Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Figuur 3: De balansschaal<br />
Bij de eerste regels wordt voornamelijk het totale gewicht op beide armen in ogenschouw<br />
genomen. Bij latere regels wordt echter de afstand tot het draaipunt ook steeds belangrijker.<br />
Aannames:<br />
1. Kinderen hebben in de loop van hun leven vaker voorbeelden gezien van balanssituaties,<br />
waarin de beide objecten op dezelfde afstand van het draaipunt zitten.<br />
2. Kinderen gebruiken de informatie over gewicht en afstand in twee stappen: ze coderen de<br />
informatie en gebruiken vervolgens de gecodeerde informatie om een voorspelling te<br />
kunnen doen.<br />
3. In de BST zijn gewicht en afstand de dimensies van belang. Kinderen letten eerst meer op<br />
de dimensie gewicht. Dit is wellicht veroorzaakt door hun eerdere ervaringen of doordat de<br />
gewichten de meer opvallende, discrete elementen van de balansschaal zijn.<br />
Architectuur: Het is uitgangspunt is een standaard neuraal netwerk. Er is een verborgen laag, om<br />
de twee stappen uit aanname 2 te vangen. Aanname 3 leidt ertoe dat in de verborgen laag twee<br />
aparte modules zijn aangebracht, één voor gewicht en één voor afstand.<br />
Startkennis: Het model begint met geen enkele startkennis, want de gewichten zijn aan het begin<br />
random. Wel zit in de lay-out van het netwerk een soort bias voor wat er gaat gebeuren, vanwege<br />
de vormgeving van de verborgen laag.<br />
Omgeving/input: Tijdens de trainingsperiode worden meer inputvoorbeelden gegeven, waarbij de<br />
gewichten op dezelfde afstand van het draaipunt zitten. Dit is een gevolg van aanname 1.<br />
Experimenten: McClelland vergelijkt de uitkomsten met de prestaties van menselijke<br />
proefpersonen en constateert dat zijn model globaal genomen hetzelfde doet. Wat echter wel fout<br />
gaat, is dat mensen onderscheid maken tussen een symetrisch voorbeeld en een asymetrisch<br />
voorbeeld. Het model kan dit (abstractere) onderscheid niet maken.<br />
Simulatie: Het model heeft steeds een trainingsperiode waarin het honderd keer de taak moet<br />
uitvoeren en feedback krijgt over de juiste oplossing. Deze periode wordt telkens gevolgd door<br />
een testfase.<br />
Overgang: Uit de resultaten op de testfases blijkt, dat de overgangen in regels die Siegler voor de<br />
BST heeft beschreven, ook door het model worden gemaakt. De overgang van regel 3 naar regel<br />
4 gaat echter nauwelijks goed. Het model blijft heen en weer springen tussen regel 3 en regel 4, in<br />
plaats van redelijk stabiel regel 4 toe te gaan passen. Als je de regels vergelijkt met de menselijke<br />
prestaties en de prestaties van het model, dan blijkt dat mensen zich ook niet altijd volgens de<br />
regels van Siegler gedragen, maar er ook niet zo veel van afwijken als het model soms doet.<br />
37