Выявление «скрытых» структур знаний

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.

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