Loading article…
計算認知（計算認知科学、計算心理学、認知シミュレーションとも呼ばれる）は、数学的モデリング、コンピュータシミュレーション、行動実験によって学習と推論の計算基盤を研究する学問である。心理学においては、実験結果に基づいて計算モデルを開発するアプローチである。人間の情報処理方法の背後にある基盤を理解しようとするものである。初期の計算認知科学者たちは、ブレンターノの心理学を科学的な形で復活させ、創造しようと試みた。[ 1 ]
人工知能の開発には主に2つの目的があります。結果の質に関係なく知的な行動を生み出すこと、そして自然界に見られる知的な行動を模倣することです。[ 2 ] [ 3 ] 人工知能が誕生した当初は、人間の認知と同じ行動を模倣する必要はありませんでした。1960年代まで、経済学者のハーバート・サイモンとアレン・ニューウェルは、心理学研究の結果を利用して、人間が行うのと同じ問題解決手法を実行するプログラムを開発することで、人間の問題解決能力を形式化しようと試みました。彼らの研究は、記号AIと計算認知の基礎を築き、認知科学と認知心理学の進歩にもつながりました。[ 4 ]
記号AIの分野は、サイモンとニューウェルによる物理的記号システム仮説に基づいており、認知知能の側面を表現することは記号の操作によって達成できると述べている。[ 5 ]しかし、ジョン・マッカーシーは、人間が同じメカニズムを使用しているかどうかに関わらず、論理的かつ抽象的な推論の本質を解明するという人工知能の当初の目的により重点を置いていた。[ 3 ]
その後数十年にわたり、人工知能の進歩は、論理ベースおよび知識ベースのプログラムの開発に重点が置かれるようになり、記号AIの本来の目的から逸脱していきました。研究者たちは、記号AIでは知覚や学習といった人間の認知の複雑なプロセスを模倣することは決してできないかもしれないと考えるようになりました。当時、AIに感情を実装することは不可能だと考えられていましたが（後に反証されました[ 6 ]）、これはコンピュータで人間のような認知を実現する上での障害と見なされていました。[ 7 ]研究者たちは、知識を具体的に表現することなく知能を作り出すために、「サブシンボリック」アプローチを採用し始めました。この動きは、計算モデリング、コネクショニズム、計算知能という新たな学問分野の出現につながりました。[ 5 ]
人工知能よりも人間の認知の理解に貢献する計算認知モデリングは、さまざまな認知機能（動機、感情、知覚など）をメカニズムとプロセスの計算モデルで表現することによって定義する必要性から生まれました。[ 8 ]計算モデルは、多数の変数のアルゴリズムと膨大な計算リソースを使用してコンピュータシミュレーションを生成することにより、複雑なシステムを研究します。[ 9 ]シミュレーションは、変数を調整したり、1つだけを変更したり、あるいはそれらを組み合わせたりして、結果への影響を観察することによって実現されます。その結果は、実験者が、同様の変化が実際のシステムで発生した場合に何が起こるかを予測するのに役立ちます。[ 10 ]
計算モデルが人間の認知機能を模倣しようとする場合、モデルを通して適切に転送および表示するために、機能のすべての詳細がわかっている必要があります。これにより、変数が曖昧ではなく、すべての変数が変更可能であるため、研究者は既存の理論を徹底的に理解し、検証することができます。1968年に Atkinson と Shiffrin によって構築された記憶のモデルを考えてみましょう。このモデルは、リハーサルがどのように長期記憶につながるかを示しました。長期記憶には、リハーサルされた情報が保存されます。記憶の機能を明らかにする上で進歩を遂げたにもかかわらず、このモデルは、一度にどれだけの情報をリハーサルできるか、リハーサルから長期記憶に情報が転送されるまでにどれくらいの時間がかかるかといった重要な質問に答えることができません。同様に、他の計算モデルは、答えるよりも多くの認知に関する疑問を提起するため、人間の認知の理解に対する貢献は、他の認知アプローチに比べてはるかに小さくなっています。[ 11 ]計算モデリングのもう 1 つの欠点は、客観性に欠けると報告されていることです。[ 12 ]
ジョン・アンダーソンは、適応的思考制御（ACT-R）モデルにおいて、計算モデルの機能と認知科学の知見を活用している。ACT-Rモデルは、脳は互いに独立した特殊な機能を実行する複数のモジュールから構成されているという理論に基づいている。[ 11 ] ACT-Rモデルは、認知科学への記号的アプローチに分類される。 [ 13 ]
認知科学の意味内容に重点を置く別のアプローチとして、コネクショニズムまたはニューラルネットワークモデリングがあります。コネクショニズムは、脳は単純な単位またはノードで構成されており、行動反応は環境刺激自体からではなく、ノード間の接続の層から主に生じるという考えに基づいています。[ 11 ]
コネクショニストネットワークは、特にニューラルバックプロパゲーションと並列処理という2つの機能において、計算モデルとは異なります。ニューラルバックプロパゲーションは、コネクショニストネットワークが学習の証拠を示すために利用する手法です。コネクショニストネットワークが応答を生成した後、シミュレーション結果が実際の状況の結果と比較されます。エラーの逆伝播によって提供されるフィードバックは、ネットワークのその後の応答の精度を向上させるために使用されます。[ 14 ] 2番目の機能である並列処理は、知識と知覚は特定のモジュールに限定されるのではなく、認知ネットワーク全体に分散しているという考えに基づいています。並列分散処理の存在は、脳が色の知覚と言語の意味を同時に分析しているように見えるストループ効果などの心理学的デモンストレーションで示されています。 [ 15 ]しかし、この理論的アプローチは、色の知覚と単語形成の2つの認知機能が互いに並列ではなく、別々に同時に動作しているため、継続的に反証されています。[ 16 ]
認知の分野はコネクショニストネットワークの使用から恩恵を受けているかもしれないが、ニューラルネットワークモデルの構築は非常に面倒な作業であり、結果はモデル化しようとしているシステムよりも解釈しにくい可能性がある。そのため、結果は認知機能内で起こっている特定のプロセスを説明することなく、認知の広範な理論の証拠として使用される可能性がある。コネクショニズムの他の欠点は、採用されている研究方法や検証する仮説にあり、それらはしばしば不正確または非効果的であることが証明されており、コネクショニストモデルは脳の機能の正確な表現から遠ざかっている。これらの問題により、ニューラルネットワークモデルはより高度な情報処理の研究には効果的ではなく、コネクショニズムが人間の認知の一般的な理解を進展させることを妨げている。[ 17 ]
{{cite journal}}: CS1 maint: 複数の名前: 著者リスト (リンク)