Пт. Мар 1st, 2024

Знания, полученные от эксперта в прямом диалоге, имеют поверхностный характер и не отражают сложных механизмов мышления специалиста. Альберт Эйнштейн говорил: «Слова, написанные или произнесенные, не играют, видимо, ни малейшей роли в механизме моего мышления».

Известный психолог Л.С. Выготский научно обосновал, что мышление и речь имеют разные корни. В настоящее время известно, что язык выступа­ет в качестве материального носителя результатов мышления на предварительной и завершающей его стадиях. Ранее многие ученые придерживались иной точки зрения, например древнегреческий мыслитель Платон полагал, что если человек не может представить свое знание в виде правил, то это уже не знание, а ве­ра. Зигмунд Фрейд, отводя главную роль в человеческом поведе­нии бессознательному, считал, что оно ни при каких обстоятель­ствах не может стать сознательным, тем самым отвергая возмож­ность извлечения скрытых знаний.

Скрытые (имплицитные) знания служат основой интуитив­ного мышления. Интуиция позволяет человеку быстро прини­мать правильные решения в сложных ситуациях при недостаточ­ной информации. При этом полагают, что человек может неявно использовать ряд посылок в своих рассуждениях, а также обхо­диться без применения строгих правил логического вывода. Роль интуиции в принятии решений трудно переоценить. Поэтому проблемы извлечения, вербализации и использования импли­цитных знаний в ИИС всегда будут актуальными. В XX в. доми­нирующим направлением в теории познания было материалис­тическое, в рамках которого роль человека сводилась к сбору ин­формации об окружающей его объективной реальности и к пост­роению ее дискретных моделей. Эта парадигма положена в осно­ву архитектуры современных компьютеров, главной чертой кото­рых является дискретность обрабатываемой информации. Недо­статки дискретных моделей — это низкая скорость обработки ин­формации (по сравнению со способностями человека) и невоз­можность представления имплицитных знаний, которые сущест­вуют в невербальной форме.

Выдающийся когнитолог М.Хайдеггер предложил новый подход в теории познания, выдвинув гипотезу о том, что человек не может иметь объективных знаний об окружающей действи­тельности, ибо она структурируется человеком в зависимости от его целей, конкретных обстоятельств, ценностей и т.п. По мнению Хайдеггера, дискретные модели окружающего мира, претендующие на объективность, имеют небольшое значение в жизни человека. Главную роль в его деятельности играют имплицитные знания, навыки и живой опыт, которые существуют в не­вербальной, а следовательно, не в дискретной форме. Идеи Хайдеггера послужили основой коннекционистской (connect — свя­зывать, англ.) теории познания, положенной в основу моделей нейронных сетей. Коннекционистская модель не является дискретной, она не строится в явном виде, а появляется в результате обучения на примерах. Нейронные сети успешно применяются для имитации бессознательных знаний.

Как и следовало ожидать, решение одних проблем породило другие. Избавление от дискретности сопровождалось существен­ным снижением возможности структурного представления зна­ний. Поэтому перспективы развития теории познания и ее при­кладной ветви — методологии приобретения знаний интеллекту­альными системами связаны с интеграцией обоих подходов. Хо­рошей аналогией являются дифференциальные уравнения, явля­ющиеся непрерывными моделями реальных процессов, для ре­шения которых используются дискретные методы. Ниже будут кратко рассмотрены методы выявления скрытых знаний, разра­ботанные в психосемантике, а знакомство с моделями нейрон­ных сетей состоится в главе 5.

Психосемантика позволяет исследовать структуры сознания через моделирование индивидуальной системы знаний человека и выявлять элементы знаний, которые могут им не осознаваться (латентные, скрытые, имплицитные). Эта наука объединяет ме­тоды когнитивной психологии, психолингвистики, психологии восприятия и исследования индивидуального сознания.

Основным методом психосемантики является построение субъективных семантических пространств, для чего, как прави­ло, применяются статистические процедуры, а именно: много­мерное шкалирование, репертуарные решетки, факторный и кластерный анализ. Эти ме­тоды позволяют сгруппировать отдельные описательные призна­ки в более емкие категории-факторы.

Таким образом происходит переход к описанию предметной области на более высоком уров­не абстракции с помощью метаязыка выделенных категорий. Ис­следование свойств семантических пространств позволяет выяв­лять закономерности в конкретной области знаний.

Расположение первичных понятий в семантическом прост­ранстве существенно зависит от опыта и профессиональной ком­петентности испытуемых, что можно использовать для контроля знаний путем сопоставления семантических пространств хороших специалистов и новичков. Многочисленные исследования, проведенные в данном направлении, показали, что размерность семантического пространства уменьшается с повышением уров­ня квалификации специалистов. Этот факт согласуется с извест­ным положением когнитивной психологии о том, что процесс познания сопровождается обобщением.

Алгоритм построения семантического пространства включает три главных этапа.

  1. Выбор и применение метода оценки семантического сход­ства признаков, предъявляемых испытуемому.
  2. Построение структуры семантического пространства на ос­новании математического анализа полученной матрицы сходст­ва. При этом происходит уменьшение числа исследуемых поня­тий за счет обобщения.
  3. Идентификация и интерпретация выделенных факторных структур, кластеров, групп объектов, осей и т.д.

Рассмотрим пример построения семантического пространст­ва, отражающего сходство распространенных английских пред­логов. Пространство строилось с применением девятибалль­ной шкалы для оценки степени затруднения, возникающего у ис­пытуемого при выборе им предлога из рассматриваемой пары. Результатом обработки полученных данных методом многомер­ного шкалирования является семантическое пространство, отра­жающее сложность употребления английских предлогов для но­сителей русского языка. На рис. 1.1 показано пространство, построенное по данным, полученным от человека, хорошо владе­ющего английским языком. Семантическое пространство пост­роено в двух координатных осях: ось абсцисс соответствует пред­логам группы «направление — движение», а ось ординат — пред­логам «цели — средства». Пространство хорошо структурировано и наглядно показывает сходство и различие предлогов (чем боль­ше похожи предлоги, тем ближе соответствующие им точки на центральной окружности). Следует заметить, что пространство, построенное по данным «новичка», было совершенно не структу­рированным, т.е. в нем было практически невозможно выделить группы близких предлогов.

Рис. 1.1. Семантическое пространство сложности употребления английских предлогов для носителя русского языка

Методы многомерного шкалирования. Они основаны на стати­стических методах обработки экспертных оценок сходства между анализируемыми объектами, которые выбираются из определен­ной шкалы. Результаты обработки представляются в виде точек некоторого координатного пространства. Возможность визуализации результатов является безусловным преимуществом метода, однако она быстро утрачивается с увеличением размерности про­странства. Шкалированием называют поиск подпространства, для которого величинаимеет минимальное значение. Здесь

 — матрицы расстояний между объектами (признаками) в исходном пространствеи в искомом подпространстве и  — размерности соответствующих пространств. Если шкалирование превращается в проецирование на плоскость. Зна­чения расстояний в матрицах D могут выбираться экспертом из предложенной шкалы либо вычисляться по совокупности при­знаков, описывающих объект. Во втором случае расстояния мож­но вычислить разными способами. Одной из самых популярных метрик является евклидово расстояние

где — значения k-го признака уобъектов соответственно; К— общее число признаков.

Расстояния-метрики должны удовлетворять следующим ус­ловиям:

Метрическим шкалированием называют образование новых классов с использованием метрических расстояний. Этот тип об­работки данных ориентирован на максимальное сближение чис­ловых значений матриц. Существует также неметричес­кое шкалирование, которое не предъявляет жестких требований к сближению пространств и во многих случаях более оправдано в связи с условностью понятия «расстояние».

Важно отметить, что в шкалировании отыскиваются не новые признаки, а новые пространства, поэтому его результаты следует интерпретировать как восстановленную (на плоскости или в объ­еме) структуру расположения точек. Главными недостатками метода многомерного шкалирования являются:

  • субъективные оценки сходства между объектами и призна­ками обрабатываются как расстояния в пространстве, а результа­ты анализируются на основе геометрической интерпретации. Это ограничивает размерность выявляемых пространств и требует се­рьезного упрощения реальных знаний эксперта, следствием ко­торого могут стать неадекватные БЗ;
  • выделенные подпространства не имеют иерархической организации, что затрудняет их интерпретацию;
  • используется только один вид отношений между понятиями (отношение сходства).

Метафорический подход. Он ориентирован на выявление скрытых составляющих практического опыта эксперта и основан на сравнении объектов предметной области с абстрактными объ­ектами из мира метафор, в результате чего можно выявить новые свойства анализируемых объектов и определить отношение экс­перта к ним. Используя метафорические сравнения, эксперт вы­ходит за рамки объективности и действует в соответствии со сво­ими субъективными представлениями.

Метод репертуарных решеток. Предложен Дж. Келли в 1955 г., широко применяется в психологических исследованиях для выявления личностных свойств, которые проявляются через систему личностных конструктов. Этот метод может применять­ся и для извлечения знаний.

Репертуарная решетка представляет собой матрицу, которая заполняется экспертом. Столбцам матрицы соответствуют опре­деленные группы объектов (элементов), в качестве которых могут выступать люди, предметы, понятия, отношения, звуки и др. Строки матрицы соответствуют конструктам, которые представ­ляют собой биполярные признаки, параметры, шкалы, отноше­ния или способы поведения. Дж. Келли называл конструктом признак или свойство, определяющие сходство двух или не­скольких объектов и их отличие от других объектов. Иными сло­вами, конструкты — это признаки, которые могут использовать­ся для обобщения и разделения объектов на классы. Конструкты можно применить не к любым объектам, а только в некотором «диапазоне их пригодности».

Конструкты могут быть заданы аналитиком либо подбирают­ся самим экспертом. В последнем случае выделяются личност­ные конструкты, отражающие идеи или мысли, которые человек использует для осознания, интерпретации, объяснения или пред­сказания действительности. Примерами личностных конструк­тов могут быть «умный — глупый», «мужской — женский», «хоро­ший — плохой». Слово репертуарная означает, что анализируемые объекты выбираются по специальным правилам, так, чтобы они были связаны определенным контекстом аналогично репертуару ролей в пьесе. Второй смысл этого определения заключается в том, что в технике репертуарных решеток элементы часто задают­ся в виде обобщенных описаний, ролей, исполнителями которых каждый человек мысленно представляет знакомых ему людей или конкретные предметы.

Для выявления конструктов используются: последователь­ный метод, а также методы минимального контекста, самоиден­тификации и ролевой персонификации. В соответствии с мето­дом минимального контекста эксперту предъявляются произ­вольные «тройки» объектов и предлагается определить свойства, отличающие один объект от двух других. В результате определя­ются не только значения характеристик, но и сами характеристи­ки. Решетка формируется следующим образом. По одной из ее осей располагаются значимые конкретные объекты, а по другой — разряды (типы, роли), к которым они относятся. Распределив объекты по типам, эксперт заполняет первый ряд матрицы под колонками, обозначив три объекта кружочками. При этом он должен подобрать характеристику, которая обеспечивает сходст­во двух объектов и отличает их от третьего. Кружочки, соответствующие сходным объектам, перечеркиваются. В столбец с име­нем «полюс конструкта» записывается наименование признака, обеспечивающего сходство двух объектов, в столбец «противопо­ложный полюс» — имя признака, отличающего третий объект от двух сходных. Затем проводится анализ оставшихся в первом ря­ду объектов по выделенному положительному конструкту и га­лочками отмечаются объекты, обладающие этим свойством. Тра­диционная решетка должна быть квадратной, т.е. в матрице за­полняют число строк, равное числу объектов (типов). В общем случае это условие не является обязательным. Пример репертуар­ной решетки для выявления знаний о качестве рекламной продукции показан на рис. 1.2.

Анализ репертуарных решеток позволяет выявлять значимые для специалиста признаки (конструкты), определять силу и на­правленность связей между конструктами и строить из них связ­ную систему.

Самым распространенным и простым методом анализа ре­пертуарной решетки является кластерный анализ. Иерархичес­кая кластеризация осуществляется на основе выбора элементов матриц, имеющих наибольшее число связей. Кроме того, конст­рукты могут быть представлены как точки многомерного прост­ранства, плоскости которого определяются числом связанных с конструктами элементов. Факторный анализ пространства кон­структов позволяет судить об их значимости, а корреляционный анализ — выявлять значимые связи между ними.

Слабым местом в теории Дж. Келли является предположение о том, что человек может точно описать конструкты, которые он использует, чтобы объяснить, чем сравниваемые объекты похожи друг на друга и чем отличаются. Процедура выявления и вербали­зации конструктов очень утомительна для экспертов, поэтому во многих методиках используются готовые наборы конструктов, релевантные рассматриваемым объектам. Решетки Келли явля­ются удачным инструментом для выявления свойств личности через наборы субъективных параметров и предпочтений. О субъ­ективности полученных знаний нужно помнить при их последу­ющем использовании.

Известны программные средства для поддержки процессов извлечения знаний с использованием репертуарных решеток, среди них PLANET, AQUINAS, KRITON, SIMER+MIR .

Рис 1.2

Ads Blocker Image Powered by Code Help Pro

Обнаружен блокировщик рекламы! Пожалуйста, обратите внимание на эту информацию.

We\'ve detected that you are using AdBlock or some other adblocking software which is preventing the page from fully loading.

У нас нет баннеров, флэшей, анимации, отвратительных звуков или всплывающих объявлений. Мы не реализовываем эти типы надоедливых объявлений! Нам нужны деньги для обслуживания сайта, и почти все они приходят от нашей интернет-рекламы.

Пожалуйста, добавьте tehnar.info к вашему белому списку блокирования объявлений или отключите программное обеспечение, блокирующее рекламу.

Powered By
100% Free SEO Tools - Tool Kits PRO