Koncepční učení

Koncepční učení , také známé jako dosažení konceptu, je do značné míry založeno na dílech kognitivního psychologa Jeroma Brunera. Bruner, Goodnow, & Austin (1967) definoval dosažení konceptu (nebo učení konceptu) jako „hledání a výpis atributů, které mohou být použity k odlišení exemplářů od ne-exemplářů různých kategorií“. Jednodušeji řečeno, koncepty jsou mentální kategorie, které nám pomáhají klasifikovat objekty, události nebo myšlenky a každý objekt, událost nebo myšlenka má sadu společných relevantních vlastností. Koncepční učení je tedy strategie, která vyžaduje, aby studující porovnával a porovnával skupiny nebo kategorie, které obsahují konceptuálně relevantní rysy, se skupinami nebo kategoriemi, které neobsahují konceptuálně relevantní rysy.

Pojmové učení se také vztahuje k učebnímu úkolu, ve kterém je člověk nebo strojový student vyškolen ke klasifikaci objektů tím, že mu je ukázána sada ukázkových objektů spolu s jejich popisky tříd. Učitel zjednoduší to, co bylo pozorováno na příkladu. Tato zjednodušená verze toho, co bylo naučeno, pak bude aplikována na budoucí příklady. Pojmové učení se pohybuje v jednoduchosti a složitosti, protože učení se odehrává v mnoha oblastech. Když je koncept obtížnější, bude méně pravděpodobné, že student bude schopen zjednodušit, a proto bude méně pravděpodobné, že se bude učit. Hovorově je tento úkol znám jako učení se z příkladů. Většina teorií konceptového učení je většinou založena na ukládání ukázek a vyhýbá se sumarizaci nebo zjevné abstrakci jakéhokoli druhu.

Učení se recitováním něčeho zpaměti (vybavováním) nebo rozlišováním dvou věcí, které se liší (diskriminací) není totéž jako konceptuální učení.

2. Konkrétní nebo percepční pojmy

3. Definované (nebo relační) a přidružené pojmy

Konstrukce, jako je schéma a skript, jsou příklady komplexních konceptů. Schéma je organizace menších konceptů (nebo rysů) a je revidováno situačními informacemi, aby napomohlo porozumění. Skript na druhé straně je seznam akcí, kterými se člověk řídí, aby splnil požadovaný cíl. Příkladem skriptu je koupě CD. Existuje několik akcí, které musí nastat před samotným aktem koupě CD a skript vám poskytne potřebné akce a správné pořadí těchto akcí, abyste byli úspěšní při koupi CD.

Teoretickými otázkami, které jsou základem konceptuálního učení, jsou ty, které jsou základem indukce obecně. Těmito otázkami se zabývá mnoho rozličných literatur, včetně Version Spaces, Statistical Learning Theory, PAC Learning, Information Theory a Algorithmic Information Theory. Některé z obecných teoretických myšlenek jsou také diskutovány Watanabem (1969,1985), Solomonoffem (1964a,1964b) a Rendellem (1986).

Moderní psychologické teorie koncepčního učení

Je obtížné činit nějaká obecná prohlášení o lidském (nebo zvířecím) konceptuálním učení, aniž bychom již předpokládali určitou psychologickou teorii konceptuálního učení. Ačkoli klasické pohledy na koncepty a konceptuální učení ve filozofii hovoří o procesu abstrakce, komprese dat, zjednodušení a sumarizace, v současnosti populární psychologické teorie konceptuálního učení se rozcházejí ve všech těchto základních bodech.

Teorie konceptového učení založené na pravidlech

Teorie učení konceptů založené na pravidlech berou klasifikační data a teorii založenou na pravidlech jako vstup, které jsou výsledkem učení založeného na pravidlech s nadějí na vytvoření přesnějšího modelu dat (Hekenaho 1997). Většina modelů založených na pravidlech, které byly vyvinuty, jsou heuristické, což znamená, že racionální analýzy nebyly poskytnuty a modely nesouvisí se statistickými přístupy k indukci. Racionální analýza pro modely založené na pravidlech by mohla předpokládat, že koncepty jsou reprezentovány jako pravidla, a pak by se ptala, jakou míru víry by racionální činitel měl mít ve shodě s každým pravidlem, za předpokladu, že některé pozorované příklady (Goodman, Griffiths, Feldman, a Tenenbaum). Teorie učení konceptů založené na pravidlech jsou zaměřeny více na percepční učení a méně na učení definic. Pravidla mohou být použita v učení, když jsou podněty zaměnitelné oproti jednoduchému. Když jsou pravidla použita v učení, jsou rozhodnutí učiněna pouze na základě vlastností a spoléhají na jednoduchá kritéria, která vyžadují hodně paměti (Rouder a Ratcliff, 2004).

Doporučujeme:  Vynálezce (varianta role)

Příklad teorie založené na pravidlech:

„Radiolog používající kategorizaci založenou na pravidlech by sledoval,
zda specifické vlastnosti rentgenu splňují určitá
kritéria; existuje například extrémní rozdíl v jasnosti
v podezřelé oblasti vzhledem k ostatním oblastem? Rozhodnutí je
pak založeno pouze na této vlastnosti“ (Rouder a Ratcliff 2004)

Prototypová teorie koncepčního učení

Prototypový pohled na učení konceptů říká, že lidé abstrahují centrální tendenci (nebo prototyp) zkušených příkladů a používají to jako základ pro svá rozhodnutí o kategorizaci.

Prototypový pohled na učení konceptu říká, že lidé kategorizují na základě jednoho nebo více centrálních příkladů dané kategorie následovaných předponou klesajících typických příkladů. Z toho vyplývá, že lidé nezařazují na základě seznamu věcí, které všechny odpovídají definici; spíše hierarchické inventury založené na sémantické podobnosti s centrálním příkladem (příklady).

Pro ilustraci si představte následující mentální reprezentace kategorie: Sport

První ilustrace může demonstrovat mentální reprezentaci, pokud bychom měli kategorizovat podle definice:

Definice sportu: atletická aktivita vyžadující zručnost nebo fyzickou zdatnost a často soutěžní povahy.

Druhá ilustrace může demonstrovat mentální reprezentaci, kterou by Teorie prototypu předpověděla:

Jak vidíte, teorie prototypu předpokládá spojitější (méně diskrétní) způsob kategorizace, při kterém seznam neomezujeme na věci, které odpovídají definici kategorie.

Příkladné teorie koncepčního učení

Příkladná teorie je uložení specifických instancí (exemplářů), přičemž nové objekty jsou hodnoceny pouze s ohledem na to, nakolik se podobají specifickým známým členům (a nečlenům) dané kategorie. Tato teorie předpokládá, že učící se ukládají příklady doslovně. Tato teorie považuje konceptové učení za vysoce zjednodušující. Jsou zde zastoupeny pouze individuální vlastnosti. Tyto individuální vlastnosti nejsou abstraktní a nevytvářejí pravidla. Příkladem toho, na co by se Exemplární teorie podívala, je „voda je mokrá;“ prostě ví, že některé (nebo jeden, nebo všechny) uložené příklady vody mají vlastnost mokrou. Exemplární teorie se v průběhu let staly empiricky populárnějšími s některými důkazy, které naznačují, že lidé učící se používají příkladové strategie pouze v raném učení, formují prototypy a zobecnění později v životě. Důležitým výsledkem příkladových modelů v psychologické literatuře je de-důraz na složitost v konceptovém učení. Některé z nejznámějších příkladných teorií konceptuálního učení jsou
Generalizovaný kontextový model (GCM), Nosofskyho (1986) zobecnění Medin ans Schafferova (1978) kontextového modelu. Spojovací verze GCM, nazvaná ALCOVE, byla vyvinuta Kruschkem (1992). Model ALCOVE se zabývá konceptuálním učením zkušební verze. Při každé tréninkové zkoušce je ALCOVE prezentován s podnětem, provede predikci rozložení voleb kategorií, je prezentován se správnou klasifikací a pak upraví své asociativní váhy a dimenzionální síly pozornosti. Všechny tyto modely jsou shodné modely, které příkladné sady pro kategorii obsahují všechny příklady kategorie.

Doporučujeme:  Stockholmská univerzita

Problémy s Exemplární teorií

1. Podobnost mezi příklady

2. Pravidlo pro určení členství ve skupinách

Někdy je obtížné těchto opatření dosáhnout nebo je odlišit.

Teorie konceptového učení založené na vysvětlení

Základní myšlenka učení založeného na vysvětlení naznačuje, že nový pojem je získán prožíváním jeho příkladů a formováním jeho základního obrysu1. Jednoduše řečeno, pozorováním nebo přijímáním kvalit věci vytváří mysl pojem, který těmito kvalitami disponuje a je jimi identifikován.

Původní teorie navržená Mitchellem, Kellerem a Kedarem-Cabellim v roce 1986, zvaná zobecnění založená na vysvětlení, říká, že učení se děje prostřednictvím postupného zobecňování 2. Tato teorie byla poprvé vyvinuta k programování strojů, aby se učily. Když se aplikuje na lidské poznávání, překládá se jako takové – mysl aktivně odděluje informace, které se vztahují na více než jednu věc, a vkládá je do širšího popisu kategorie věcí. To se provádí identifikací dostatečných podmínek pro věc odpovídající kategorii, podobně jako schematizace.

– Zobecnění je proces, při kterém jsou rozpoznány a označeny vlastnosti pojmu, které jsou pro něj zásadní. Například ptáci mají peří a křídla. Jakákoliv věc s peřím a křídly bude označena jako „pták“.

– Když jsou informace seskupeny mentálně, ať už podle podobnosti nebo příbuznosti, skupina se nazývá chunk. Chunky se mohou lišit velikostí od jedné položky s částmi nebo od mnoha položek s mnoha částmi4.

– Koncept je operacionalizován tehdy, když je mysl schopna aktivně rozpoznat jeho příklady podle charakteristik a vhodně je označit5.

– Analogie je rozpoznání podobností mezi potenciálními příklady6.

Tato konkrétní teorie konceptového učení je relativně nová a nyní se provádí další výzkum, který ji testuje.

Bayesovské teorie koncepčního učení

Bayesovské teorie jsou ty, které přímo aplikují normativní teorii pravděpodobnosti k dosažení optimálního učení. Obvykle zakládají svou kategorizaci dat na posteriorní pravděpodobnosti pro každou kategorii, kde pro kategorii , Tento posteriorní je dán Bayesovým pravidlem,

kde je pravděpodobnost pozorování daných dat za předpokladu, že byly generovány z kategorie , je předchozí pravděpodobnost kategorie , a je mezní pravděpodobnost pozorování dat, která se obvykle nebere v úvahu. Obecně platí, že kategorie mající maximální zadní by byla zvolena pro dané údaje.

Bayesova věta je důležitá, protože poskytuje mocný nástroj pro pochopení, manipulaci a kontrolu data5, který zaujímá širší pohled, který se neomezuje pouze na analýzu dat6. Přístup je subjektivní a to vyžaduje posouzení předchozích pravděpodobností6, což jej činí také velmi složitým. Nicméně, pokud Bayesova prokáže, že nashromážděné důkazy a aplikace Bayesova zákona jsou dostatečné, práce překoná subjektivitu vstupů7. Bayesovská inference může být použita pro jakékoliv poctivě nashromážděné údaje a má velkou výhodu díky svému vědeckému zaměření6.

Jedním z modelů, který zahrnuje bayesovskou teorii konceptuálního učení, je model ACT-R, vyvinutý Johnem R. Andersonem. Model ACT-R je programovací jazyk, který pracuje na definování základních kognitivních a percepčních operací, které umožňují lidskou mysl vytvářením postupné simulace lidského chování. Tato teorie pracuje spolu s myšlenkou, že každý úkol, který lidé vykonávají, by se měl skládat z řady diskrétních operací. Model byl aplikován na učení a paměť, vyšší úroveň poznávání, přirozený jazyk, vnímání a pozornost, interakci člověka s počítačem, vzdělávání a počítačově generované síly.

Doporučujeme:  Čínská filozofie

Více informací k tomuto tématu najdete na stránce Wikipedie pro ACT-R

Kromě práce Johna R. Andersona, Joshua Tenenbaum byl přispěvatelem do oblasti konceptového učení; studuje výpočetní základ lidského učení a inference pomocí behaviorálního testování dospělých, dětí a strojů z Bayesovské statistiky a teorie pravděpodobnosti, ale také z geometrie, teorie grafů a lineární algebry. Tenenbaum pracuje na dosažení lepšího pochopení lidského učení ve výpočetní terminologii a snaží se vybudovat výpočetní systémy, které se přiblíží schopnostem lidských studujících.

Hlavní principy této teorie jsou:

1. Mít všechny tři primární žák úroveň výkonových forem (najít, používat, a pamatovat) současné přináší nejefektivnější výuku.

2. Primární prezentační formy mohou být prezentovány buď prostřednictvím strategie učení se vysvětlením nebo prostřednictvím strategie učení se vyšetřováním.

3. Pokud jsou v návodu obsaženy všechny primární prezentační formy, nezáleží na pořadí, v jakém jsou primární prezentační formy prezentovány.

4. Učitelé by měli mít kontrolu nad počtem instancí nebo cvičných předmětů, které obdrží.

Strojové učení přístupy k učení koncepce

To je začínající obor díky nedávnému pokroku v algoritmech, výpočetní síle a rozšíření informací na internetu. Na rozdíl od situace v psychologii problém konceptového učení v rámci strojového učení nespočívá v nalezení „správné“ teorie konceptového učení, ale v nalezení nejúčinnější metody pro daný úkol. Jako takové došlo k obrovskému rozšíření teorií konceptového učení. V literatuře o strojovém učení je toto konceptové učení typicky nazýváno spíše dohledovým učením nebo dohledovou klasifikací, na rozdíl od nekontrolovaného učení nebo nekontrolované klasifikace, ve které není studujícímu poskytováno třídní označení. Ve strojovém učení jsou algoritmy v Exemplární teorii známé také jako instance learners nebo lazy learners.

Pro strojové učení existují tři důležité úlohy.

1. Data Mining: jedná se o využití historických dat ke zlepšení rozhodování. Příkladem je pohled na lékařské záznamy a jejich aplikace na lékařské znalosti při stanovování diagnóz.

2. Softwarové aplikace, které nemůžeme programovat ručně: Příklady toho jsou autohomous jízdy a rozpoznávání řeči

3. Self-customizing programy: Příkladem toho je newsreader, který se dozví čtenáře konkrétní zájmy a zdůrazňuje je, když čtenář navštíví stránky.

Strojové učení má vzrušující budoucnost. Mezi některé budoucí výhody patří: učení se přes plná data o smíšených médiích, učení se přes více interních databází (včetně internetu a novinek), učení se aktivním experimentováním, učení se rozhodnutí spíše než předpovědí a možnost programování jazyků s vloženým učením.

Princip minimální délky popisu je formalizací Occamovy břitvy, ve které je nejlepší hypotézou pro daný soubor dat ta, která vede k největší kompresi dat. Stručně řečeno, data, která vykazují mnoho pravidelností a/nebo vzorů, mohou být komprimována, aniž by došlo ke ztrátě jakékoli důležité informace. Aplikujeme-li to na učení, můžeme dojít k závěru, že čím více pravidelnosti a/nebo vzorů jsme schopni v datech najít, tím více jsme se o datech dozvěděli.

Pro ilustraci si představte následující jako znázornění dvou souborů dat:

Set 1: 1001101110110110010110110001100101101 Set 2: 011011011011011011011011011011011011011011011011011

Sada 1 se jeví jako náhodná, ale my se sadou 2 jsme schopni detekovat vzor, čímž nám umožňuje popsat ji jako „011 opakující se třináctkrát.