Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

5A: Terug naar de RR-Theorie
1 Vertaling van de RR-theorie naar ACT-R
1.1 Globale vertaling van de niveaus en de overgangsmechanismen
Nu we twee modellen hebben ontworpen van RR-experimenten, kunnen we op een rijtje zetten
hoe we nou eigenlijk een vertaling hebben gemaakt van de RR-theorie naar ACT-R. In wat voor
vorm komen de representaties op ieder niveau in ACT-R terug en welke mechanismen
veroorzaken de overgangen tussen de niveaus? We beginnen weer met niveau I. De kennis is
dan nog impliciet en taakspecifiek. Het gedrag op dit niveau kan, zoals ik al aangaf in hoofdstuk 4,
beschreven worden als instance-based learning (Logan, 1988). Bij deze vorm van leren maakt de
persoon gebruik van twee strategieën: een arbeidsintensief algoritme (bijvoorbeeld tellen) en het
zich herinneren van eerdere uitkomsten van specifieke instanties (voorbeelden). Vertaald naar
ACT-R betekent dit dat het model specifieke productieregels tot zijn beschikking heeft, die het
algoritme representeren en daarnaast productieregels heeft die een geschikt voorbeeld uit het
declaratieve geheugen zoeken en dit voorbeeld gebruiken (Lebiere, Wallach & Taatgen, 1998).
Het model kan op verschillende manieren gebruik maken van zo'n voorbeeld. Als het voorbeeld
identiek is aan het huidige doel, dan kan het model direct het antwoord bepalen. Als dat niet zo is,
dan kan het model het voorbeeld als bron voor een analogieproces gebruiken (Taatgen &
Anderson, 2002). De representaties op niveau I hebben dus de vorm van voorbeelden in het
declaratieve geheugen. De strategie die op deze representaties opereert, is een arbeidsintensieve
analogiestrategie.
Op niveau E1 zijn de representaties minder specifiek van vorm. Het cognitieve systeem
gebruikt geen losse instanties, maar meer algemeen toepasbare regels. Een combinatie van de
analogiestrategie die we al hadden en het productiecompilatiemechanisme van ACT-R leidt tot
een mechanisme dat regelmatigheden in voorbeelden probeert te zoeken en dat de instanties
transformeert naar nieuwe, algemene productieregels (Taatgen & Anderson, 2002). Het gevolg
hiervan is dat de representaties op het E1-niveau in feite die nieuwe productieregels zijn, die door
het productiecompilatiemechanisme zijn gebouwd. Maar productieregels zijn een vorm van
procedurele kennis. Ze zijn niet voor het systeem zelf toegankelijk. Welke regels het cognitieve
systeem heeft en hoe die eruit zien, kan het systeem niet aangeven. Om de overgang naar niveau
E2/3 te maken, waarin het systeem de kennis kan verwoorden, moeten de productieregels dus
weer worden herschreven tot chunks in het declaratieve geheugen. Deze nieuwe chunks staan
dan in een duidelijke relatie tot elkaar. Ze vormen onderdelen van een groter systeem,
bijvoorbeeld het taalsysteem van lidwoorden. Ze kunnen onder woorden gebracht worden en zijn
ook te gebruiken in andere cognitieve taken.
2 Leren in een U-vorm
2.1 Vergelijking tussen de RR-verklaring en de verklaring van het determinatorenmodel
In hoofdstuk 3 zagen we al hoe Karmiloff-Smith met behulp van de concepten uit de RR-theorie de
U-vorm in prestatie op de playroomstaak verklaart. In deze paragraaf zullen we haar verklaring
vergelijken met een verklaring op basis van het determinatorenmodel. Op een wat abstracter
niveau kunnen we het ontwikkelingsproces van het determinatorenmodel als volgt beschrijven.
Tijdens de gehele simulatieperiode gebruikt het model een analogiestrategie om de functie van de
determinator te achterhalen. Hiervoor zoekt het steeds actief naar een geschikt voorbeeld. In de
97