Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

2D: Computationele modellen van verandering
1 Inleiding
In hoofdstuk 2A: De Representational Redescription theorie heb ik al een eerste stap gemaakt van
de theorie naar de te ontwikkelen cognitieve modellen. In de laatste paragraaf daarvan beschreef
ik wat Karmiloff-Smith zelf aan heeft gegeven als belangrijke punten en eisen voor modellen van
de RR-theorie. In dit literatuuronderzoek wil ik verdergaan met onderzoeken aan welke eisen de
modellen moeten voldoen en welke tussenstappen ik moet nemen om tot een ACT-R model te
komen. Nu zal ik mij echter niet beperken tot Karmiloff-Smith zelf, maar juist ook andere auteurs
raadplegen. Ik zal me verdiepen in de computationele modellen die reeds bestaan van
ontwikkelingspsychologische theorieën. Ik leg hierbij de nadruk op modellen die aangeven hoe je
van impliciete naar expliciete representaties kunt overgaan. Er bestaan zowel connectionistische
als symbolische modellen die zich hiermee bezig houden. In de volgende subparagrafen ga ik in
op het verschil in uitgangspunten en mogelijkheden van beide soorten modellen. In paragraaf 2
zal ik vervolgens een aantal connectionistische modellen onder de loep nemen. Daarna zijn de
symbolische en hybride modellen aan de beurt. Tot slot probeer ik te concluderen wat ik kan leren
van deze eerder ontworpen modellen en beschrijf ik waaraan de door mij te ontwikkelen modellen
moeten voldoen.
1.1 Connectionisme en symbolisme
Binnen het connectionisme werkt men met kunstmatige neurale netwerken. De manier waarop
deze zijn vormgegeven is gebaseerd op hoe de menselijke hersenen en het centrale zenuwstelsel
biologisch in elkaar zitten. Natuurlijk zijn de connectionistische modellen wel altijd een
versimpeling van de werkelijkheid. Over het algemeen wordt vantevoren bepaald hoeveel cellen
(units) het netwerk heeft en hoe de verbindingen lopen. Door middel van een leermechanisme
wordt dan tijdens een trainingsperiode de sterke van de verschillende verbindingen bepaald. Eén
bepaald netwerk kan één bepaalde taak uitvoeren. Verderop in dit literatuuronderzoek zullen we
wat geavanceerdere netwerken tegenkomen, die juist wel tijdens het leren hun architectuur nog
aan kunnen passen. Deze netwerken beginnen met een bepaald aantal units, maar breiden dit
aantal uit als dat nodig is tijdens het leerproces. Het symbolisme heeft een heel ander
uitgangspunt. In symbolische modellen heb je als kleinste eenheden symbolen. Deze symbolen
zijn representaties van kleine stukjes kennis. De symbolen worden gemanipuleerd door
productieregels. Deze regels zorgen ervoor dat er uit de huidige kennis nieuwe kennis kan
ontstaan.
Het blijkt dat beide uitgangspunten hun eigen sterke punten hebben. Connectionistische
modellen zijn goed in het simuleren van simpelere taken, die een directe relatie tussen perceptie
en actie hebben. Dit soort taken zijn een stuk lastiger in een symbolisch model te vangen.
Symbolische modellen zijn echter weer beter in het simuleren van taken die meer planning en
redenering met zich meebrengen. Er komen ook steeds meer hybride modellen, die de voordelen
van beide soorten proberen te verenigen. Ondanks deze dappere pogingen, is er toch vaak nog
sprake van twee kampen, die beiden beweren de beste methode in handen te hebben. Simon en
Halford (1995) vinden deze "oorlog" niet nodig. Zij bespreken de voordelen van computationele
modellen in het doen van onderzoek naar cognitieve veranderingen. Juist het modelleren van die
veranderingen moet ons inzicht brengen in wat er precies gebeurt:
35