認知モデル

認知モデルは、理解と予測を目的として、人間や他の動物の1つ以上の認知プロセスを表現したものです。認知モデルには多くの種類があり、ボックスと矢印の図から方程式のセット、人間がタスクを完了するために使用するのと同じツール（コンピューターのマウスとキーボードなど）と対話するソフトウェアプログラムまで多岐にわたります。^{[1] [ページが必要]}情報処理の観点から、認知モデリングは人間の知覚、推論、記憶、行動のモデル化です。^{[2] [3]}

認知モデルは認知アーキテクチャの内外で開発できますが、この2つは必ずしも簡単に区別できるわけではありません。認知アーキテクチャとは対照的に、認知モデルは単一の認知現象またはプロセス（リスト学習など）、2つ以上のプロセスの相互作用（視覚検索による意思決定など）、または特定のタスクまたはツールの動作予測（新しいソフトウェアパッケージの導入が生産性にどのように影響するかなど）に焦点を当てる傾向があります。認知アーキテクチャは、モデル化されたシステムの構造的特性に焦点を当てる傾向があり、アーキテクチャ内での認知モデルの開発を制約するのに役立ちます。^{[4]同様に、モデル開発はアーキテクチャの制限や欠点を知るのに役立ちます。認知モデリングの最も一般的なアーキテクチャには、} ACT-R、Clarion、LIDA、Soarなどがあります。

認知モデリングは歴史的に認知心理学/認知科学（ヒューマンファクターを含む）の範囲内で発展し、機械学習や人工知能などの分野からも貢献を受けています。

音声の知覚、記憶、生成に関わるプロセスを説明するために、いくつかの重要な用語が使用されています。通常、これらは言語病理学者が小児患者の治療に使用します。入力信号は、小児が聞く音声信号であり、通常は成人の話者から発せられるものと想定されます。出力信号は、小児が発する発話です。入力信号の到着から音声の生成までの間に発生する目に見えない心理的イベントが、心理言語モデルの焦点です。入力信号を処理するイベントは入力プロセスと呼ばれ、音声の生成を処理するイベントは出力プロセスと呼ばれます。音声処理の一部はオンラインで発生すると考えられています。つまり、実際の音声の知覚または生成中に発生するため、音声タスクに割り当てられた注意リソースの一部が必要になります。オフラインで発生すると考えられるその他のプロセスは、音声タスクに割り当てられた時間中ではなく、小児の背景の精神処理の一部として発生します。この意味で、オンライン処理はリアルタイムで発生すると定義されることがあります。一方、オフライン処理は時間に依存しないと言われています (Hewlett、1990)。ボックス・アンド・アロー心理言語モデルでは、仮定された各表現または処理レベルは図の中で「ボックス」で表され、それらの関係は「矢印」で表されます。これがこの名前の由来です。矢印は、ボックスで示されるプロセスに加えて、プロセスを表すこともあります (この論文で後述する Smith (1973) や Menn (1978) のモデルの場合など)。このようなモデルは、コンピュータ プログラムによって実行されるプロセスと決定を表すコンピュータ フローチャートと類似した方法で、特定の認知機能 (言語など) で実行される仮定の情報処理活動を明確にします。ボックス・アンド・アロー モデルは、記述する目に見えない心理プロセスの数が大きく異なり、したがって含まれるボックスの数も大きく異なります。入力信号と出力信号の間に 1 つまたは 2 つのボックスしかないモデルもあれば (例: Menn、1978 年、Smith、1973 年)、多数の異なる情報処理イベント間の複雑な関係を表す複数のボックスがあるモデルもあります (例: Hewlett、1990 年、Hewlett、Gibbon、Cohen-McKenzie、1998 年、Stackhouse、Wells、1997 年)。ただし、最も重要なボックスであり、現在も多くの議論の的となっているのは、基礎となる表現 (UR) を表すボックスです。基本的に、基礎となる表現は、子供が知っていて使用している単語に関して子供の心の中に保存されている情報を捉えます。以下のいくつかのモデルの説明でわかるように、この情報の性質、つまり子供の知識ベースに存在する表現の種類は、長い間研究者の注目を集めてきました。 (Elise Baker 他「言語発達の心理言語モデルと臨床実践への応用」音声言語聴覚研究ジャーナル、2001 年 6 月、44 ページ。(p685–702参照)

計算モデルは、複雑なシステムの挙動をコンピュータ シミュレーションによって研究するために、膨大な計算リソースを必要とする計算科学における数学モデルです。研究対象のシステムは、多くの場合、単純で直感的な解析ソリューションがすぐには得られない複雑な非線形システムです。問題の数学的解析ソリューションを導き出すのではなく、コンピュータ内でシステムのパラメータを変更し、実験結果の違いを研究することで、モデルの実験が行われます。モデルの動作理論は、これらの計算実験から導き出されます。一般的な計算モデルの例としては、天気予報モデル、地球シミュレータモデル、フライト シミュレータモデル、分子タンパク質折り畳みモデル、ニューラル ネットワークモデルなどがあります。

シンボリックモデルは、通常は数値以外の文字で表現され、使用する前に変換する必要があります。

認知モデルがサブシンボリックであるとは、ピクセル、耳で知覚される音像、信号サンプルなど、それ自体は表現ではない構成要素によって作成される場合です。ニューラル ネットワーク内のサブシンボリック ユニットは、このカテゴリの特殊なケースと見なすことができます。

ハイブリッド コンピュータは、アナログ コンピュータとデジタル コンピュータの両方の特徴を備えたコンピュータです。デジタル コンポーネントは通常、コントローラとして機能し、論理演算を行います。一方、アナログ コンポーネントは通常、微分方程式のソルバーとして機能します。詳細については、ハイブリッド インテリジェント システムを参照してください。

従来の計算アプローチでは、表現は離散的なシンボルの静的構造として考えられています。認知は、静的なシンボル構造を離散的で連続的なステップで変換することによって行われます。感覚情報は記号入力に変換され、記号出力が生成され、それが運動出力に変換されます。システム全体が継続的なサイクルで動作します。

この伝統的な見方に欠けているのは、人間の認知は継続的かつリアルタイムで起こるということである。プロセスを離散的な時間ステップに分解しても、この動作を完全には捉えられない可能性がある。別のアプローチは、システムを（1）任意の時点でのシステムの状態、（2）全体的な状態の時間的変化として定義される動作、および（3）システムが取り得る全体的な状態全体を表す状態セットまたは状態空間で定義することである。 ^[5]このシステムは、システム状態の任意の側面の変化が、同じシステム状態または他のシステム状態の他の側面に依存するという事実によって区別される。^[6]

典型的な動的モデルは、システムの状態が時間とともにどのように変化するかを説明するいくつかの微分方程式によって形式化されます。これにより、このダイナミクスを明示する基礎となるメカニズムの物理的性質ではなく、可能な軌道の空間の形式と、時間の経過とともに展開する特定の軌道を形成する内部および外部の力が説明力を持ちます。この動的ビューでは、パラメトリック入力は、外部の状態を説明する内部状態を指定するのではなく、システムの固有のダイナミクスを変更します。

動的システムを認知に応用した初期の研究は、ホップフィールドネットワークのモデルに見出すことができる。^{[7] [8]これらのネットワークは}連想記憶のモデルとして提案された。これらは記憶の神経レベルを表し、オンまたはオフの状態になり得る約30個のニューロンのシステムをモデル化する。ネットワークに自主学習させることで、構造と計算特性が自然に生じる。以前のモデルとは異なり、「記憶」は全体の記憶の小さな部分を入力することによって形成され、呼び起こされる。記憶の時間順序もエンコードできる。システムの動作は、システムのさまざまな状態を表す値を変更できるベクトルでモデル化される。この初期のモデルは、人間の認知の動的システムの見方に向けた大きな一歩であったが、まだ多くの詳細が追加され、より多くの現象が説明される必要があった。

エルマンは、人間の神経系の進化的発達と脳と他の器官の類似性を考慮して、言語と認知はデジタル記号プロセッサではなく動的システムとして扱うべきだと提案した。 ^{[9]エルマンが実装したタイプのニューラルネットワークは、}エルマンネットワーク として知られるようになった。言語を、学習されて固定ルールに従って使用される静的な語彙項目と文法規則の集合として扱うのではなく、動的システムの視点では、語彙を動的システム内の状態空間の領域として定義する。文法は、状態空間での動きを制限するアトラクターとリペラーで構成される。つまり、表現はコンテキストに敏感であり、精神的表現は、構築されて静的なままのオブジェクトではなく、精神的空間を通る軌跡として見られる。エルマンネットワークは、文法を動的システムとして表現するために、簡単な文でトレーニングされた。基本的な文法が学習されると、ネットワークは動的モデルに従って次にどの単語が出現するかを予測することで、複雑な文を解析できる。^[10]

典型的な発達エラーは、動的システムの文脈で調査されてきました。^{[11] [12]} A -not-B エラーは、特定の年齢 (8 ～ 10 か月) で発生する明確なエラーではなく、年長の子供にも存在する動的学習プロセスの特徴であると提案されています。2 歳児は、砂場の中に隠されたおもちゃを探すときに、A-not-B エラーに似たエラーを犯すことがわかりました。おもちゃが場所 A に隠されているのを観察し、そこで繰り返し探した後、2 歳児は新しい場所 B に隠されたおもちゃを見せられました。おもちゃを探すとき、場所 A に偏った場所で探しました。これは、おもちゃの場所の継続的な表現が時間とともに変化することを示唆しています。子供の過去の行動は砂場の場所のモデルに影響を与えるため、行動と学習の説明では、砂場のシステムと子供の過去の行動が時間とともにどのように変化しているかを考慮する必要があります。^[12]

動的システムのメカニズムとして提案されているものの 1 つは、連続時間リカレント ニューラル ネットワーク(CTRNN) の分析から生まれたものです。ニューラル ネットワークの状態ではなく出力に焦点を当て、完全に相互接続されたネットワークを調べることで、3 ニューロンセントラル パターン ジェネレーター(CPG) を使用して、歩行中の脚の動きなどのシステムを表すことができます。^[13]この CPG には、脚の足、後方スイング、前方スイングのエフェクターを制御する 3 つの運動ニューロンが含まれています。ネットワークの出力は、足が上がっているか下がっているか、および脚の関節にトルクを生成するためにどれだけの力が適用されているかを表します。このパターンの特徴の 1 つは、ニューロンの出力がほとんどの場合オフまたはオンであることです。もう 1 つの特徴は、状態が準安定であり、最終的には他の状態に遷移することです。このような単純なパターン ジェネレーター回路は、動的システムの構成要素として提案されています。1 つの準安定状態から別の準安定状態に同時に遷移するニューロンのセットは、動的モジュールとして定義されます。理論的には、これらのモジュールを組み合わせて、完全な動的システムを構成するより大きな回路を作成できます。しかし、この組み合わせがどのように発生するかの詳細は完全には解明されていません。

認知の研究に適用される動的システムの現代的な形式化は多様である。そのような形式化の 1 つは「行動ダイナミクス」と呼ばれ、^{[14] は、}エージェントと環境を、古典的な動的システム理論に基づく 1 組の結合動的システムとして扱う。この形式化では、環境からの情報がエージェントの行動に情報を与え、エージェントの行動が環境を変更する。知覚行動サイクルの特定のケースでは、環境とエージェントの結合は 2 つの関数によって形式化される。最初の関数は、エージェントの行動の表現を特定の筋肉活性化パターンに変換し、それが今度は環境に力を生み出す。2 番目の関数は、環境からの情報 (つまり、環境の現在の状態を反映するエージェントの受容体への刺激パターン) を、エージェントの行動を制御するのに役立つ表現に変換する。エージェントの神経系、エージェントの身体、環境が結合された他の同様の動的システムが提案されている (ただし、正式なフレームワークには発展していない) ^{[15] [16]}

行動ダイナミクスは移動行動に適用されている。^{[14] [17] [18]} 行動ダイナミクスによる移動のモデル化は、適応行動がエージェントと環境の相互作用から生じる可能性があることを示している。このフレームワークによると、適応行動は2つのレベルの分析で捉えることができる。第1レベルの知覚と行動では、エージェントと環境は、エージェントが環境に適用する力と環境が提供する構造化された情報によって結合された一対の動的システムとして概念化できる。したがって、行動ダイナミクスはエージェントと環境の相互作用から生じる。第2レベルの時間発展では、行動はベクトル場として表される動的システムとして表現できる。このベクトル場では、アトラクターは安定した行動ソリューションを反映し、分岐は行動の変化を反映している。中枢パターンジェネレータに関するこれまでの研究とは対照的に、このフレームワークは、安定した行動パターンはエージェントまたは環境の構造によって決定されるのではなく、エージェント環境システムの出現する自己組織化特性であることを示唆している。

古典的な動的システム理論の拡張では、^[19]環境とエージェントの動的システムを互いに結合するのではなく、「オープンな動的システム」が「全体システム」、「エージェント システム」、およびこれら 2 つのシステムを関連付けるメカニズムを定義します。全体システムは、環境内のエージェントをモデル化する動的システムであり、エージェント システムは、エージェントの固有のダイナミクス (つまり、環境がない場合のエージェントのダイナミクス) をモデル化する動的システムです。重要なことは、関係メカニズムが 2 つのシステムを結合するのではなく、全体システムを分離されたエージェントの全体システムに継続的に変更することです。全体システムとエージェント システムを区別することにより、エージェントが環境から分離されている場合と環境に埋め込まれている場合のエージェントの行動を調査できます。この形式化は、古典的な形式化の一般化と見なすことができ、エージェント システムをオープンな動的システムのエージェント システムと見なすことができ、環境に結合したエージェントと環境をオープンな動的システムの全体システムと見なすことができます。

動的システムと身体化された認知の文脈では、表現は指標または媒介として概念化できます。指標の観点では、内部状態は環境内のオブジェクトの存在に関する情報を運び、オブジェクトにさらされている間のシステムの状態はそのオブジェクトの表現です。媒介の観点では、内部状態はシステムが目標を達成するために使用する環境に関する情報を運びます。このより複雑な説明では、システムの状態は、エージェントが環境から受け取る情報と、エージェントの行動によって環境に及ぼされる力との間を媒介する情報を運びます。オープンな動的システムの応用は、4つのタイプの古典的な身体化された認知の例について議論されてきました。^[20]

1. 環境とエージェントが目標を達成するために協力しなければならない場合、これを「親密さ」と呼びます。親密さの典型的な例は、単純なエージェントが目標を達成するために働く行動です（例：環境を横断する昆虫）。目標の達成が成功するかどうかは、エージェントと環境の結合に完全に依存しています。^[21]
2. 外部アーティファクトを使用すると、これらのアーティファクトがない場合に比べてタスクのパフォーマンスが向上する例。このプロセスは「オフロード」と呼ばれます。オフロードの典型的な例は、スクラブルプレイヤーの行動です。スクラブルをプレイしているときに、タイルを目の前に置き、その配置を物理的に操作できる場合、より多くの単語を作成できます。この例では、スクラブル タイルにより、エージェントは作業記憶の要求をタイル自体にオフロードできます。^[22]
3. 機能的に同等な外部アーティファクトが、通常はエージェントによって内部的に実行される機能を置き換えるインスタンス。これはオフロードの特殊なケースです。有名な例の1つは、アーティファクトの支援の有無にかかわらず、複雑な環境における人間（具体的にはエージェントのオットーとインガ）のナビゲーションです。^[23]
4. エージェントが1人ではない場合。個々のエージェントは、複数のエージェントと複数のアーティファクトを含むより大きなシステムの一部です。エド・ハッチンズが著書『野生の認知』で定式化した有名な例の1つは、海軍艦艇の航行です。^[24]

これらの例の解釈は、次の論理に基づいています。(1) 全体システムは具体化を捉えます。(2) 1 つ以上のエージェント システムは個々のエージェントの固有のダイナミクスを捉えます。(3) エージェントの完全な動作は、環境内の状況に関連したエージェントの固有のダイナミクスの変化として理解できます。(4) オープンな動的システムのパスは、表現プロセスとして解釈できます。これらの具体化された認知の例は、エージェント システムの固有のダイナミクスだけでなく、エージェント環境システムの出現ダイナミクスを研究することの重要性を示しています。動的システムは、従来の認知科学のアプローチと対立するのではなく、これらの方法の自然な拡張であり、競合するのではなく並行して研究する必要があります。

• 計算的認知
• 言語習得の計算モデル
• 心の計算的表現的理解
• マインドモデリング@ホーム
• 記憶予測フレームワーク
• 空間マッピング

ウィキメディア・コモンズには、認知モデルに関連するメディアがあります。

ウィキメディア・コモンズには、認知モデルに関連するメディアがあります。

• CMU における認知モデリング
• RPI における認知モデリング (HCI)
• RPI における認知モデリング (CLARION)
• メンフィス大学における認知モデリング (LIDA)
• ミシガン大学における認知モデリング