中国医科大学社会科学部 5.2.知识的符号－网络模型 激活－扩散模型 Collins&Loftus(1975) 改善层次模型，发展一个语义距离和语义关系的观点为核心的模型。 激活扩散模型（ spreading-activation model） 假设： 联结两个概念的连线长度具有理论意义，连线越短，概念联系越紧密。 上级关系以“是一种”或“不是一种”联结来表示。 改善的一点是“不是一种”：该模型能迅速判断某些紧密联结的概念不具有上级的关系。 如：学校是公共汽车。 提出：被试很快推翻这个句子，表明完整的搜索可能并没有执行。用预存知识（ prestored knowledge） 来描述这种不需要广泛记忆搜索的事实。 5.2.知识的符号－网络模型 激活－扩散模型 有关搜索过程一些假说： 当搜索到结点时，存储于其中的知识状态将发生改变。即搜索活动可被视为激活被搜索结点，这意味着知识处在一种高度可触接性（ Accessibility）。 哪一个结点被激活依赖于多种因素，其中包括搜索者的策略。 有证据表明：高度联系的结点激活具有不随意性。即激活沿着强连线辐射以使其他的结点具有可触接性。 激活扩散的决定性因素：最初激活的强度、从最初激活到目前的时间，当然结点间的语义距离会影响激活扩散的结果。 5.2.知识的符号－网络模型 ACT—R（1990～1993） ACT(adaptive control of thought): 思维的适应性控制。安德森（ J.Anderson） 等发展出一系列模型版本。 R（rational）： 理性的、合理的。 ACT—R 中知识的组织 ACT—R 中陈述性知识表象为“组快”；而程序性知识表象为产生式系统（ production system）. 产生式系统： 5.2.知识的符号－网络模型 产生式系统： 产生式规则组成，每一个产生式规则表述为“如果—那么”的规则，或者“条件—行动”对。 如果：指明规则运用的“条件”。 如果 天下雨 那么 带上你的雨伞 （带伞次数多） 如果 天下雨并且你不得不走出校园去乘公交车 并且你又没有雨衣 那么 带上你的雨伞 （带伞次数少） 条件越多，规则适用范围越窄，导致产生较少频率行为。 这里需要比前面的产生式规则满足更多的条件。 5.2.知识的符号－网络模型 产生式系统 由目标来组织。产生式可以有多个相关的目标。但是在每一时刻至少必须有一个目标处于激活状态。 如，得到加法结果－目标。35 ＋46 两个产生式系统 Next-Column( 下－列)。 Process-Column( 加工－列)。 5.2.知识的符号－网络模型 产生式系统如何决定特定产生式规则的适应顺序？ 在产生式系统执行完一个特定产生式规则后，还要执行模式匹配来决定下一步执行哪个产生式。 模式匹配： 检查工作记忆中的内容并且记录问题的哪一部分仍需解决。 系统把与当前状态相匹配的产生式规则应用于仍须完成的问题部分。 有时可以同时应用两个产生式规则，例如： 如果： 天下雨 那么： 带上你的雨伞 如果： 天下雨 那么： 穿上你的雨衣 5.2.知识的符号－网络模型 当两个产生式规则出现时，系统有时给一个规则以优先数字，系统将执行具有较高优先级的产生式。 “点火（ firing）” 与“循环( cycle)” 在产生式规则的部分行为执行后，我们把产生式称为“点火”。 通过“点火”，从模式匹配到冲突解决步骤的顺序称为活动“循环”。 产生式系统表象为认知技能，因此我们很少意识到它的运作。 每个产生式的内容储存在工作记忆中，因此，产生式系统的内容是陈述性的。5.2.知识的符号－网络模型 这些产生式系统是如何产生的？ 构建产生式系统的知识来源： 哪种类型的知识可以用来构建产生式系统？ 作业分析（ task analysis） 技术。 实验者询问完成一项作业需要什么知识、行为和行为条件； 然后，以一个特定作业产生式系统的形式编程； 作业分析中的原则： 每个产生式规则匹配条件的数量应该是合理的，也就是它不应该超过任何时间的人的工作记忆中能够活动的条件的数量。 在每个产生式规则中所提及的条件的复杂性。 5.2.知识的符号－网络模型 陈述记忆中的组块： 产生式系统在工作记忆中存储的内容： 组块（ chunk） 或工作记忆成分（ working-memory element）。 组块： 组块可以结合许多刺激，但是只有有限数量的刺激能结合到一个组块中。 组块成分被认为具有“排列特征”（ configural properties）。 组块间可能具有层次关系：两个独立组块可能组成一个高级组块。 5.2.知识的符号－网络模型 组块的表象 组块的“名字”是没有缩进的词； 例如：“问题1”和“列0”。 每个组块下面有不多于三行来表示组块中的三个特点或成分。这是组块的“内容”。 例如：在“问题”下面是“是一个数字列阵”和列的陈述。 表象是如何显示出组块间的层次关系。 层次高的组块包含有层次低的组块的名称。 第六章：知识的结构－联结主义取向 神经－网络模型（ neural-network models） 又称：联结主义模型（ connectionist model）、 分布式（ distributed）、 非符号的（ nonsymbolic processing） 加工。 这种取向试图产生与神经系统操作具有许多相同之处的认知模型。 分布表象中的有关概念： 研究的几种层次： 心理水平：有意识的存在。 神经水平：对神经系统活动的文字描述。 认知水平：神经系统活动的更抽象的层次。 我们很少会意识到认知系统和神经系统的活动。 第六章：知识的结构－联结主义取向 max.book118.com.实际和理想的神经元 神经元之间的联结可能有兴奋性和抑制性的。 神经元的动作电位：神经元连续处于两种状态中的一种。 神经元可以沿着轴突“释放”电冲动。这种放电称为动作电位。 引起神经元放电的原因：在接受到其他神经元足够的输入，超过它的放电阈限，就会看到动作电位。 每个神经元冲动可以传递到周围的几千个皮层神经元，每个小脑非皮层的普肯雅（ Purkinje） 细胞接受来自周围100000个细胞的输入。 皮层神经元是高度联系的是指：放电神经元对周围几千个神经元的效果是同时的。 max.book118.com.实际和理想的神经元 神经元信息的强度并不因为与它联系的临近细胞的数目而改变，信号从不会由于邻近细胞的联系而消弱或减弱。 信号有正负。 Rosenblarr(1958) 认为：神经元之间的计算不但是由它们之间兴奋连接而且也由抑制联结产生。 每个神经元通过总合所有来自其他神经元的兴奋和抑制性传递成为决策者。 放电和不放电依赖于总的输入是正和负的。 max.book118.com.实际和理想的神经元 理想神经元。 三个人工神经元—神经节（ neurode）A、B、C。 神经节的特征： 按层次排列； 底层通常为输入层；顶层标识为“输出”层。 与实际神经元之间的共性：输入层的神经节与输出层的每个神经节之间存在着联系。 如图所示：输入层和顶层的神经节之间也具有兴奋的和抑制性的联系。max.book118.com.转化函数转化函数的意义： 在真正的神经网络中，信息通常是以动作电位的方式在神经元之间传递的；在联结主义模型中，这种传递是由转化函数来执行的。 输入在整个系统中的传到：转化函数把输入传入系统并且描述输入在整个系统中扩散的途径。 如果输入单元 A 处于激活状态（强度为1），那么单元 A 输出0.3的激活。 如果输入单元 B 处于激活状态（强度为1），那么单元 B 输出-0.3的激活。 如果输入单元处于不激活状态，那么输出不激活。 输出单元 C 通常是所有输入单元激活的总和。 max.book118.com.转化函数 转化函数 转化函数表明： 如果输入单元 A 并且只有输入单元 A 处于激活，那么我们所创建的神经网络具有正的输出。 如果输入单元 B 并且只有输入单元 B 处于激活，那么单元 C 输出处于激活，那么单元 C 输出是负的。 如果两个输入单元都处于激活，那么单元 C 输出为0,0意味着在这种情况下没有真正的输出。 6.2.分布表象和符号表象之间的差异 神经节与结点相似。 神经节之间联结与结点之间联结相似。 神经网络与符号模型：表象知识和认知活动。 两种取向的差异：如何表象认知。 神经节较为“迟钝”。 结点能够储存大量信息：当一个结点激活时，可以触接大量信息，甚至超过一个命题。 一个结点是个复杂事情；而一个神经节只是一个简单的事情。 6.2.分布表象和符号表象之间的差异 特征： 当不同的输入神经节被激活时，输入模式是非常不同的。 在神经网络中狗的不同代码是由一系列输出单元的不同激活模式来表象的。 与每一结点代表的信息符号表象相比，在联结主义取向中，任何一个神经节都不包含信息，反之，信息被看作是整个交互作用的神经节的激活模式。 在回答信息存放在哪？联结主义的回答是信息扩散在整个网络中，有时我们称知识存在于神经网络的联结中或权重里。 根据符号的观点：失去一个结点确实会破坏一个系统；而联结主义认为：失去一个结点不会使系统失效。 联结主义与符号主义特征对比 符号模型强调的网络结点包含大量信息； 联结主义模型包含神经节，它本身并不能做许多事情； 在符号模型中，对特定信息储存在系统中哪个结点的询问是适当的，但是在联结主义模型中，知识被看作是交互成分集的激活模式； 在联结主义网络中特定知识并不储存在特定的地点； 在符号模型中特定结点的丢失会产生任务的严