullára állítja, kivéve, ha az összeg küszöbszintjét elérik. A kapcsolatok képviselői feltételezik, hogy a kognitív működés az ilyen módon működő egységek gyűjteményével magyarázható. Mivel feltételezzük, hogy az összes egység nagyjából ugyanazt az egyszerű aktiválási funkciót számítja ki, az emberi szellemi teljesítménynek elsősorban az egységek közötti súly beállításától kell függnie.
A fent bemutatott hálót fajta előre-vissza nettó hálózatnak nevezzük. Az aktiválás közvetlenül a bemenetekről rejtett egységekre, majd tovább a kimeneti egységekre folyik. Az agy valósághűbb modelljei több réteg rejtett egységeket és ismétlődő kapcsolatokat tartalmaznának, amelyek jeleket küldnek vissza a magasabb szintről az alacsonyabb szintre. Ilyen megismétlődésre van szükség az olyan kognitív tulajdonságok magyarázata érdekében, mint a rövid távú memória. Egy előremenő hálózatban ugyanazon bemenet ismételt bemutatása mindig ugyanazt a outputot szolgáltatja, de még a legegyszerűbb szervezetek is megszokják, hogy ugyanazt az ingert ismételten megjelenítsék (vagy megtanulják figyelmen kívül hagyni). A kapcsolati szakemberek hajlamosak elkerülni az ismétlődő kapcsolatokat, mivel keveset tudnak a visszatérő hálózatok kiképzésének általános problémájáról. Elman (1991) és mások azonban haladtak némi előrelépésen az egyszerű, ismétlődő hálókkal,ahol a visszatérés szigorúan korlátozott.
2. Neurális hálózati tanulás és backpropagation
A kapcsolatok kutatásának központi célja az adott feladat elvégzéséhez a megfelelő súlykészlet megtalálása. Szerencsére olyan algoritmusokat dolgoztak ki, amelyek kiszámíthatják a sok feladat elvégzéséhez szükséges súlyokat. (Lásd a Hinton 1992-t az elérhető áttekintéshez.) Ezen oktatási módszerek egyik legszélesebb körben alkalmazott hátterjedése. Ennek a módszernek a használatához egy képzési készletre van szükség, amely sok bemeneti példából és azok kívánt kimeneteiből áll egy adott feladathoz. Ha például a feladat a férfi és a nő arcának megkülönböztetése, akkor az edzőkészlet arcokat tartalmazhat, és az egyesben ábrázolt személy nemének feltüntetése. A hálózatnak, amely ezt a feladatot megtanulhatja, lehet két kimeneti egység (jelölve a férfi és női kategóriákat) és sok bemeneti egység, az egyik a kép minden egyes pixeljének (apró területének) fényerejére irányul. A kiképzendő háló súlyát kezdetben véletlenszerű értékekre állítják, majd az edzőkészlet tagjai ismételten ki vannak téve a hálózatnak. A tag bemeneti értékeit a bemeneti egységekre helyezzük, és a hálózat kimenetét összehasonlítjuk az adott elem kívánt kimenetével. Ezután a nettó súlyokat kissé abban az irányban állítják be, amely közelebb hozza a nettó kimeneti értékeit a kívánt kimenethez. Például, amikor a férfi arcát bemutatják a bemeneti egységeknek, a súlyokat úgy állítják be, hogy a férfi kimeneti egység értéke megnő, a női kimeneti egység értéke pedig csökken. A folyamat sok ismétlése után a hálózat megtanulhatja előállítani a kívánt kimenetet az edzéskészlet minden egyes bemenetéhez. Ha a képzés jól megy,A nettó sokan megtanultak általánosítani a bemeneti és kimeneti adatok kívánt kimenetelére is, amelyek nem voltak az edzéskészletben. Például jó munkát végezhet, ha megkülönbözteti a hímeket a nőktől a képeken, amelyeket korábban még soha nem mutattak be neki.
Az emberi intelligencia szempontjainak modellezésére szolgáló képzőhálók képzőművészet. A hátsó szaporodás és más kapcsolattartó tanulási módszerek sikere az algoritmus és a képzési készlet meglehetősen finom beállításától függ. Az edzés általában több százezres súlyszabályzási körbe tartozik. Tekintettel a kapcsolatok kutatói számára jelenleg elérhető számítógépek korlátozására, a hálózat kiképzése érdekes feladat elvégzésére napokon vagy heteken át tarthat. A nehézségek egy része megoldható, ha a kifejezetten a neurális hálózati modellek futtatására tervezett párhuzamos áramkörök széles körben elérhetők. De még itt is meg kell akadályozni a tanulás kapcsolati kapcsolat elméleteinek néhány korlátozását. Az emberek (és sok kevésbé intelligens állat) képesek megtanulni az eseményeket;például egy állat, aki olyan ételt eszik, amely később gyomorpanaszokat okoz, soha többé nem próbálja meg ezt az ételt. A konnecionista tanulási technikák, mint például a hátsó szaporodás, messze nem magyarázzák az ilyen „egy lövés” tanulást.
3. Minták a neurális hálózatok képességeiről
A kapcsolati szakemberek jelentős előrelépést értek el az ideghálózatok hatalmának demonstrálásában a kognitív feladatok elsajátításához. Íme három jól ismert kísérlet, amelyek arra ösztönzik a kapcsolatokat képviselőket, hogy gondolják, hogy az idegi hálózatok az emberi intelligencia jó modelljei. Ezen erőfeszítések egyik legvonzóbb képe Sejnowski és Rosenberg 1987-es nettó munkája, amely képes olvasni a NETtalk nevű angol szöveget. A NETtalk oktatókészlete egy nagy adatbázis volt, amely angol nyelvű szöveget és annak megfelelő fonetikus kimenetét tartalmazott, egy beszédszintetizátorral való használatra alkalmas kódban. A NETtalk előadásának szalagjai képzésének különböző szakaszaiban nagyon érdekes hallgatni. Először a kimenet véletlenszerű zaj. Később a háló úgy hangzik, mint aki babrál,és később még mindig úgy, mintha angol kettős beszélgetést beszélne (olyan beszéd, amelyet az angol szavakra hasonlító hangok alkotnak). A képzés végén a NETtalk meglehetősen jó munkát végez a neki adott szöveg kiejtésében. Ez a képesség emellett meglehetősen jól általánosítja a szöveget, amelyet nem jelentettek meg az edzéskészletben.
Egy másik befolyásos korai kapcsolatok modellje volt a hálózat, amelyet Rumelhart és McClelland (1986) képzett az angol igék korábbi idejének előrejelzésére. A feladat azért érdekes, mert bár az angol igék többsége (a szokásos igék) az '-ed' utótag hozzáadásával alkotják az elmúlt időket, sok a leggyakrabban használt igék szabálytalanok ('van' / 'volt', 'jön') / 'jött', 'megy' / 'ment'). A hálót először nagyszámú szabálytalan igékből álló sorozaton, majd később 460 főleg normál szavakat tartalmazó igénél tanították. A hálózat megtanulta a 460 ige múltjának időtartamait mintegy 200 képzési körben, és elég jól általánosította azokat a igeket, amelyek nem tartoznak az edzéskészletbe. Még azt is megmutatta, hogy a szabálytalan igék között megtalálhatók-e a „szabályszerűségek” ('küld' / 'küldött', 'épít' / 'épített' 'fúj' / 'fújt', 'repül' / 'repült'). A tanulás során,mivel a rendszert kiégették a szabályosabb igéket tartalmazó edzőkészlettel, hajlamos volt túlszabályozni, azaz a szabálytalan és a szabályos formákat is kombinálni: ('törés' / 'törés', 'törés' / 'törés' helyett). Ezt több képzéssel javítottuk. Érdekes megjegyezni, hogy a gyermekekről ismert, hogy a nyelvtanulás során ugyanolyan hajlandóságot mutatnak a túlszabályozásra. Forró vita zajlik azonban arról, hogy a Rumelhart és a McClelland's jó modell-e annak, hogy az emberek valóban megtanulják és feldolgozzák az igevégződéseket. Például Pinker és Prince (1988) rámutattak, hogy a modell rossz munkát végez, ha általánosítja néhány új, szabályos igere. Úgy vélik, hogy ez a kapcsolatok alapját képező modellek alapvető kudarcának jele. A hálók jók lehetnek asszociációk létrehozására és a minták illesztésére,de alapvető korlátai vannak az általános szabályok elsajátításában, mint például a rendszeres múlt formálása. Ezek a panaszok fontos kérdést vetnek fel a kapcsolattartó modellezők számára, nevezetesen azt, hogy a hálók megfelelően tudnak-e általánosítani a szabályokat tartalmazó kognitív feladatok elsajátításához. Pinker és Prince ellenvetése ellenére sok kapcsolati képviselő úgy gondolja, hogy a megfelelő fajta általánosítás továbbra is lehetséges (Niklasson és van Gelder 1994).
Elman hálózatokkal kapcsolatos, 1991-ben végzett munkája, amelyek megítélhetik a nyelvtani szerkezetet, fontos következményekkel jár a vita során arról, hogy az idegi hálózatok megtanulhatják-e a szabályok elsajátítását. Elman kiképzett egy egyszerű ismétlődő hálózatot, hogy előre jelezze a következő szót egy nagy angol mondatban. A mondatokat egy egyszerű 23 szóból álló szókincsből alakították ki, az angol nyelvtan részhalmaza segítségével. A nyelvtan, bár egyszerű, kemény tesztet tett a nyelvi tudatosság szempontjából. Ez lehetővé tette a relatív záradékok korlátlan kialakítását, miközben megköveteli a fejnév és az ige közötti egyeztetést. Például a mondatban
Bármely ember, hogy üldözi a kutyák, hogy üldözőbe macskák … run s.
az egyes számú „ ember ” meg kell egyeznie az ige „run s"annak ellenére, hogy a többes főnevek (" kutyák "," macskák ") beavatkoznak, amelyek a" futás "kiválasztását okozhatják. Az Elman modell egyik fontos jellemzője az ismétlődő kapcsolatok használata. A rejtett egységek értékei úgynevezett kontextus egységekben kerülnek mentésre, amelyeket vissza kell küldeni a bemeneti szintre a feldolgozás következő fordulójára. Ez a visszatérés a rejtett rétegektől a bemeneti rétegekhez biztosítja a hálózat számára a bemeneti mondatban szereplő szavak sorozatának primitív memóriáját. Elman hálójai felbecsülték azoknak a mondatoknak a nyelvtani szerkezetét, amelyek nem voltak a képzési készletben. A net szintaxis parancsát a következő módon mértük. Az angol mondatban a következő szó előrejelzése természetesen lehetetlen feladat. Ezeknek a hálóknak azonban sikerült, legalább a következő intézkedéssel. Egy bemeneti mondat adott pontján,a szavak kimeneti egységeinek, amelyek abban a pontban a mondat nyelvtani folytatása, aktívnak kell lennie, és az összes többi szó kimeneti egységeinek inaktívnak kell lenniük. Intenzív edzés után Elman képes volt olyan hálókat előállítani, amelyek tökéletes teljesítményt mutattak ezen az intézkedésen, beleértve az edzőkészletben nem szereplő mondatokat.
Noha ez a teljesítmény lenyűgöző, még hosszú utat kell megtenni olyan képzési hálókon, amelyek nyelvet tudnak feldolgozni. Ezenkívül kétségek merültek fel az Elman eredményeinek jelentőségéről. Például Marcus (1998, 2001) azzal érvel, hogy Elman hálójai nem képesek ezt az előadást általánosítani egy új szókincsből összeállított mondatokra. Azt állítja, hogy ez azt jelzi, hogy a konjunkturális modellek csupán társítják az eseteket, és nem képesek igazán elsajátítani az absztrakt szabályokat. Másrészt Phillips (2002) szerint a klasszikus építészet ebben a tekintetben nem jobb. A kontiniszcionista modellek állítólagos képtelensége ilyen módon általánosítani a teljesítményt a szisztematikai vitában fontos témává vált. (Lásd az alábbi 7. szakaszt.)
A kapcsolattartó nyelvfeldolgozás megfelelőségével kapcsolatos kissé eltérő aggodalom azokra a feladatokra összpontosít, amelyek utánozzák a csecsemők egyszerű mesterséges nyelvtanának tanulását. A reakcióidőre vonatkozó adatok megerősítik, hogy a csecsemők megtanulják, hogy megkülönböztessék a jól formált és a rosszul formált mondatokat a kísérletezők által létrehozott új nyelvben. Shultz és Bale (2001) arról számolnak be, hogy sikerült ugyanabban a feladatban az ideghálók kiképzése. Vilcu és Hadley (2005) azzal érvelnek, hogy ez a munka nem bizonyítja a nyelvtan valódi elsajátítását, de a részletes választ lásd Shultz és Bale (2006).
4. A neurális hálózati modellek erősségei és gyengeségei
A filozófusok az ideghálózatok iránt érdeklődnek, mivel ezek új keretet nyújthatnak az elme természetének és az agyhoz való viszonyának megértéséhez (Rumelhart és McClelland 1986, 1. fejezet). A kapcsolatrendszer modellei különösen jól illeszkednek ahhoz, amit tudunk a neurológiáról. Az agy valójában egy idegháló, tömegesen sok egységből (idegsejtekből) és azok összeköttetéseiből (szinapszisai) állva. Ezen túlmenően az ideghálózati modellek számos tulajdonsága arra utal, hogy a kapcsolatrendszer különösen hű képet adhat a kognitív feldolgozás természetéről. A neurális hálózatok rendkívül rugalmasak a valós világ által támasztott kihívásokkal szemben. Az egységek zajos bevitele vagy megsemmisítése a funkció kecses romlását okozza. A nettó válasz továbbra is megfelelő, bár kissé kevésbé pontos. Ellentétben,A zaj és az áramköri veszteség a klasszikus számítógépekben általában katasztrófa meghibásodást eredményez. A neurális hálókat különösen jól alkalmazzák olyan problémákra, amelyekben sok egymással ellentétes korlátozás párhuzamos megoldása szükséges. A mesterséges intelligencia kutatásainak elegendő bizonyítéka van arra, hogy az olyan kognitív feladatok, mint a tárgyak felismerése, tervezése és még a koordinált mozgás is ilyen jellegű problémákat jelentenek. Noha a klasszikus rendszerek többszörös kényszer-elégedettségre képesek, a kapcsolatok képviselői szerint az ideghálózati modellek sokkal természetesebb mechanizmusokat nyújtanak az ilyen problémák kezelésére. A mesterséges intelligencia kutatásainak elegendő bizonyítéka van arra, hogy az olyan kognitív feladatok, mint a tárgyak felismerése, tervezése és még a koordinált mozgás is ilyen jellegű problémákat jelentenek. Noha a klasszikus rendszerek többszörös kényszer-elégedettségre képesek, a kapcsolatok képviselői szerint az ideghálózati modellek sokkal természetesebb mechanizmusokat nyújtanak az ilyen problémák kezelésére. A mesterséges intelligencia kutatásainak elegendő bizonyítéka van arra, hogy az olyan kognitív feladatok, mint a tárgyak felismerése, tervezése és még a koordinált mozgás is ilyen jellegű problémákat jelentenek. Noha a klasszikus rendszerek többszörös kényszer-elégedettségre képesek, a kapcsolatok képviselői szerint az ideghálózati modellek sokkal természetesebb mechanizmusokat nyújtanak az ilyen problémák kezelésére.
Az évszázadok során a filozófusok küzdenek annak érdekében, hogy megértsék fogalmaink meghatározását. Ma már széles körben elismert tény, hogy a közönséges fogalmak szükséges és megfelelő feltételekkel történő jellemzésének kudarcára van ítélve. Szinte minden javasolt meghatározás alóli kivétel mindig a szárnyakban vár. Például azt lehet javasolni, hogy a tigris egy nagy fekete és narancssárga macskaféle. De mi van az albínó tigrisekkel? A filozófusok és a kognitív pszichológusok azzal érveltek, hogy a kategóriákat rugalmasabban határozzák meg, például a család hasonlóságának vagy a prototípushoz való hasonlóságnak a megítélésén keresztül. A Connectionist modellek különösen alkalmasak az ilyen típusú tagság osztályozott fogalmainak alkalmazására. A hálók megtanulják értékelni a finom statisztikai mintákat, amelyeket nagyon nehéz kifejezni olyan kemény és gyors szabályokként. A kapcsolatrendszer ígéri megmagyarázni az emberi intelligenciában tapasztalható rugalmasságot és betekintést olyan módszerekkel, amelyeket nem lehet kifejezetten kifejezni kivétel nélküli elvek formájában (Horgan és Tienson 1989, 1990), ily módon elkerülve a törékenységet, amely a szimbolikus ábrázolás standard formáiból fakad.
Ezeknek az érdekes tulajdonságoknak ellenére vannak néhány gyengeség a konszencionista modellekben, amelyeket megemlíteni kell. Először is, a legtöbb ideghálózati kutatás kivonja az agy sok érdekes és esetleg fontos tulajdonságát. Például a kapcsolati képviselők általában nem próbálják kifejezetten modellezni a különféle agyi neuronok sokféleségét, sem a neurotranszmitterek és a hormonok hatásait. Ezenkívül egyáltalán nem világos, hogy az agy tartalmaz-e azokat a fordított kapcsolatokat, amelyekre szükség lenne, ha az agy megtanulna egy olyan folyamatot, mint a hátsó szaporodás, és az ilyen edzési módszerekhez szükséges óriási ismétlések száma messze nem reális. Ezekre a kérdésekre valószínűleg szükség lesz az emberi kognitív feldolgozás meggyőző kapcsolati modelleinek felépítésére. Komolyabb kifogást is teljesíteni kell. Széles körben elterjedt az érzés, különösen a klasszicisták körében, hogy az idegi hálózatok nem különösebben jók abban a szabályalapú feldolgozásban, amelyről azt gondolják, hogy aláveti a nyelvet, az érvelést és a gondolatok magasabb formáit. (Az ilyen ismert kritikát lásd Pinker és Prince 1988.) A szisztematikussal kapcsolatos vitához fordulva tovább tárgyaljuk az ügyet.
5. A kapcsolatok és a klasszicisták közötti vita alakja
Az elmúlt negyven évben a klasszikus nézet dominálta, miszerint az (legalább magasabb) emberi megismerés analóg a digitális számítógépek szimbolikus számításaival. A klasszikus számlán az információkat szimbólumok vonallal ábrázolják, ugyanúgy, mint a számítógépes memóriában vagy papírdarabokon szereplő adatokat. A kapcsolattartó viszont azt állítja, hogy az információt nem szimbolikusan tárolják a neurális háló egységei közötti súlyokban vagy kapcsolódási erõkben. A klasszicista úgy véli, hogy a megismerés a digitális feldolgozáshoz hasonlít, ahol a húrokat sorrendben állítják elő egy (szimbolikus) program utasításai szerint. A kapcsolati asszisztens a mentális feldolgozást a tevékenység dinamikus és fokozatos fejlődésének tekinti egy ideghálóban, az egyes egységek aktiválása a kapcsolat erősségeitől és szomszédainak aktivitásától függ,az aktiválási funkciónak megfelelően.
Ezzel szemben ezek a nézetek nagyon különböznek egymástól. Számos kapcsolat képviselője azonban nem látja munkáját a klasszicizmus kihívásaként, mások nyíltan támogatják a klasszikus képet. Az úgynevezett implementációs kapcsolati képviselők keresést keresnek a két paradigma között. Úgy vélik, hogy az agy hálója szimbolikus processzort hajt végre. Igaz, hogy az elme egy idegháló; de egyben szimbolikus processzor is a leírás magasabb és elvont szintjén. Tehát a kapcsolatalkotó kutatás szerepe az implementációs szakemberek szerint annak felfedezése, hogyan lehet a szimbolikus feldolgozáshoz szükséges gépeket kovácsolni az ideghálózati anyagokból, hogy a klasszikus feldolgozást az ideghálózati fiókra lehessen redukálni.
Számos kapcsolat képviselője ellenáll a megvalósítás szempontjából. Az ilyen radikális csatlakozók azt állítják, hogy a szimbolikus feldolgozás rossz kitalálás volt az elme működésére. Arra panaszkodnak, hogy a klasszikus elmélet rossz munkát végez azzal, hogy megmagyarázza a funkció kecses romlását, az adatok holisztikus ábrázolását, a spontán általánosítást, a kontextus felbecsülését és az emberi intelligencia sok más olyan tulajdonságát, amelyek a modellekben szerepelnek. Az a tény, hogy a klasszikus programozás nem felel meg az emberi kogníció rugalmasságának és hatékonyságának, világosságra utal arra, hogy a kognitív tudományban új paradigmára van szükség. Tehát a radikális kapcsolatok nem örökre kiküszöbölnék a szimbolikus feldolgozást a kognitív tudományból.
6. Konferencia képviselője
A konnecionista modellek új paradigmát biztosítanak annak megértéséhez, hogy az információk miként reprezentálhatók az agyban. Csábító, de naiv ötlet az, hogy egyetlen idegsejtet (vagy apró idegcsomót) szentelhetnének minden olyan anyag ábrázolására, amelyet az agynak rögzítenie kell. Elképzelhetjük például, hogy van egy nagymama neuron, amely akkor lő, amikor a nagymamánkra gondolunk. Ez a helyi képviselet azonban nem valószínű. Jó bizonyítékok vannak arra, hogy nagymamánk gondolata összetett tevékenységi mintákkal jár, amelyek megoszlanak a kéreg viszonylag nagy részein.
Érdekes megjegyezni, hogy a rejtett egységek helyett az elosztott, nem pedig a helyi ábrázolások a kapcsolatok gyakorlására szolgáló módszerek természetes termékei. Példaként szolgálnak a rejtett egységeken megjelenő aktiválási minták, amikor a NETtalk feldolgozza a szöveget. Az elemzés azt mutatja, hogy a hálózat megtanulta képviselni a mássalhangzók és magánhangzók kategóriáit, nem azáltal, hogy az egyik mássalhangzók számára aktív egységet és a magánhangzók számára aktív egységet hoz létre, hanem az, hogy két különböző jellegzetes tevékenységi mintát fejtsen ki az összes rejtett egységben.
Tekintettel a nyomtatott oldalon a helyi ábrázolás tapasztalatai alapján kialakult elvárásokra, az elosztott ábrázolás újszerűnek és nehezen érthetőnek tűnik. De a technika fontos előnyei vannak. Például az elosztott reprezentációk (ellentétben a különálló rögzített memória helyeken tárolt szimbólumokkal) viszonylag jól megmaradnak, amikor a modell egyes részeit megsemmisítik vagy túlterhelik. Ennél is fontosabb, hogy mivel a reprezentációk mintázatokban vannak kódolva, nem pedig az egyes egységek tüzelésekor, a reprezentációk közötti kapcsolatokat ezeknek a mintáknak a hasonlóságai és különbségei szerint kódolják. A reprezentáció belső tulajdonságai tehát információt tartalmaznak arról, hogy miről van szó (Clark 1993, 19). Ezzel szemben a helyi képviselet szokásos. Nincsenek a reprezentáció belső tulajdonságai (egység”s tüzelés) határozza meg annak kapcsolatát a többi szimbólummal. Az elosztott reprezentációk önjelentő jellegzetessége a jelentéssel kapcsolatos filozófiai vita megoldását ígéri. Egy szimbolikus reprezentációs sémában az összes reprezentáció szimbolikus atomokból áll (mint például egy nyelv szavai). A bonyolult szimbólum-karakterláncok jelentése meghatározható azáltal, hogy felépítik őket alkotóelemeikből, de mi rögzíti az atomok jelentését?de mi rögzíti az atomok jelentését?de mi rögzíti az atomok jelentését?
A konszekcionista reprezentációs rendszerek az atomoktól való egyszerű megszabadítással biztosítják a rejtvény körüli futást. Minden elosztott ábrázolás az egyes egységek tevékenységi mintája, tehát nincs egyszerű módszer különbséget tenni az egyszerű és összetett ábrázolások között. Az biztos, hogy a reprezentációk az egyes egységek tevékenységeiből állnak. De ezeknek az „atomoknak” egyike sem szimbolizálja. A reprezentációk szubszimbolikusak abban az értelemben, hogy az összetevők elemzése elhagyja a szimbolikus szintet.
Az elosztott ábrázolás szubimbolikus jellege új módszert kínál az agyban történő információfeldolgozás elképzelésére. Ha az egyes neuronok aktivitását egy számmal modellezzük, akkor az egész agy aktivitását egy óriási számvektor (vagy lista) segítségével adhatjuk meg, mindegyik neuronhoz egyet. Mind az agy érzékszervekből történő bevitele, mind az egyes izomsejtekbe történő bejuttatása ugyanolyan vektorokként kezelhető. Az agy tehát egy vektorprocesszornak felel meg, és a pszichológia kérdése olyan kérdésekké alakul, amelyekben a vektorokon végzett műveletek jelentik az emberi megismerés különféle aspektusait.
Az alszimbolikus ábrázolás érdekes következményekkel jár a klasszikus hipotézis szempontjából, miszerint az agynak szimbolikus reprezentációkat kell tartalmaznia, amelyek hasonlóak a nyelv mondataihoz. Ezt az elgondolást, amelyet gyakran gondolatnyelvnek (vagy LOT) tézisnek neveznek, a konszencionista reprezentációk jellege vitathatja. Nem könnyű pontosan megmondani, hogy a LOT tézise mennyire értendő, de van Gelder (1990) befolyásos és széles körben elfogadott referenciamutatót kínál annak meghatározására, mikor kell az agynak mondatszerű reprezentációkat tartalmazni. Az a helyzet, hogy ha egy ábrázolást megjelölnek, akkor megjelölik az ábrázolás alkotóelemeit. Például, ha azt írom, hogy „János szereti Máriát”, akkor így írtam a mondat alkotóelemeit: „János” „szereti” és „Máriát”. Az olyan összetett kifejezések eloszlatott ábrázolása, mint például a „John szereti a Maryt”, olyan részeket képezhet, amelyek nem tartalmazzák kifejezetten a részüket (Smolensky 1991). Az alkotóelemekre vonatkozó információ kinyerhető a reprezentációkból, de az ideghálózati modelleknek nem kell ezeket az információkat kifejezetten kinyerniük ahhoz, hogy helyesen dolgozzák fel őket (Chalmers 1990). Ez arra utal, hogy az ideghálózati modellek ellenpéldákként szolgálnak arra az elképzelésre, hogy a gondolkodás nyelve az emberi megismerés előfeltétele. A kérdés azonban továbbra is élénk vita témája (Fodor 1997).de a neurális hálózati modelleknek nem kell ezeket az információkat maguknak kifejezetten kinyerniük ahhoz, hogy helyesen dolgozzák fel azokat (Chalmers 1990). Ez arra utal, hogy az ideghálózati modellek ellenpéldákként szolgálnak arra az elképzelésre, hogy a gondolkodás nyelve az emberi megismerés előfeltétele. A kérdés azonban továbbra is élénk vita témája (Fodor 1997).de a neurális hálózati modelleknek nem kell ezeket az információkat maguknak kifejezetten kinyerniük ahhoz, hogy helyesen dolgozzák fel azokat (Chalmers 1990). Ez arra utal, hogy az ideghálózati modellek ellenpéldákként szolgálnak arra az elképzelésre, hogy a gondolkodás nyelve az emberi megismerés előfeltétele. A kérdés azonban továbbra is élénk vita témája (Fodor 1997).
Az elosztott és egymásra helyezett kapcsolattartó információk tárolásának újdonsága természetesen arra készteti a kérdést, hogy a szimbolikus számítás klasszikus fogalmai életképesek-e az agy leírásában. Ramsey (1997) azzal érvel, hogy bár szimbolikus reprezentációkat tulajdoníthatunk az ideghálóknak, ezek a hozzárendelések nem tükrözik a modell viselkedésének jogszerű magyarázatát. Ez az állítás azért fontos, mert a kognitív feldolgozás (és a népi intuíciók) klasszikus leírása azt feltételezi, hogy a reprezentációk magyarázó szerepet játszanak az elme megértésében. Széles körben elterjedt az a vélemény, hogy a kognitív tudomány a természeténél fogva olyan magyarázatokat igényel, amelyek vonzóak a reprezentációkra (Von Eckardt 2003). Ha Ramsey-nek igaza van, a pont kétféleképpen vághat le. Vannak, akik az elme új és nem klasszikus megértésének érvelésére használják,míg mások azt állítják, hogy a kapcsolat nem megfelelő, mivel nem tudja megmagyarázni, hogy mi kell. Haybron (2000) azonban Ramsey ellen azzal érvel, hogy rengeteg hely van a radikális kapcsolatok építészetében magyarázó reprezentációknak. Roth (2005) felhívja az érdekes figyelmet arra, hogy az első benyomásokkal ellentétben a továbbiakban is értelmezhető a háló viselkedésének magyarázata egy számítógépes programmal, még akkor is, ha nincs mód a számítás egyes lépéseinek megkülönböztetésére az idők során.akkor is ésszerű lehet értelmezni a háló viselkedését egy számítógépes programra való hivatkozással, még akkor is, ha nincs mód a számítás lépéseinek sorozatának megkülönböztetésére az idő múlásával.akkor is ésszerű lehet értelmezni a háló viselkedését egy számítógépes programra való hivatkozással, még akkor is, ha nincs mód a számítás lépéseinek sorozatának megkülönböztetésére az idő múlásával.
A klasszikus reprezentációk és a gondolkodási nyelv jelenlétéről folytatott vitát homályosította az egyértelműség hiánya annak meghatározásakor, hogy mit kell reprezentációs „járműveknek” tekinteni az elosztott neurális modellekben. Shea (2007) rámutat arra, hogy az elosztott reprezentációk individualizálását úgy kell meghatározni, hogy a rejtett egységek aktiválási mintái hogyan csoportosuljanak egymáshoz. A reprezentációs tartalmat hordozó, a csoportosulási régiók közötti kapcsolatok a lehetséges aktiválási minták területén, nem maguk az aktiválások, sem az aktiválásért felelős egységek gyűjtése. Ezen megértés alapján javulnak a kilátások az idegi hálózatok reprezentációs tartalmának meghatározására, amelyek összehasonlíthatók különböző architektúrájú hálózatokban, amelyek okozzák a feldolgozást,és amely kiküszöböli a jelentés holisztikus beszámolóival szembeni ellenvetéseket.
Horgan és Tienson (1989, 1990) egy sorozatban támogatták a szabályok nélküli reprezentációk nézetét. E nézet szerint a klasszicisták helyesen gondolják, hogy az emberi agy (és ezeknek jó kapcsolati modelljei) magyarázhatóan robusztus ábrázolásokat tartalmaznak; de tévednek azt gondolni, hogy ezek a reprezentációk olyan kemény és gyors szabályokba vezetnek be, mint egy számítógépes program lépései. Az a gondolat, miszerint a kapcsolati rendszerek rendszerszerű vagy hozzávetőleges szabályszerűségeket követhetnek („puha törvények”, ahogyan Horgan és Tienson hívják), intuitív és vonzó. Aizawa (1994) szerint azonban egy önkényes neurális hálózat reprezentációs szintű leírásával mindig kiemelkedő és gyors reprezentációs szintű szabályokkal bővíthető. Guarini (2001) azt válaszolja, hogy ha figyelünk olyan szabályok követésére, amelyek hasznosak a kognitív modellezésben,Aizawa konstrukciói a lényeg mellett fognak tűnni.
7. A szisztematika vita
A konszenzusról szóló filozófiai irodalomban a vita legfontosabb kérdései azzal kapcsolatosak, hogy a kapcsolati képviselők életképes és újszerű paradigmát biztosítanak-e az elme megértéséhez. Az egyik kifogás az, hogy a konjunkturális modellek csak az egyesületek feldolgozása során jók. De az olyan feladatok, mint a nyelv és az érvelés, nem csak asszociatív módszerekkel valósíthatók meg, így a kapcsolatalisták valószínűleg nem felelnek meg a klasszikus modellek teljesítményének, ha megmagyarázzák ezeket a magasabb szintű kognitív képességeket. Egyszerű kérdés azonban annak bizonyítása, hogy az idegi hálózatok bármit megtehetnek, amit a szimbolikus processzorok megtehetnek, mivel olyan hálók építhetők ki, amelyek utánozzák a számítógép áramköreit. Tehát nem lehet kifogásolni, hogy a konszencionista modellek nem felelnek meg a magasabb megismerésnek; inkább csak akkor tudják megtenni, ha végrehajtják a klasszicista „szimbolikus feldolgozó eszközök. Lehetséges, hogy a megvalósító kapcsolatszerűség megvalósul, de a radikális kapcsolatok nem fogják tudni elszámolni az elmét.
Fodor és Pylyshyn gyakran idézett cikke (1988) ilyen vitát indít. Megállapítják az emberi intelligencia olyan szisztematikának nevezett tulajdonságát, amelyet úgy vélik, hogy a kapcsolattartók nem tudják megmagyarázni. A nyelv szisztematikája arra a tényre utal, hogy az egyes mondatok előállítási / megértési / gondolkodási képessége lényegében kapcsolódik a kapcsolódó szerkezetű másokat létrehozó / megértő / gondolkodó képességhez. Például senki, aki angolul ismeri a „János szereti Máriát” megértését, nem érti meg „Mária szereti Jóniát”. Klasszikus szempontból e két képesség közötti kapcsolat könnyen magyarázható azzal a feltételezéssel, hogy az angol mesterek a „John loves Mary” alkotóelemeit ('John', 'loves' és 'Mary') képviselik, és a jelentését a ezen alkotóelemek jelentése. Ha ez így van,akkor egy olyan új mondat megértése, mint például: „Mary szereti John-t”, ugyanazon szimbolikus folyamat újabb példányának tekinthető. Hasonlóképpen, a szimbolikus feldolgozás figyelembe veszi az érvelés, a tanulás és a gondolkodás szisztematikáját. Megmagyarázná, hogy miért nem vannak olyan emberek, akik képesek P következtetést levonni a P & (Q & R) -től, de képtelenek levonni P-t a P & Q-ről, miért nem vannak olyan emberek, akik képesek lennének megtanulni a piros négyzet és a zöld négyzet előnyben részesítését, akik nem tudja megtanulni, hogy miként részesíti előnyben a zöld kockát, mint a piros négyzetet, és miért nincs senki, aki azt gondolja, hogy János szereti Máriát, és aki azt sem tudja elképzelni, hogy Mary szereti Jánosot. Megmagyarázná, hogy miért nem vannak olyan emberek, akik képesek P következtetést levonni a P & (Q & R) -től, de képtelenek levonni P-t a P & Q-ről, miért nem vannak olyan emberek, akik képesek lennének megtanulni a piros négyzet és a zöld négyzet előnyben részesítését, akik nem tudja megtanulni, hogy miként részesíti előnyben a zöld kockát, mint a piros négyzetet, és miért nincs senki, aki azt gondolja, hogy János szereti Máriát, és aki azt sem tudja elképzelni, hogy Mary szereti Jánosot. Megmagyarázná, hogy miért nem vannak olyan emberek, akik képesek P következtetést levonni a P & (Q & R) -től, de képtelenek levonni P-t a P & Q-ről, miért nem vannak olyan emberek, akik képesek lennének megtanulni a piros négyzet és a zöld négyzet előnyben részesítését, akik nem tudja megtanulni, hogy miként részesíti előnyben a zöld kockát, mint a piros négyzetet, és miért nincs senki, aki azt gondolja, hogy János szereti Máriát, és aki azt sem tudja elképzelni, hogy Mary szereti Jánosot.
Fodor és McLaughlin (1990) részletesen azzal érvelnek, hogy a kapcsolattartók nem veszik figyelembe a szisztematikát. Noha a kapcsolati modelleket fel lehet képezni arra, hogy szisztematikusak legyenek, úgy kiképzhetők például, hogy felismerjék a 'János szereti Máriát' anélkül, hogy felismernék a 'Mária szereti Jániát'. Mivel a kapcsolatok nem garantálják a szisztematikát, nem magyarázza meg, hogy miért találhatók ilyen szisztematikussá az emberi megismerés. A szisztematika létezhet a kapcsolatok építészetében, de ahol létezik, ez nem más, mint szerencsés baleset. A klasszikus megoldás sokkal jobb, mert a klasszikus modellekben az átfogó szisztematika ingyenes.
Nagyon nagy érdeklődést váltott ki a vád, miszerint a kapcsolattartó hálózatok hátrányos helyzetben vannak a szisztematika magyarázatában. Chalmers (1993) rámutat arra, hogy Fodor és Pylyshyn érvelése túl sokat bizonyít, mivel azt vonja maga után, hogy minden idegháló, még akkor is, ha klasszikus építészetet valósít meg, nem mutat szisztematikát. Tekintettel az ellentmondásos következtetésre, miszerint az agy idegháló, ebből következik, hogy a szisztematika az emberi gondolkodásban lehetetlen. Egy másik gyakran említett megcáfolás (Aizawa 1997; Matthews 1997; Hadley 1997b) az, hogy a klasszikus építészet nem magyarázza jobban a szisztematikát. Vannak olyan klasszikus modellek is, amelyek beprogramozhatók úgy, hogy felismerjék a "János szereti Máriát" anélkül, hogy felismernék a "Jézus szereti Jániát.„A lényeg az, hogy sem a konszekcionista építészet, sem a klasszikus építészet használata önmagában nem érvényesít elég erős korlátokat az átható szisztematika magyarázatára. Mindkét építészetben további feltételezéseket kell tenni a feldolgozás természetéről annak biztosítása érdekében, hogy a „Mary szeret Johnot” feldolgozása is megtörténjen.
Ennek a kérdésnek a megvitatásakor megemlíteni kell Fodor és McLaughlin követelményét, miszerint a szisztematikát névleges szükségszerűségként, vagyis a természeti jog kérdéseként kell magyarázni. A kapcsolati képviselõkkel szemben az a panasz, hogy bár szisztematikus rendszereket valósíthatnak meg, addig nem magyarázzák el, hacsak modelleikből nem következik szükségszerűen. A nominális szükséglet azonban nagyon erős, és a klasszikus építészet egyértelműen sem képes kielégíteni. Tehát az összekötőknek mondható kifogás e vonalon történő biztosításának egyetlen taktikája a szisztematika magyarázatának követelményének gyengítése lenne, amelyet a klasszikus építészet és a kapcsolatok nem képesek kielégíteni. Ilyen meggyőző eset még nem történt meg.
A szisztematikussal kapcsolatos vita fejlődésével a figyelem odafigyelésre került azon referenciaértékek meghatározására, amelyek válaszolnának Fodor és Pylyshyn kihívására. Hadley (1994a, 1994b) három szisztematikai márkát különböztet meg. A kapcsolati szakemberek egyértelmûen bebizonyították ezek közül a leggyengébbet azzal, hogy megmutatták, hogy az ideghálók megtanulhatják, hogy megfelelõen felismerjék az új szavak sorozatait (pl. „Mary szereti Jánosot”), amelyek nem voltak az edzõkészletben. Hadley azonban azt állítja, hogy egy meggyőző tagadásnak erős szisztematikát, vagy még jobb, erős szemantikai szisztematikát kell mutatnia. Az erős szisztematika megköveteli (legalábbis), hogy a „Mária szereti Jánosot” elismerését akkor is, ha a „Mária” soha nem jelenik meg a tantárgy helyzetében az edzéskészlet bármelyik mondatában. Az erőteljes szemantikai szisztematika szintén megköveteli, hogy a háló ne mutasson képességeket az új mondatok helyes szemantikai feldolgozása helyett, hogy pusztán megkülönböztesse a nyelvtani és a nemmatikus formákat. Niklasson és van Gelder (1994) az erős szisztematikán alapuló sikert követelték, bár Hadley azt kifogásolja, hogy ez a legjobb esetben határeset. Hadley és Hayward (1997) az erős szemantikai szisztematikával foglalkozik, ám Hadley saját elismerése alapján nem egyértelmű, hogy elkerülték a klasszikus építészet alkalmazását. Boden és Niklasson (2000) azt állítják, hogy olyan modellt építettek ki, amely megfelel legalább az erős szemantikai szisztematika szellemének, ám Hadley (2004) szerint még az erős szisztematikát sem bizonyították ott. Függetlenül attól, hogy pozitív vagy negatív képet mutat e kísérletekről,Nyugodtan mondhatjuk, hogy senki sem teljesítette a kihívást egy olyan neurális hálózat biztosításával, amely képes az összetett szemantikai feldolgozás megtanulására, és amely valóban új bemenetek teljes skálájára vonatkozik.
Kent Johnson (2004) szerint a szisztematikusságról szóló vita félrevezető. A nyelv vagy a gondolat szisztematikájának gondos meghatározására tett kísérletek akár triviálisságokat, akár hamisokat hagynak ránk. A kapcsolati szakembereknek bizonyosan meg kell magyarázniuk, mit kell tenniük, de Johnson azt ajánlja, hogy eredménytelen lenne terheiket a szisztematikusság szélén tekinteni. Ehelyett olyan neurális hálómodellek fejlesztésére van szükség, amelyek képesek egy nyelvet rekurzív szintaxissal feldolgozni, amelyek azonnal reagálnak a lexikon új tételeinek bevezetésére. A „szisztematikusság” vita valószínűleg már el is ment, amint azt Johnson tanácsolja, mivel az, amit Hadley erős szemantikai szisztematikának hív, az e cél irányába mutató siker jó mértéke.
8. Kapcsolat és szemantikus hasonlóság
A konszencionista modellekben megosztott reprezentációk egyik vonzereje, hogy megoldást javasolnak az agyi állapotok jelentésének meghatározására. Az ötlet az, hogy az aktivációs minták hasonlóságai és különbségei az idegi aktivitás különböző dimenziói mentén szemantikai információt rögzítenek. Ily módon az idegi aktivációk hasonlósági tulajdonságai olyan belső tulajdonságokat biztosítanak, amelyek rögzítik a jelentést. Fodor és Lepore (1992, 6. fejezet) azonban a hasonlóságon alapuló beszámolókat két fronton vitatja. Az első probléma az, hogy az emberi agy feltehetően jelentősen eltér a neuronok számában és a kapcsolatokban. Bár egyértelmű meghatározni a hasonlósági mutatókat két, azonos számú egységet tartalmazó hálózaton, nehezebb megérteni, hogyan lehet ezt megtenni, ha a két hálózat alapvető architektúrája eltér. A Fodor és Lepore által felvetett második probléma az, hogy még ha a jelentésekhez hasonló hasonlósági mutatók is sikeresen kidolgozhatók, nem elegendőek annak a célnak a teljesítéséhez, amelyet a jelentéselméletnek meg kell felelnie.
Churchland (1998) azt mutatja, hogy e két kifogás közül az első teljesíthető. Laakso és Cottrell (2000) munkáját idézve elmagyarázza, hogyan lehet meghatározni a radikálisan eltérő szerkezetű hálók aktivációs mintázatainak hasonlósági mutatóit. Laakso és Cottrell nemcsak azt mutatják, hogy az ugyanazon feladathoz kiképzett különböző struktúrájú hálózatok olyan aktivációs mintákat fejlesztenek ki, amelyek az általuk javasolt intézkedések szerint erősen hasonlóak. Ez reményt kínál arra, hogy a fogalmak és gondolatok empirikusan pontosan meghatározott mértékei hamisak lehetnek az egyes egyének között.
Másrészt a hasonlóságon alapuló hagyományos jelentéselmélet kidolgozása súlyos akadályokkal néz szembe (Fodor és Lepore 1999), mert ehhez az elmélethez mondatok igazságfeltételeket kell hozzárendelni részük jelentésének elemzése alapján, és nem világos, hogy önmagában a hasonlóság olyan feladatokon múlik, mint a jelölés rögzítése a standard elmélet igénye szerint. A legtöbb hasonlóságra épülő jelentésbeszélgetést támogató összekötők azonban a standard elméletek sok előfeltevését visszautasítják. Remélik, hogy működőképes alternatívát dolgoznak ki, amely vagy elutasítja, vagy módosítja ezeket az előfeltevéseket, miközben továbbra is hű az emberi nyelvi képességekkel kapcsolatos adatokhoz.
Calvo Garzon (2003) azt kifogja, hogy van ok arra gondolni, hogy a kapcsolati képviselõk kudarcot vallnak. A Churchland válasza nem válaszol a kiegészítő információkkal kapcsolatos kihívásra. Ez a probléma az, hogy egy emberi szervezetben egy fogalom (mondjuk: nagymama) aktiválási mintázatainak mért hasonlóságai garantáltan nagyon alacsonyak, mert két ember (összeegyeztethető) információk nagymamáikról (név, megjelenés, életkor, karakter) nagyon különbözőnek kell lenned. Ha a fogalmakat mindent meghatározzuk, amit tudunk, akkor fogalmaink aktiválási mintázatainak intézkedései messze vannak egymástól. Ez egy igazán mély probléma minden elméletben, amely azt reméli, hogy az értelmet az agyi állapotok közötti funkcionális kapcsolatok alapján határozza meg. Sok csíkkal rendelkező filozófusoknak kell küzdeniük ezzel a problémával. Tekintettel arra, hogy a tradicionális vagy a kapcsolatrendszer paradigmáiban hiányzik a sikeresen kidolgozott fogalomelmélet, igazságos a kérdést a jövőbeli kutatásokra hagyni.
9. Kapcsolat és a népi pszichológia megszüntetése
A kontiniszcionista kutatások másik fontos alkalmazása az elme filozófiai vitájához a népi pszichológia helyzetével kapcsolatos. A népi pszichológia az a fogalmi struktúra, amelyet spontán módon alkalmazunk az emberi viselkedés megértésére és előrejelzésére. Például, ha tudjuk, hogy John sört akar, és hogy azt hiszi, hogy van egy hűtőszekrényben, akkor megmagyarázhatjuk, miért ment a konyhaba John. Az ilyen tudás alapvetően függ attól, hogy képesek vagyunk-e elképzelni, hogy mások rendelkeznek vágyakkal és célokkal, azok kielégítését célzó tervekkel, és azon hitekkel, amelyek e terveket irányítják. Az a gondolat, hogy az embereknek vannak meggyőződései, tervei és vágyai, a hétköznapi élet általános gyakorlata; de hűen leírja-e azt, hogy mi valójában az agyban található?
Védői azzal érvelnek, hogy a népi pszichológia túl jó ahhoz, hogy hamis legyen (Fodor 1988, 1. fejezet). Mi többet kérhetünk egy elmélet igazságától, mint az, hogy nélkülözhetetlen keretet biztosít a másokkal folytatott sikeres tárgyalásokhoz? Másrészt az eliminátorok azt válaszolják, hogy a fogalmi séma hasznos és elterjedt használata nem érvel az igazság mellett (Churchland 1989, 1. fejezet). Az ókori csillagászok hasznosnak (sőt nélkülözhetetlennek) találták az égi gömbök fogalmát fegyelemük lebonyolításához, de most tudjuk, hogy nincsenek égi gömbök. Az eliminátorok szempontjából a népi pszichológiához való hűség, mint például a népi (arisztotelészi) fizika iránti hűség áll a tudományos haladás útján. Az életképes pszichológia megkövetelheti ugyanolyan radikális forradalmat fogalmi alapjaiban, mint a kvantummechanikában megtalálható.
Az eliminativistákat érdekli a kapcsolatok, mert ígéretét képezi annak megalapozására, amelyek helyettesíthetik a népi pszichológiát. Például Ramsey és munkatársai. (1991) azzal érveltek, hogy bizonyos előrejelző hálózatok azt mutatják, hogy az egyszerű kognitív feladatok elvégezhetők olyan funkciók alkalmazása nélkül, amelyek megfelelhetnek a hiedelmeknek, vágyaknak és terveknek. Feltételezve, hogy ezek a hálózatok hűek az agy működéséhez, a népi pszichológia fogalmai nem jobbak, mint az égi gömbök. Még ellentmondásos, hogy a kapcsolattartó modellek aláássák-e a népi pszichológiát. Két állításra lehet reagálni arra az állításra, hogy a konszencionista modellek támogatják az eliminativista következtetéseket. Az egyik kifogás az, hogy a Ramsey et al. előrejelző hálózatok, amelyek túl gyengék ahhoz, hogy magyarázzák a megismerés néhány legalapvetőbb tulajdonságát, például a rövid távú memóriát. Ramsey és munkatársai. nem bizonyították, hogy a hiedelmeknek és vágyaknak hiányozniuk kell az emberi megismeréshez megfelelő hálózatok osztályában. A megcáfolás egy második vonalát az állítja, hogy a hiedelmeknek és vágyaknak megfelelő tulajdonságok még a szóban forgó előrejelző hálókban is hiányoznak (Von Eckardt 2005).
A kérdést tovább bonyolítja a népi pszichológia természetével kapcsolatos nézeteltérések. Sok filozófus a népi pszichológia által feltételezett hiedelmeket és vágyakat szimbolikus tartalommal rendelkező agyállapotokként kezeli. Például azt a hitet, hogy a hűtőben sör van, úgy gondolják, hogy olyan agyi állapot, amely a sörnek és a hűtőszekrénynek megfelelő szimbólumokat tartalmaz. Ebből a szempontból a népi pszichológia sorsa szorosan kapcsolódik a szimbolikus feldolgozási hipotézishez. Tehát ha a kapcsolati képviselők megállapítják, hogy az agyfeldolgozás lényegében nem szimbolikus, akkor az eliminativista következtetések következnek. Másrészről, néhány filozófus szerint a népi pszichológia alapvetően szimbolikus, és mások még azt is megkérdőjelezik, hogy a népi pszichológiát elsősorban elméletként kell kezelni. Ezen koncepció szerintsokkal nehezebb összekapcsolni a kapcsolatok eredményeit a konnecionista kutatások és a népi pszichológia elutasítása között.
Bibliográfia
Aizawa, K., 1994, „Reprezentációk szabályok nélkül, konszencionizmus és a szintaktikai érvelés”, Synthese, 101: 465–492.
Aizawa, K., 1997, “Magyarázó szisztematika”, Elme és nyelv, 12: 115–136.
Aizawa, K., 1997, “Kiállítás és szisztematikusság magyarázata: Válasz Hadley-re és Hayward-ra”, Minds and Machines, 7: 39–55.
Bechtel, W., 1987, “Connectionism és az elme filozófiája: áttekintés”, The Southern Journal of Philosophy, 26 (Kiegészítés): 17–41.
Bechtel, W., 1988, “Connectionism, szabályok és reprezentációs rendszerek: kompatibilisek?”, Filozófiai pszichológia, 1: 5–15.
Bechtel, W. és Abrahamsen, A., 1990, Connectionism and the Mind: Bevezetés a párhuzamos feldolgozáshoz a hálózatokban, Cambridge, Mass.: Blackwell.
Boden, M. és Niklasson, L., 2000, „Szemantikus szisztematika és összefüggések a konjunkturális hálózatokban”, Connection Science, 12: 111–142.
Butler, K., 1991, „Egy konjunkturális kognitív építészet felé”, Mind and Language, 6: 252–272.
Calvo Garzon, F., 2003., „A konszekcionista szemantika és a kiegészítő információk kihívása”, Elme és nyelv, 18: 77–94.
Chalmers, D., 1990, „Szintaktikai transzformációk az eloszlott reprezentációkban”, Connection Science, 2: 53–62.
Chalmers, D., 1993, „Miért hibáztak Fodor és Pylyshyn: a legegyszerűbb cáfolás”. Philosophical Psychology, 6 (3): 305–319.
Christiansen, M. és Chater, N., 1994, „Generalization and Connectionist Language Learning”, Mind and Language, 9: 273–287.
Churchland, PM, 1995, Az ész motorja, a lélek ülése: Filozófiai utazás az agyba, Cambridge, Mass: MIT Press.
Churchland, PM, 1998, “Koncepcionális hasonlóság az érzékszervi és idegi sokféleségben: Megválaszolták a Fodor / Lepore kihívást”, Journal of Philosophy, 95: 5–32.
Churchland, PM, 1989, Neurokomputációs perspektíva: Az elme természete és a tudomány felépítése, Cambridge, Mass.: MIT Press.
Clark, A., 1989, Microcognition, Cambridge, Mass.: MIT Press.
Clark, A., 1993, Associative Engines, Cambridge, Mass.: MIT Press.
Clark, A., 1995, „Connectionist Minds”, McDonald (1995), 339–356.
Clark, A. és Lutz, R. (szerk.), 1992, Connectionism in Context, Springer.
Cotrell G. és Small, S., 1983, “A konszekcionista rendszer a szóérzék egyértelműsítésének modellezésére”, Cognition and Brain Theory, 6: 89–120.
Cummins, R., 1991, „A képviselet szerepe a kognitív képességek konszekcionista magyarázatában”, Ramsey, Stich és Rumelhart (1991), 91–114.
Cummins, R., 1996, “Szisztematika”, Journal of Philosophy, 93 (22): 561–614.
Cummins, R. és Schwarz, G., 1991, „Connectionism, Computation and Cognition”, T. Horgan és J. Tienson (1991), 60–73.
Davies, M., 1989, “Connectionism, modularitás és hallgatólagos tudás”, British Journal for the Philosophy of Science, 40: 541–555.
Davies, M., 1991, „Fogalmak, kapcsolat és a gondolkodás nyelve”, Ramsey et al. (1991), 229–257.
Dinsmore, J. (szerk.), 1992, The Symbolic and Connectionist Paradigms: Closing the Gap, Hillsdale, NJ: Erlbaum.
Elman, JL, 1991, “Elosztott ábrázolások, egyszerű visszatérő hálózatok és nyelvtani szerkezet”, Touretzky (1991), 91–122.
Fodor, J., 1988, Psychosemantics, Cambridge, Mass.: MIT Press.
Fodor, J., 1997, “Connectionism és a szisztematika problémája: Miért nem működik a Smolensky megoldása”, Cognition, 62: 109–119.
Fodor, J. és Lepore, E., 1992, Holism: Shopper's Guide, Cambridge: Blackwell.
Fodor, J. és Lepore, E., 1999: „Mindent a tengeren a szemantikai térben: az egyházi föld jelentése a hasonlóságon”, Journal of Philosophy, 96: 381–403.
Fodor, J. és McLaughlin, B., 1990, “Connectionism és a szisztematika problémája: Miért nem működik Smolensky megoldása?” Cognition, 35: 183–204.
Fodor, J. és Pylyshyn, Z., 1988, “Connectionism és kognitív architektúra: kritikus elemzés”, Cognition, 28: 3–71.
Garfield, J., 1997, „Mentalese itt nem szólt: A számítás megértése és okozati összefüggései”, Philosophical Psychology, 10: 413–435.
Garson, J., 1991, “Mit nem tudnak csinálni a konjunkturisták: A klasszikus intelligencia fenyegetése”, T. Horgan és J. Tienson (1991), 113–142.
Garson, J., 1994, „Megismerés klasszikus építészet nélkül”, Synthese, 100: 291–305.
Garson, J., 1997, “Szintaxis egy dinamikus agyban”, Synthese, 110: 343–355.
Guarini, M., 2001, „A konszekcionizmus védelme a szintaktikai érvekkel szemben”, Synthese, 128: 287–317.
Hadley, R., 1994a, “Szisztematika a konnecionista nyelvtanulásban”, Mind és nyelv, 9: 247–271.
Hadley, R., 1994b, “A szisztematika újraértékelve”, Mind és nyelv, 9: 431–444.
Hadley, R., 1997a, “Magyarázó szisztematika: Válasz Kenneth Aizawa-nak”, Minds and Machines, 7: 571–579.
Hadley, R., 1997b, „Megismerés, szisztematika és névleges szükségesség”, Elme és nyelv, 12: 137–153.
Hadley, R., 2004, „A szemantikus szisztematika megfelelő kezeléséről”, Minds and Machines, 14: 145–172.
Hadley, R. és Hayward, M., 1997, „Erõs szemantikus szisztematika a hebbiai konjunkturista tanulásból”, Minds and Machines, 7: 1–37.
Hanson, J. és Kegl, J., 1987, “PARSNIP: Egy kapcsolatépítő hálózat, amely megtanulja a természetes nyelv nyelvtanát a természetes nyelv mondataival szemben” - a Kognitív Tudományos Társaság kilencedik éves konferenciája, Hillsdale, NJ: Erlbaum, 106. oldal. -119.
Hatfield, G., 1991, „Reprezentáció az érzékelésben és a megismerésben: A konszenzista előnyei”, Ramsey et al. (1991), 163–195.
Hatfield, G., 1991, „Reprezentáció és szabály-észlelés a konjunkturális rendszerekben”, T. Horgan és J. Tienson (1991), 90–112.
Hawthorne, J., 1989, “A konszekcionista és a klasszikus modellek összeegyeztethetőségéről”, Philosophical Psychology, 2: 5–15.
Haybron, D., 2000, “A kapcsolati hálózatokban tárolt információk okozati és magyarázó szerepe”, Minds and Machines, 10: 361–380.
Hinton, G., 1992, “Hogyan tanulnak a neurális hálózatok a tapasztalatokból”. Scientific American, 267 (3): 145–151.
Hinton, G. (szerk.), 1991, Connectionist Symbol Processing, Cambridge, Mass.: MIT Press.
Hinton, G., 1991a, „A teljes hierarchiák feltérképezése Connectionist Networks-hez”, Hinton (1991), 47–76.
Hinton, G., McClelland, J., és Rumelhart, D., 1986, “Distributed Representations”, Rumelhart, McClelland, et al. (1986).
Horgan, T. és Tienson, J., 1989, „Reprezentációk szabályok nélkül”, Philosophical Topics, 17: 147–174.
Horgan, T. és Tienson, J., 1990, „Lágy törvények”, Midwest Studies in Philosophy, 15: 256–279.
Horgan, T. és Tienson, J. (szerk.), 1991, Connectionism and Philosophy of Mind, Dordrecht: Kluwer.
Horgan, T. és Tienson, J., 1996, Connectionism and Philosophy of Psychology, Cambridge, Mass.: MIT Press.
Johnson, K., 2004, “A nyelv és a gondolat szisztematikájáról”, Journal of Philosophy, 101: 111–139.
Laakso, A. és Cotrell, G., 2000, “Tartalmi és klaszteranalízis: A reprezentacionális hasonlóság felmérése a neurális rendszerekben”, Philosophical Psychology, 13: 47–76.
Macdonald, C. (szerk.), 1995, Connectionism: Debates on Psychological Magyarázat, Oxford: Blackwell.
Matthews, R., 1997, “Meg tudják magyarázni a konnektuálisok szisztematikáját?” Mind és nyelv, 12: 154–177.
Marcus, G., 2001, The Algebraic Mind, Cambridge, Mass.: MIT Press.
McClelland, J. és Elman, J., 1986, „A beszédérzékelés TRACE modellje”, Cognitive Psychology, 18: 1–86.
McClelland, J., Rumelhart, D., et al., 1986, Parallel Distributed Processing, II. Kötet, Cambridge, Mass.: MIT Press.
McLaughlin, B., 1993, „A kapcsolat és a klasszicizmus csata a lelkek megnyerése érdekében”, Filozófiai Tanulmányok, 71: 163–190.
Miikkulainen, T., 1993, Szimbolikus természetes nyelvfeldolgozás: A szkriptek, lexikon és memória integrált modellje, Cambridge, Mass.: MIT Press.
Niklasson, L. és van Gelder, T., 1994, “A szisztematikus kapcsolatépítés”, Mind és nyelv, 9: 288–302.
Phillips, S., 2002, „Magyarázza a klasszicizmus az egyetemességet?” Minds and Machines, 12: 423–434.
Pinker, S. és Mehler, J. (szerk.), 1988, Connections and Symbols, Cambridge, Mass.: MIT Press.
Pinker, S. és Prince, A., 1988, “A nyelvről és a kapcsolatról: A nyelv elsajátításának párhuzamosan elosztott feldolgozási modelljének elemzése”, Cognition, 23: 73–193.
Port, R. és van Gelder, T., 1991, „A nyelv szempontjainak reprezentálása”. A Kognitív Tudományos Társaság tizenharmadik éves konferenciájának folyóiratai, Hillsdale, NJ: Erlbaum.
Ramsey, W., 1997, „Nyernek-e a kapcsolati képviselők magyarázó megjegyzésüket?” Elme és nyelv, 12: 34–66.
Ramsey, W., Stich, S. és Rumelhart, D., 1991, Filozófia és Connectionist Theory, Hillsdale, NJ: Erlbaum.
Ramsey, W., Stich, S. és Garon, J., 1991, „Connectionism, Eliminativism and the Folk of Folk Psychology”, Ramsey, Rumelhart és Stich (1991), 199–228.
Roth, M., 2005., „Program végrehajtása Connectionist Networks-ben”, Mind and Language, 20: 448–467.
Rumelhart, D. és McClelland, J., 1986, „Az angol igék múltbeli igyekezetének tanulásáról”, McClelland és Rumelhart et al. (1986), 216-271.
Rumelhart, D., McClelland, J., és munkatársai, 1986, Parallel Distributed Processing, vol. I, Cambridge, Mass: MIT Press.
Sejnowski, T. és Rosenberg, C., 1987, „Párhuzamos hálózatok, amelyek megtanulják az angol szöveg kiejtését”, Complex Systems, 1: 145–168.
Servan-Schreiber, D., Cleeremans, A. és McClelland, J., 1991, „Osztályozott állapotú gépek: Az időbeli kontingenciák ábrázolása egyszerű visszatérő hálózatokban”, Touretzky (1991), 57–89.
Shastri, L. és Ajjanagadde, V., 1993, „Az egyszerű társulásoktól a szisztematikus érvelésig: a szabályok, változók és dinamikus kötés konjunkturális ábrázolása az időbeli szinkronizáció segítségével” Behavioral and Brain Sciences, 16: 417–494.
Shea, N., 2007, „Tartalom és annak mozgatórugói a kapcsolatrendszerben”, Elme és nyelv, 22: 246–269.
Shultz T. és Bale, A., 2001., „A csecsemők mesterséges mondatokkal való megismerésének neurális hálózatának szimulációja”, Infancy, 2: 501–536.
Shultz T. és Bale, A., 2006, „Az ideghálók az identitáshoz közeli kapcsolatot fedeznek fel az egyszerű szintaktikai formák megkülönböztetésére”, Minds and Machines, 16: 107–139.
Smolensky, P., 1987, „A konszenzionista mentális államok alapvető felépítése: Válasz Fodornak és Pylyshynnek.” A Southern Journal of Philosophy, 26 (Kiegészítés): 137–161.
Smolensky, P., 1988, „A konszekcionizmus megfelelő kezeléséről”, Behavioral and Brain Sciences, 11: 1–74.
Smolensky, P., 1991, „Tensor termékváltoztatható kötés és a szimbolikus struktúrák ábrázolása a Connectionist Systemsben”, Hinton (1991), 159–216.
Smolensky, P., 1995, “Alkatrészek felépítése és magyarázata az integrált kapcsolati / szimbolikus kognitív architektúrában”, MacDonald (1995).
St. John, M. és McClelland, J., 1991, „Kontextuális korlátok tanulása és alkalmazása a mondat megértésében”, Hinton (1991), 217–257.
Tomberlin, J. (szerk.), 1995, Philosophical Perspectives 9: AI, Connectionism and Philosophical Psychology, Atascadero: Ridgeview Press.
Touretzky, D., 1989, Advances in Neural Information Processing Systems I., San Mateo, CA: Kaufmann.
Touretzky, D., 1990, Neurális információfeldolgozó rendszerek fejlesztései II, San Mateo, CA: Kaufmann.
Touretzky, D., 1991, Connectionist megközelítések a nyelvtanuláshoz, Dordrecht: Kluwer.
Touretzky, D., Hinton, G., és Sejnowski, T., 1988, Proceedings of the 1988 Connectionist Models Nyári Iskola, San Mateo: Kaufmann.
van Gelder, T., 1990, „Kompozitivitás: Konferencia-variáció egy klasszikus témában”, Cognitive Science, 14: 355–384.
van Gelder, T., 1991, "Mi a" D "a PDP-ben?" a Ramsey et al. (1991), 33–59.
van Gelder, T és Port, R., 1993, „A szimbolikuson túl: Prolegomena a kompozíciós Kama-Szútra”, V. Honavar és L. Uhr (szerk.), Szimbólumfeldolgozás és Connectionist modellek az AI-ben és a kognícióban: lépések Integráció felé, Boston: Academic Press.
Vilcu, M. és Hadley, R., 2005, „Két látszólagos példák” Marcusra: Egy közelebbi pillantás, Minds and Machines, 15: 359–382.
Von Eckardt, B., 2003., „A mentális reprezentációk magyarázata a kognitív tudományban”, Elme és nyelv, 18: 427–439.
Von Eckardt, B., 2005, „Connectionism and the Propositional Attitudes”, C. Erneling és D. Johnson (szerk.), Az Elme mint tudományos objektum: Az agy és a kultúra között, New York: Oxford University Press.
Waltz, D. és Pollack, J., 1985, „Masszív párhuzamos elemzés: A természetes nyelv értelmezésének erősen interaktív modellje”, Cognitive Science, 9: 51–74.
Egyéb internetes források
David Chalmers (Arizonai Egyetem) összeállítási irodalom bibliográfia.
Connectionism: Rövid olvasmányok listája, fenntartója Ezra van Everbroeck (Kaliforniai Egyetem, San Diego).
