Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

Verband met RR-theorie: Het proces dat het model doorloopt om de verleden tijd te leren, heeft
veel raakvlakken met experimenten binnen de RR-theorie. Het model begint op het behavioral
mastery niveau, maar leert verder. De impliciete kennis, die het model uit de voorbeelden haalt,
wordt omgezet in een productieregel, die de regel voor regelmatige werkwoorden representeert.
Deze regel wordt eerst te veel toegepast, maar later heeft het model een evenwicht bereikt tussen
de regel en de uitzonderingen. Bij veel RR-experimenten zien we een vergelijkbare ontwikkeling.
Implementatie van veranderende representaties: Het simuleren van het veranderen van
representaties wordt bewerkstelligd door het productiecompilatiemechanisme dat in ACT-R
ingebakken zit. In twee productieregels zit een algemenere analogiestrategie, die vaak wordt
gebruikt. Als deze twee productieregels een bepaald aantal keer met succes zijn gebruikt, zijn ze
zo sterk, dat ze voor specialisatie in aanmerking komen. Er ontstaat een nieuwe productieregel,
die "afstamt" van de twee oude, maar gespecialiseerder is, omdat er geen voorbeeld meer wordt
opgezocht in het declaratieve geheugen, waarop een analogieproces wordt uitgeoefend. In plaats
daarvan implementeert de regel direct het gevolg van het analogieproces. In dit geval is dat -ed
achter de stam van het woord plakken.
3.5 Het ACT-R model van de Balance Scale Task (BST)
Van de BST is ook een ACT-R model gemaakt (Van Rijn et al., in press). Van Rijn et al. hebben
eigenlijk twee ACT-R modellen gemaakt, maar voor dit literatuuronderzoek heb ik slechts één van
deze twee bestudeerd, namelijk het model dat niet met feedback werkt. Dit model simuleert in
detail de overgang tussen Sieglers regel 1 en regel 2 (Siegler, 1981).
Aannames:
1. Als kinderen geconfronteerd worden met een item uit de BST, zullen ze beginnen met het
zoeken naar een ongelijkheid.
2. De voorkeur voor de dimensie gewicht kan worden gemodelleerd door extra activatie van
de chunk die de dimensie gewicht representeert.
3. In de experimentele taak van Jansen en Van der Maas (zie experimenten) wordt de mate
waarin de dimensie afstand opvalt, gemanipuleerd. Deze manipulatie wordt in het model
weergegeven door een extra component in de chunk-activatie-formule.
Architectuur: Het model is gemaakt in ACT-R, versie 5.0. Het maakt dus gebruik van de nieuwste
manier om nieuwe productieregels te leren. Het model leert zonder feedback. De balance scale
items worden aangeboden en het model geeft telkens een antwoord, maar het krijgt niet te horen
of dat antwoord juist was.
Startkennis: Het model begint zonder enige specifieke productieregels voor de BST. Er zijn
slechts algemene productieregels aanwezig, die declaratieve representaties interpreteren. Ook is
er een productieregel die een antwoord kan produceren, bijvoorbeeld een gok. Er zijn een aantal
declaratieve actiechunks aanwezig:
• Als er een antwoord gegeven moet worden op een verschilprobleem, probeer dan een nog
niet gebruikt aspect op te halen om het probleem op te lossen.
• Als je een aspect hebt geselecteerd, probeer dan de bijbehorende waardes op te halen.
• Als de opgehaalde waardes gelijk zijn, begin dan opnieuw.
• Als de opgehaalde waardes ongelijk zijn, baseer dan je antwoord op het gevonden verschil.
Omgeving/input: De input voor het model bestaat uit random balance scale items. Andere
computationele benaderingen (bijvoorbeeld McClelland, zie paragraaf 2.1) zorgden ervoor dat er
in de input meer items zaten, waarbij alleen letten op gewicht genoeg was, maar in bij dit model
was dat dus niet zo. Aanname 2 zorgt ervoor dat er toch een voorkeur voor de dimensie gewicht is
aan het begin. Een ander punt dat met de omgeving te maken heeft, is de manier waarop mensen
regel 4 van Siegler aanleren (de regel, waarbij gewicht en afstand worden vermenigvuldigd). Van
43