Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

proefpersonen is in sommige experimenten heel anders als gevolg van de veranderde
representaties. Bij andere experimenten zijn de veranderingen in gedrag heel subtiel. De prestatie
op de onderzoekstaak (percentage correcte acties) kan een tijdelijke dip vertonen als gevolg van
de veranderende representaties. Meestal proberen de proefpersonen in dit geval te strak vast te
houden aan een zojuist ontdekte regel of hypothese. Voorbeelden van subtiele
gedragsveranderingen op het E1-niveau zijn spontane verbeteringen bij gesproken taal en het
toevoegen van overbodige extra informatie aan de output.
In dit onderdeel van het literatuuronderzoek ga ik verder niet inhoudelijk in op de
experimenten. Ik beschrijf zeven RR-experimenten in hoofdstuk 2C: Selectie van twee geschikte
experimenten. Daarin ga ik ook in op de vraag welke experimenten geschikt zijn voor een
computationeel model. In de komende paragraaf wil ik me ook richten op cognitieve RR-modellen,
maar dan meer vanuit het standpunt van de theorie als geheel.
4 Gevolgen voor de RR-modellen
In deze paragraaf wil ik de eerste stap zetten om van de theorie naar de cognitieve modellen te
komen. In deze paragraaf wordt het echt interessant. Hoe kunnen we zicht krijgen op de eisen die
de theorie stelt aan RR-modellen? Wat zegt de RR-theorie over hoe die veranderende interne
representaties er nu precies uit zien? Laten we kijken welke antwoorden Karmiloff-Smith ons op
deze vragen kan geven.
4.1 Eisen die de RR-theorie zelf stelt aan RR-modellen
Het zou wel mooi en handig zijn als we uit de beschrijving van de RR-theorie een lijstje van eisen
kunnen halen, die aan RR-modellen worden gesteld. Karmiloff-Smith (1992) heeft eigenlijk maar
één hoofdeis: dat het model de overgang van impliciete naar steeds meer expliciete
representaties kan beschrijven. Zij ziet veel overeenkomsten tussen haar theorie en de
uitgangspunten van het connectionisme. Het blijkt echter dat connectionistische modellen heel
goed zijn in het beschrijven van het aanleren van vaardigheden op het I-niveau, maar daarna niet
verder komen. Het is onduidelijk of connectionistische modellen in de toekomst wel de
overgangen naar expliciete niveaus zouden kunnen modelleren, of dat dit een inherente
tekortkoming is van hun architectuur. Karmiloff-Smith is zelf erg enthousiast over het
connectionistische netwerken, maar zij zegt niets over de geschiktheid van andersoortige
architecturen, zoals symbolische of hybride architecturen. Het zou echter wel helpen de
mogelijkheden en tekortkomingen van deze drie soorten te vergelijken. In hoofdstuk 2D:
Computationele modellen van verandering zal ik deze vergelijking dan ook doen. In Beyond
Modularity bespreekt Karmiloff-Smith de voor- en nadelen van connectionistische netwerken.
Hieronder som ik deze op en probeer ik dit in verband te brengen met eisen die de RR-theorie aan
computationele modellen stelt.
Eisen aan de starting state. Vanaf het moment dat we als mens geboren worden, veranderen
ons brein en onze geest. Er komen meer neurale verbindingen, maar sommige verbindingen
verdwijnen ook weer. Op latere leeftijd is ons brein minder flexibel en liggen de meeste
verbindingen redelijk vast. Als je dus een model wilt maken van de ontwikkeling van een kind, dan
moet dat model ook zijn eigen architectuur kunnen aanpassen als functie van zijn input. Neurale
netwerken kunnen dit niet. Het aantal knopen ligt vantevoren al vast en kan niet uitgebreid
worden. Wel kunnen neurale netwerken aangeboren voorkeuren modelleren, door het
manipuleren van de beginwaarden van de verbindingen. Neurale netwerken zijn echter te
domeinspecifiek. Als de zaken geregeld zijn voor een bepaalde taak, dan kan het netwerk wel een
nieuwe taak leren, maar dan gaat de kennis over de eerste taak verloren. Dit maakt netwerken wel
22