Когнитивная наука Основы психологии познания том 2 Величковский Б М (стр. 85 из 118)

у человека. Далее, они позволяют записывать информацию однородно, являясь наиболее гомогенной формой организации программ из всех, известных на сегодняшний день. Так как каждая продукция не зависит от других, это облегчает дополнение системы новыми продукциями, выявляемыми при опросе и наблюдении за поведением испытуемых. Система продукции предполагает существование рабочей памяти, содержащей описание условий актуально реализуемых продукций и их результатов, а также операций сравнения и идентификации, нахождения подпрограмм и контроля за их развертыванием. Эти операции в системах продукции крайне просты, поэтому общее количество единиц оказывается в пределах «магического числа». Долговременная память интерпретируется как хранилище массива продукций, то есть связок «условие—действие». Наконец, работа моделей определяется балансом информации, поступающей из внешнего мира («внешней памяти») и создаваемой продукциями. Возникает известная непредсказуемость «поведения», столь характерная и для человека.

В области мышления этот этап исследований открыла монография Ньюэлла и Саймона (Newell & Simon, 1972), в которой они обобщили опыт моделирования доказательства геометрических теорем, решения криптоарифметических задач и игры в шахматы. Основным допущением этой работы является то, что мыслительные процессы — это процессы вычислений, а основным выводом — что по своей организации они являются системой продукции. С помощью систем продукции было проведено моделирование процессов решения множества простых познавательных задач. Так, Д. Массаро (Massaro, 1975) создал программы последовательного исчерпывающего, последовательного самооканчивающегося и контентно-адресуемого поиска в памяти. В последнем случае центр тяжести обработки переносится на этап фиксации элементов положительного множества, каждый из которых заносится в одну из специально пронумерованных ячеек памяти и снабжается маркером ответа. При предъявлении стимула информация о нем направляется прямо к соответствующей ячейке, вызывая записанный там ответ. В памяти модели, следовательно, могут храниться не только элементы, но и пары «стимул-ответ». Этот же принцип был реализован в другой программе (Newell, 1974a), моделирующей решение задач поиска в памяти, непосредственного запоминания, задач абстрагирования и выполнения арифметических вычислений.

Помимо этой и последующих работ Ньюэлла, Саймона и их коллег (например, Newell, 1990), процедурная репрезентация знания является основой большинства глобальных моделей понимания. Дж.Р. Андерсон (2002) использует ее в модели ACT-R, память которой разбита на две примерно равные части: систему пропозиций (декларативная часть) и систему продукций (см. 6.4.1 и 8.1.1). Такой диапазон моделей иллюстрирует возможности систем продукции, допускающих простое расширение набора операций и выделение их общих звеньев. В других моделях соотношение оказывается иным, вплоть до отказа от процедурного

303

знания. Это отражает ведущиеся в информатике споры о сравнительных достоинствах этих двух форм репрезентации¹³. Декларативные системы более обозримы и доступны для внешнего контроля, поэтому здесь легче извлекать нужную порцию сведений. Независимость от контекста позволяет также вводить общие алгоритмы расширения базы данных. Что касается процедурных систем, то они более эффективны, когда использование операций удается связать с тем специфическим контекстом (условиями), в котором они заведомо ведут к цели.

Психологически правдоподобное решение этой проблемы состоит в отказе от жесткого различения данных и операций. Например, в ранней системе представления знаний LNR, разработанной Д. Норманом, Д. Румелхартом и их сотрудниками, одна и та же информация может попеременно выступать то в одном, то в другом качестве. Как отмечают эти авторы, «то, что мы знаем, включено в то, что мы умеем делать» (Rumelhart & Norman, 1981). Обобщенные описания знания — схемы — это процедуры, сканирующие сенсорную информацию в поисках примеров репрезентированных ими понятий. Внутренняя структура схем при этом иррелевантна, существен лишь операциональный аспект. Декларативный аспект важен в тех случаях, когда появляется необходимость ассимиляции нового знания либо имеющиеся знания должны быть применены в новых условиях. Подобный перенос навыка решения, сравнение и обучение осуществляются в современных моделях (таких как LISA и EMMA — см. 8.2.1) прежде всего по типу решения задач на аналогии.

В качестве простейшей иллюстрации рассмотрим процедурное определение функции, извлекающей из памяти имена всех родителей индивида «х»:

родитель (дс): возврат узлов от «х» через «родитель».

Функцию ребенок (дг) можно определить как аналогичную функции родитель (jc) с «ребенок» вместо «родитель». Это приведет к появлению функции, извлекающей набор узлов семантической памяти, доступных от узла «х» с помощью указателя «ребенок». Если данные хранятся упорядоченным образом, то в результате можно получить список всех детей индивида «л». Если существует функция мужчина (дс), которая, действуя как фильтр, отбирает из множества «jc» тех индивидов, про которых можно сказать, что они являются мужчинами, то новую функцию отец (х) можно определить так:

отец (х) возврат мужчина (родитель (х))

Тогда при наличии функции женщина (х) (ее, разумеется, можно ввести по аналогии с функцией мужчина (х)) легко создать новые функции мать (jc), дочь (х), сын (дс), бабушка (дс), внучка (дс) и т.д., используя такие структурные отношения, как «мать» подобно «отец» с «женщина» вместо «мужчина», «дочь» подобно «мать» с «ребенок» вместо «родитель», «бабушка» подобно «мать» с родитель (дс) вместо «х» и т.п. Иными словами, декларативное описание отношений родства удается построить на основе двух или трех исходных процедур.

¹³ Отголоском этих споров является тезис Дж.Р. Андерсона о принципиальной произ-304 вольности моделей в когнитивной науке — его известная «теорема мимикрии» (см. 9.1.2).

Полезность подобного гибкого совмещения декларативных и процедурных способов описания материала также удается показать в рамках исследований по процедурной семантике, для которых характерно понимание значения как системы операций, позволяющих установить перцептивные референты понятия и возможности его использования. Хорошим примером здесь может служить использование понятийного знания для порождения новых лексических единиц, которое обсуждалось нами в предыдущих главах (см. 6.1.1 и 7.3.2).

К сожалению, примеров учета функциональных возможностей различных форм репрезентации знания в вычислительном подходе не так уж много. Так, в период расцвета глобальных моделей понимания рецензенты единодушно отмечали их слабую связь с эмпирическими данными (см. 6.4.1 и 8.1.1). Поскольку языки программирования и аналогичные формально-логические системы достаточно мощны, чтобы описать любой массив данных, а, с другой стороны, своеобразие их внутренней грамматической организации сводит возможность правильного предсказания новых психологических результатов к случайности, то и схема ги-потетико-дедуктивного исследования оказывается не достижением, а помехой. Возможно, именно поэтому наиболее резкая критика чрезмерного обилия фактов в когнитивной психологии и иррелевантности экспериментов исходит от представителей вычислительного подхода.

С практической точки зрения, наиболее важным развитием последних десятилетий стало создание экспертных систем — программных систем, моделирующих в рамках определенной проблемной области решение задач экспертами (см. 8.3.3). Экспертные системы состоят из двух основных компонентов: базы знаний и так называемой машины вывода, то есть собственно решателя задач. Базы знаний строятся при этом как процедурно-декларативные репрезентации, включающие факты и правила. В качестве технического, человеко-машинного «изделия» полноценная экспертная система дополнительно включает интерфейс пользователя и интерфейс разработчика (инженера по знаниям). Наконец, чрезвычайно важным оказалось присутствие специальной подсистемы, которая давала бы пользователю правдоподобное обоснование предлагаемых решений. Общей тенденцией стала постепенная трансформация экспертных систем в системы поддержки решений. К числу основных сфер применения этой основанной на формальном представлении знаний (knowledge-based) технологии относятся медицина, геология, юриспруденция, психологическая диагностика, а также учет и логистика, прежде всего в области электронной коммерции и банковского дела.

По утверждению разработчиков, экспертные системы в ряде случаев демонстрируют уровень знаний, равный среднему уровню знаний специалистов в соответствующих областях (Джексон, 2001). Более того, имеются примеры использования этой технологии для моделирования творческих достижений (как в случае системы поддержки индуктивных

305

умозаключений BACON, которая смогла на основании заранее выявленных, кодированных и введенных в компьютер данных «повторить» открытие законов Галилея, Кеплера и Ома). Самостоятельное значение имеет использование программ компьютерной графики в качестве инструмента визуализации, позволяющих человеку-эксперту делать новые открытия в медицине, геологии и математике, в частности, в теории чисел (Зенкин, 1996).