Afstudeerscriptie - Kunstmatige Intelligentie - Rijksuniversiteit ...

eerste fase zoekt het model nog niet zo gericht naar een bepaald soort voorbeeld. Het vindt
gewoon het voorbeeld met de hoogste activatiewaarde. De context en de geactiveerde associaties
die het model heeft op grond hiervan zorgen ervoor dat de voorbeelden die het meest bij de
huidige context passen, ook meestal de hoogste activatiewaarde hebben. Dit betekent dat jonge
kinderen wel al kennis op niveau-I hebben van welke aspecten van de context belangrijk zijn,
maar nog niet op een expliciet niveau. In ACT-R kun je dit voor elkaar krijgen door in de slots van
een voorbeeld-chunk al te definieren welke aspecten van de omgeving van belang zijn. Deze
liggen vast in slotnamen en op deze slotnamen en hun waardes kan vervolgens een verspreidingvan-activatie-proces
plaatsvinden, zodra het kind in een bepaald situatie komt. Anderson &
Lebiere (1998) geven een uitgebreide uitleg over spreading-activation en associaties in ACT-R.
Het gevolg van deze processen is dat het model vaak "toevallig" – maar dus ook weer niet
toevallig – een een juist soort voorbeeld gebruikt voor de analogie. De twee functies van une
spelen een rol in verschillende contexten en worden niet door elkaar gehaald. De productieregels
die het model leert in deze fase hebben weinig invloed op het gedrag van het model. In de tweede
fase, levert de analogiestrategie meer informatie. Ook nu vindt er proceduralisatie plaats, die het
ophalen van een voorbeeld overbodig maakt. Er ontstaan nu twee nieuwe productieregels voor
une, die qua vorm erg op elkaar lijken. Deze regels leiden tot generalisatie, maar ook tot
verwarring. Beide regels zijn te breed toepasbaar en daardoor ontstaat overgeneralisatie. Eén van
de twee regels leidt tot overgeneralisatie, die niet zo schadelijk is voor het begripproces. Deze wint
de competitie. Hij leidt in het dagelijks leven maar tot kleine problemen. In het playroomsexperiment
leidt hij echter tot een dramatische daling in prestatie. Het feit dat deze regel nog niet
vrij van alle problemen en verwarring is, zorgt ervoor dat het model nog niet stopt met zoeken naar
nieuwe dimensies. Fase 3 begint als de dimensie focus-voor ter beschikking komt. Nu leert het
model expliciet twee verschillende situaties te onderscheiden, een introduceren-situatie en een
hoeveelheid-aangeven-situatie. Gespecialiseerde regels voor iedere situatie ontstaan dankzij het
productiecompilatiemechanisme. Nu is het model in staat probleemloos en snel zinnen met une te
begrijpen en te produceren. De afweging tussen snelheid en correctheid is geoptimaliseerd.
De RR-theorie beschrijft de ontwikkeling die het determinatorenmodel simuleert als een
proces van een impliciet niveau naar steeds explicietere niveaus. In ons model is de kennis in de
eerste fase impliciet aanwezig in de voorbeelden. De nieuwe productieregels die ontstaan in fase
2 (zie P 5 en P 6 in hoofdstuk 4) veroorzaken een generalisatie en daardoor ook een abstractie
naar het E1-niveau. Dit is echter niet het hele verhaal. We kunnen concluderen dat het
determinatorenmodel eigenlijk een iteratief RR-proces is. Iedere keer als er nieuwe dimensies
beschikbaar komen, probeert het model de nieuwe verbanden die het heeft gevonden te
herschrijven. Deze nieuwe verbanden zijn gebaseerd op een nieuwe, meer geavanceerde
analogiestrategie. In de eerste fase komt het model nog niet ver met herschrijven en leiden de
nieuwe productieregels wel tot een soort van generalisatie, maar niet tot een verandering in
gedrag. Er zou wel een verandering in gedrag merkbaar kunnen zijn, wanneer de nieuwe
productieregels de overhand zouden krijgen boven de analogiestrategie. Maar in fase 1 komt het
niet zo ver. De nieuwe productieregels in fase 2 leiden wel tot een sterke generalisatie. Er treedt
zelf overgeneralisatie op. Het model valt nu veel minder vaak terug op de analogiestrategie en
daardoor krijgt de une-als-telwoord regel vrij spel. In fase 3 kan het representatieproces nog
verder doorzetten. Het begint weer met proceduralisatie van de analogiestrategie. Dit maakt een
einde aan de overgeneralisatie. Het model heeft nu specifieke regels die de verschillende situaties
goed kunnen onderscheiden. Het RR-proces zou nu door moeten gaan totdat de abstractere
kennis uit de nieuwe productieregels omgevormd zijn tot chunks in het declaratieve geheugen. Dit
gebeurt niet in het model, omdat nog onduidelijk is hoe zo'n omzetting terug naar het declaratieve
geheugen in ACT-R in zijn werk zou moeten gaan. Op deze ontbrekende schakel in het proces
kom ik verderop in dit hoofdstuk terug.
98