نگاهی به شناخت محاسباتی و بررسی فناوری در حوزه علوم شناختی

نگاهی به شناخت محاسباتی و بررسی فناوری در حوزه علوم شناختی

روند رو به رشد و توسعه علم و فناوری سرعت بالایی دارد و در تمام زمینه ها این علم در حال گسترش است به صورتی که هر کاری را با استفاده از هوش مصنوعی بتوانیم انجام بدهیم، در این قسمت از پایگاه علمی تخصصی برنا اندیشان تصمیم داریم تا مقاله ای با عنوان نگاهی به شناخت محاسباتی و بررسی فناوری در حوزه علوم شناختی را در اختیار شما علاقه مندان به علوم میان رشته ای قرار دهیم. اگر علاقه مند به چنین مطالبی هستید تا انتهای مقاله نگاهی به شناخت محاسباتی با گروه دانش برنا اندیشان همراه باشید.

نگاهی به شناخت محاسباتی و بررسی فناوری در حوزه علوم شناختی

در مقاله نگاهی به شناخت محاسباتی که بعضاً به آن علوم شناختی محاسباتی یا روانشناسی محاسباتی گفته می شود مطالعه مبنای محاسباتی یادگیری و استنتاج توسط مدل سازی ریاضی، شبیه سازی رایانه ای و آزمایش های رفتاری مورد بررسی قرار می گیرد.

شناخت محاسباتی

شناخت محاسباتی در روانشناسی رویکردی است که مدلهای محاسباتی را بر اساس نتایج تجربی توسعه می دهد. این مقاله به دنبال درک اساسی از روش انسانی پردازش اطلاعات است. در اوایل دانشمندان شناختی محاسباتی سعی در بازگرداندن و ایجاد شکلی علمی از روانشناسی داشتند.

هوش مصنوعی

در اینجا دو هدف اصلی برای تولید هوش مصنوعی وجود دارد: تولید رفتارهای هوشمند بدون توجه به کیفیت نتایج و مدل سازی رفتارهای هوشمندانه موجود در طبیعت. در ابتدای وجود آن، نیازی به هوش مصنوعی برای تقلید از رفتاری همانند شناخت انسان نبود. تا دهه 1960، هربرت سایمون و آلن نیول اقتصاددان تلاش کردند تا با استفاده از نتایج مطالعات روانشناسی مهارتهای حل مسئله انسان را برای برنامه هایی توسعه دهند که همان روشهای حل مسئله را برای افراد اجرا کند. آثار آنها زمینه ساز هوش مصنوعی نمادین و شناخت محاسباتی و حتی برخی پیشرفت های علوم شناختی و روانشناسی شناختی بود.

زمینه هوش مصنوعی نمادین بر اساس فرضیه سیستم های نماد فیزیکی توسط سایمون و نیول است که بیان می کند بیان جنبه های هوش شناختی را می توان با دستکاری نمادها به دست آورد. با این حال، جان مک کارتی بیشتر بر هدف اولیه هوش مصنوعی متمرکز شد یعنی تجزیه جوهر استدلال منطقی و انتزاعی صرف نظر از اینکه انسان از مکانیسم مشابهی استفاده می کند یا نه.

طی دهه های بعدی، پیشرفت حاصل شده در هوش مصنوعی بیشتر به توسعه برنامه های مبتنی بر منطق و دانش بنیان متمرکز شد و از هدف اصلی AI نمادین دور شد. محققان بر این باورند که هوش مصنوعی نمادین هرگز قادر به تقلید از برخی فرایندهای پیچیده شناخت انسان مانند ادراک یا یادگیری نیست. به نظر می رسید که عدم امکان درک احساسات (از رد) اجرای احساسات در هوش مصنوعی یک مانع در مسیر دستیابی به شناختی شبیه انسان با رایانه است. محققان رویکرد “زیر نمادین” را برای ایجاد هوش بدون بازنمایی خاص این دانش آغاز کردند. این جنبش منجر به ظهور رشته مدل سازی محاسباتی، پیوندگرایی و هوش محاسباتی شد.

مدل سازی محاسباتی

از آنجا که این امر بیش از هوش مصنوعی به درک شناخت انسان کمک می کند، مدل سازی شناختی محاسباتی از نیاز به تعریف ویژگیهای مختلف شناختی (مانند انگیزه، احساسات یا ادراک) با بازنمایی آنها در مدلهای محاسباتی سازوکارها و فرایندها پدیدار شد. مدل های محاسباتی سیستم های پیچیده را با استفاده از الگوریتم های بسیاری از متغیرها و منابع محاسباتی گسترده برای تولید شبیه سازی رایانه ای مطالعه می کنند. شبیه سازی با تنظیم متغیرها، تغییر یک به تنهایی یا حتی ترکیب آنها با هم برای مشاهده تأثیر بر نتایج حاصل می شود. این نتایج به آزمایشگران کمک می کند پیش بینی کنند که در صورت وقوع آن تغییرات مشابه در سیستم واقعی چه اتفاقی می افتد.

وقتی مدل های محاسباتی سعی در تقلید از عملکرد شناختی انسان دارند باید تمام جزئیات عملکرد برای انتقال و نمایش صحیح آنها از طریق مدل ها شناخته شود به محققان این امکان را می دهد تا تئوری موجود را کاملاً بفهمند و آزمایش کنند زیرا هیچ متغیری مبهم نیست و همه متغیرها قابل اصلاح هستند. یک مدل از حافظه ساخته شده توسط اتکینسون و شیفرین را در سال 1968 در نظر بگیرید این نشان می دهد که چگونه تمرین منجر به حافظه طولانی مدت می شود جایی که اطلاعات تمرین شده ذخیره می شود. علی رغم پیشرفتی که در آشکارسازی عملکرد حافظه ایجاد شده است این مدل در ارائه پاسخ به سوالات اساسی مانند: چه مقدار از اطلاعات را می توان در یک زمان تمرین کرد؟ چه مدت طول می کشد تا اطلاعات از تمرین به حافظه طولانی مدت منتقل شوند؟ به همین ترتیب سایر مدلهای محاسباتی سوالات بیشتری درمورد شناخت بیش از پاسخ آنها ایجاد می کنند و این باعث می شود که سهم آنها در درک شناخت انسان بسیار کمتر از سایر رویکردهای شناختی باشد. یک نقص اضافی در مدل سازی محاسباتی عدم عینیت گزارش شده آن است.

توسعه و فناوری علوم شناختی

نگاهی به شناخت محاسباتی

جان اندرسون در مدل کنترل تطبیقی ​​اندیشه منطقی (ACT-R) از توابع مدل های محاسباتی و یافته های علوم شناختی استفاده می کند. مدل ACT-R مبتنی بر این نظریه است که مغز از چندین ماژول تشکیل شده است که عملکردهای تخصصی جدا از یکدیگر را انجام می دهند. مدل ACT-R به عنوان رویکرد نمادین علوم شناختی طبقه بندی می شود.

شبکه ارتباطی

رویکرد دیگری که بیشتر به محتوای معنایی علوم شناختی می پردازد اتصال گرایی یا مدل سازی شبکه عصبی است. اتصال گرایی به این ایده متکی است که مغز از واحدها یا گره های ساده ای تشکیل شده است و پاسخ رفتاری در درجه اول از لایه های اتصالات بین گره ها است و نه از خود محرک محیطی.

شبکه اتصال گرایانه به طور خاص به دلیل دو عملکرد متفاوت از مدل سازی محاسباتی است: تکثیر عصبی و پردازش موازی. تکثیر عصبی روشی است که توسط شبکه ارتباطی برای نشان دادن شواهدی از یادگیری استفاده می شود. بعد از اینکه شبکه ارتباطی تولید پاسخ داد، نتایج شبیه سازی شده با نتایج موقعیتی زندگی واقعی مقایسه می شود. بازخورد ارائه شده توسط انتشار عقب خطاها برای بهبود دقت در پاسخ های بعدی شبکه استفاده می شود. عملکرد دوم پردازش موازی از این باور ناشی می شود که دانش و ادراک محدود به ماژول های خاص نیستند بلکه در شبکه های شناختی توزیع می شوند. در حال حاضر پردازش توزیع شده موازی در تظاهرات روانشناختی مانند اثر Stroop نشان داده شده است، جایی که به نظر می رسد مغز همزمان درک رنگ و معنی زبان را تجزیه و تحلیل می کند. با این حال، این رویکرد نظری به طور مداوم رد می شود زیرا دو عملکرد شناختی برای درک رنگ و کلمه سازی به طور جداگانه و همزمان کار می کنند، نه موازی یکدیگر.

زمینه شناخت ممکن است از استفاده از شبکه اتصال گرایی سود برده باشد اما تنظیم مدل های شبکه عصبی می تواند کاری طاقت فرسا باشد و نتایج نسبت به سیستمی که آنها سعی در مدل سازی آن دارند کمتر قابل تفسیر باشد. بنابراین نتایج ممکن است به عنوان شواهدی برای یک نظریه وسیع شناخت بدون توضیح روند خاصی که در عملکرد شناختی اتفاق می افتد استفاده شود. از دیگر معایب اتصال گرایی می توان به روشهای تحقیقاتی که از آن استفاده می کند یا فرضیه ای که آزمایش می کند اشاره کرد زیرا ثابت شده است که آنها اغلب نادرست یا ناکارآمد هستند و مدلهای پیوندی را از نمایش دقیق نحوه عملکرد مغز دور می کنند. این مسائل باعث می شود مدل های شبکه عصبی در مطالعه اشکال بالاتر پردازش اطلاعات بی تأثیر باشند و مانع اتصال به شناخت عمومی شناخت انسان شوند.