Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

geschikt voor het proces van modularisatie, maar dan voor slecht één module. Netwerken kunnen
niet aantonen hoe uit een starting state meerdere specialistische modules ontstaan.
Eisen aan de input. Connectionistische modellen kunnen één bepaalde taak uitvoeren. Dit is
vaak een taak, die versimpeld is en aangepast aan de mogelijkheden van hun architectuur. Er zijn
echter veel rijkere inputvectoren nodig om de manier waarop kinderen leren in echte, natuurlijke
situaties te kunnen modelleren. Ook zou de nadruk dan meer moeten liggen op het simuleren van
doelgericht gedrag. Dit laatste is iets, waar een hybride architectuur als ACT-R betere
mogelijkheden voor biedt (Anderson & Lebiere, 1998).
Eisen om de overgang van impliciete naar expliciete representaties te modelleren. Deze
overgang is precies het speerpunt van de RR-theorie. Neurale netwerken vermengen echter
inhoud en structuur. Daardoor kunnen ze nooit kenniscomponenten isoleren en ergens anders bij
gebruiken. Om de RR-theorie te kunnen modelleren, moeten we dus een architectuur hebben, die
kenniscomponenten kan isoleren en hergebruiken. Hiervoor is het wel nodig dat we weten hoe we
dat isoleren en hergebruiken kunnen laten ontstaan in het model. Het voordeel van ACT-R is, dat
structuur en inhoud wel netjes gescheiden zijn. Nadere bestudering van eerder ontwikkelde
modellen in ACT-R kan ons wellicht leren hoe we in deze architectuur het isoleren en
hergebruiken van kenniscomponenten kunnen laten ontstaan.
Uit bovenstaande opsomming blijkt wel dat de RR-theorie nogal pittige eisen stelt aan de
architectuur en de modellen. Het feit dat netwerken op veel punten tekort schieten, wil natuurlijk
nog niet zeggen dat andersoortige architecturen wel met de eisen uit de voeten kunnen. In de
volgende hoofdstukken kom ik hierop terug en spits ik de discussie nog meer toe op de
architectuur ACT-R.
4.2 Hoe zien de veranderende interne representaties er nu precies uit?
Om goede computermodellen van de RR-theorie te kunnen maken, moeten we een zeer
gedetailleerd inzicht hebben in hoe de door Karmiloff-Smith beschreven representaties er precies
uitzien. Dit is een zeer lastig punt. Karmiloff-Smith (1994) beschrijft haar RR-theorie als een softcore
framework, beschreven in verbale termen. Dit heeft als voordeel dat de grote lijn niet uit het
oog wordt verloren en een hoog niveau van abstractie bereikt kan worden. Het nadeel is echter
dat je niet veel op details hoeft in te gaan en het ook niet allemaal zo formeel hoeft aan te pakken.
Het gevolg is dat de RR-theorie eigenlijk nog helemaal niet klaar is om direct gemodelleerd te
worden. Hoe de herschreven representaties eruit zien, blijft een open vraag. De enige speculatie
die Karmiloff-Smith doet over RR-representaties in (connectionistische) computermodellen, luidt
als volgt:
"Thus, one would not want the entire trajectories of the network te be redescribed, but rather the
product of the most important ones. And the RR model postulates that redescribed knowledge
capturing abstract notions such as "verb" and "noun" must be in a different format than the original
level-I representations. In other words, redescriptions would have to be in a representational
format usable across networks which had previously processed different representations at the
input level." (Karmiloff-Smith, 1992, p. 187)
Dit betekent dat we nog een lange weg te gaan hebben om de representaties in een vorm gegoten
te krijgen, die enerzijds direct in een architectuur gestopt kan worden en anderzijds wel de
uitkomsten veroorzaakt, die in de experimenten worden beschreven. Hoofdstuk 3A: Van RRtheorie
naar RR-model zal een verslag zijn van hoe ik probeer het gat tussen het soft-core verbale
framework en het hard-core ACT-R framework te overbruggen. Het uiteindelijk ontwikkelde model
zal echter wel iets toe kunnen voegen aan de RR-theorie!
23