概念学習

概念学習は、カテゴリー学習、概念獲得、概念形成とも呼ばれ、Bruner、Goodnow、Austin (1956) によって「さまざまなカテゴリーの典型と非典型を区別するために使用できる属性の探索とテスト」と定義されています。^[a]もっと簡単に言えば、概念とは、各オブジェクト、イベント、またはアイデアが共通の関連する特徴のセットを持っているという理解に基づいて、オブジェクト、イベント、またはアイデアを分類するのに役立つ精神的なカテゴリーです。したがって、概念学習は、概念に関連する特徴を含むグループまたはカテゴリーと、概念に関連する特徴を含まないグループまたはカテゴリーを比較対照することを学習者に要求する戦略です。

概念達成の概念には、次の 5 つのカテゴリが必要です。

1. タスクの定義。
2. 遭遇した例の性質。
3. 検証手順の性質。
4. 特定の分類の結果
5. 課せられた制限の性質。^[1]

概念学習タスクでは、人間は、一連の例オブジェクトとそのクラス ラベルを見せられることで、オブジェクトを分類します。学習者は、観察したものを例の形で凝縮することで、それを単純化します。学習した内容のこの単純化されたバージョンは、その後の例に適用されます。学習は多くの領域で行われるため、概念学習は単純になることもあれば複雑になることもあります。概念が難しい場合、学習者が単純化できる可能性は低く、したがって学習する可能性も低くなります。口語的には、このタスクは例からの学習として知られています。概念学習の理論のほとんどは、例の保存に基づいており、要約やあらゆる種類の明白な抽象化を避けています。

機械学習では、この理論はコンピュータプログラムのトレーニングに応用できます。^[2]

• 概念学習:入力と出力のトレーニング例からブール値関数を推論します。
• 概念とは、その概念を構成するすべての特徴や属性を組み合わせて形成される概念のことです。すべての概念には 2 つの要素があります。
  • 属性: データ インスタンスが概念に適合しているかどうかを判断するために確認する必要がある機能。
  • ルール: 属性に対する制約のどのような結合が概念の肯定的なインスタンスとして適格となるかを示します。

概念学習は、記憶から何かを暗唱する学習（想起）や、異なる 2 つの事柄を区別する学習（識別）とは区別する必要があります。しかし、これらの問題は密接に関連しています。事実の記憶想起は、概念を表す以前の例が不変である「些細な」概念プロセスであると考えられるためです。同様に、識別は初期概念学習と同じではありませんが、識別プロセスは、例を繰り返し提示することによって概念を洗練することに関与しています。概念の獲得は帰納的学習に根ざしています。したがって、カリキュラムを設計したり、この方法で学習したりする場合、類似の例と非類似の例を比較することが、トピックの特性を定義する上で重要です。^[3]

具体的概念は、個人の感覚や知覚によって知覚できる物体である。これらは、椅子や犬のように個人的なやりとりが発生して概念が作られる物体である。^[4]概念は、それと関連付けるために使用する単語が知覚可能な実体を持つにつれて、より具体的になる。^{[5]パイビオの}二重符号化理論によると、具体的概念は、知覚記憶コードから簡単に思い出せる概念である。^[6]単語を聞くと、それは具体的概念と関連付けられ、感覚運動システム内で単語との以前のやりとりを再現するという証拠がある。^[7]学習における具体的概念の例としては、足し算や引き算などの初期教育の算数概念がある。

抽象概念とは、感情、性格特性、出来事を扱う言葉や考えのことである。^[8]「空想」や「寒さ」などの言葉には、より抽象的な概念が含まれている。抽象概念の定義は人それぞれで、常に変化し比較されている。例えば、寒さは周囲の物理的な温度を意味する場合もあれば、他の人の行動や性格を定義する場合もある。具体的な概念の中にも抽象度は残っているが、具体的な概念と抽象的な概念はスケールで捉えることができる。椅子や犬などのアイデアは、より明確な認識を持っているが、寒さや空想などの概念は、より曖昧な形で捉えることができる。抽象概念学習の例としては、宗教や倫理などがある。抽象概念学習とは、刺激を規則（同一性、相違、奇数、より大きい、加算、減算など）に基づいて比較し、それが新しい刺激であるかどうかを見ることである。^[9]抽象概念学習には、刺激の新しさを定義するために、代替説明を排除する 3 つの基準がある。 1つは、転移刺激が個人にとって目新しいものでなければならないということです。つまり、個人にとって新しい刺激でなければならないということです。2つ目は、転移刺激の複製がないことです。3つ目、そして最後に、完全な抽象学習体験を得るには、ベースラインパフォーマンスと転移パフォーマンスが同量である必要があります。^[9]

Binder、Westbury、McKiernan、Possing、およびMedler（2005）^[10]は、 fMRIを使用して、抽象的および具体的な概念に関する語彙決定を行う際の個人の脳をスキャンしました。抽象的概念は、左中心前回、左下前頭回と溝、および左上側頭回でより大きな活性化を引き起こしましたが、具体的な概念は、両側角回、右中側頭回、左中前頭回、両側後帯状回、および両側楔前部でより大きな活性化を引き起こしました。

1986年にアラン・パイヴィオ^[11]は、情報を表すために言語情報と視覚情報の両方が使用されるという二重符号化理論を提唱しました。「犬」という概念を考えるとき、犬という言葉と犬の画像の両方が思い浮かびます。二重符号化理論では、抽象概念は言語意味システムに関与し、具体的な概念は視覚想像システムにも関与していると仮定しています。

関係概念および関連概念は、何らかの形で結びついた言葉、考え、考えです。関係概念は普遍的な定義で結びついています。一般的な関係用語は、上下、左右、食べ物と夕食です。これらの考えは幼少期に学習され、子供が理解することが重要です。^[12]これらの概念は、保全作業における理解と推論に不可欠です。^[13]動詞と前置詞である関係用語は、オブジェクトの理解に大きな影響を与えます。これらの用語は、オブジェクトに対するより広い理解を生み出す可能性が高く、他の言語にも適用できます。^[14]

関連概念は、個人の過去と自身の認識によって結び付けられています。連想概念学習（機能的概念学習とも呼ばれる）では、知覚の類似性に関係なく、共通の反応や結果に基づいて刺激を適切なカテゴリに分類します。^[15]これは、これらの考えやアイデアを、少数または個人が理解している他の考えやアイデアと関連付けることです。その一例は、小学校でコンパスの北、東、南、西の方向を学ぶときです。教師は「ふやけたワッフルを食べてはいけない」、「酸っぱいワームを食べてはいけない」を使用し、生徒は方向を学ぶのに役立つ独自のバージョンを作成することができました。^[16]

スキーマやスクリプトなどの構造は、複雑な概念の例です。スキーマは、より小さな概念 (または機能) を組織化したものであって、状況情報によって修正され、理解を助けます。一方、スクリプトは、人が目的の目標を達成するために実行するアクションのリストです。スクリプトの例としては、CD を購入するプロセスが挙げられます。CD を購入するという実際の行為の前に実行する必要があるアクションがいくつかあり、スクリプトは、CD の購入を成功させるために必要な一連のアクションと、これらのアクションの適切な順序を提供します。

教育と学習における概念達成は能動的な学習法である。したがって、概念達成を実行するために学習計画、方法、目標を選択することができる。デイビッド・パーキンの知識デザインに関する研究、パーキンの4つの質問は学習計画の質問を概説している：^[17]

1) コンセプトの重要な属性は何ですか?

2) コンセプトの目的は何ですか?

3) このコンセプトのモデルケースは何ですか?

4) この概念を学ぶことの根拠は何ですか? ^[17]

概念学習は歴史的に、概念が持つと想定される目的や機能に深く影響されて研究されてきた。研究では、概念の機能が学習プロセスにどのように影響するかを調査しており、外部機能に焦点を当てている。概念獲得研究のさまざまなモデルに焦点を当てることで、この分野の研究が拡大するだろう。記事や研究を読むときは、潜在的なバイアスに気づき、リソースを評価することがこのトピックでは必要である。^{[18] [19]}

一般的に、機械学習の概念学習の根底にある理論的課題は、帰納法の根底にある課題と同じです。これらの課題は、バージョン空間、統計学習理論、PAC学習、情報理論、アルゴリズム情報理論などのテーマに関する文献を含む、さまざまな出版物で取り上げられています。広範な理論的アイデアのいくつかは、Watanabe (1969、1985)、Solomonoff (1964a、1964b)、Rendell (1986) でも議論されています。以下の参考文献リストを参照してください。

特定の概念学習の心理学理論を前提とせずに、人間（または動物）の概念学習について一般的な発言をすることは困難です。哲学における概念と概念学習の古典的な見解は、抽象化、データ圧縮、単純化、要約のプロセスについて語っていますが、現在普及している概念学習の心理学理論は、これらすべての基本的な点において意見が分かれています。心理学の歴史では、概念学習に関する多くの理論が盛衰してきました。 古典的条件付け（パブロフによって定義）は、最も初期の実験手法を生み出しました。 ワトソンによって説明され、クラーク・ハルによって詳述された強化学習は、行動心理学において永続的なパラダイムを生み出しました。 認知心理学は、概念形成のためのコンピューターと情報フローのメタファーを強調しました。 概念形成と知識の構造に関するニューラルネットワークモデルは、ジョージ・ミラーのWordnetなどの強力な階層型知識組織化モデルを開拓しました。ニューラルネットワークは、因子分析または畳み込みを使用した学習の計算モデルに基づいています。ニューラル ネットワークは、カール ラシュリーとドナルド ヘブに従う神経科学および心理生理学的学習モデルにも適用できます。

ルールベースの概念学習理論は、認知心理学と、 if:then生成ルールなどの計算ステートメントを使用して高水準のコンピュータ言語で実装される可能性のある初期のコンピュータ学習モデルから始まりました。これらのモデルは、分類データとルールベース理論を入力として受け取り、ルールベース学習者によってデータのより正確なモデルが作成されることを期待しています (Hekenaho 1997)。開発されたルールベース モデルの大部分はヒューリスティックであり、つまり、合理的な分析が提供されておらず、モデルは帰納法の統計的アプローチとは関係がありません。ルールベース モデルの合理的な分析では、概念がルールとして表現されていると想定し、次に、合理的なエージェントが各ルールにどの程度の確信を持って同意すべきかを尋ね、いくつかの観察例を示します (Goodman、Griffiths、Feldman、および Tenenbaum)。ルールベースの概念学習理論は、定義学習よりも知覚学習に重点を置いています。ルールは、刺激が単純ではなく混乱しやすい場合に学習に使用できます。学習にルールが使用される場合、決定は特性のみに基づいて行われ、多くのメモリを必要としない単純な基準に依存します (Rouder および Ratcliff、2006)。

ルールベース理論の例:

「ルールベースの分類を使用する放射線科医は、X 線画像の特定の特性が特定の基準を満たしているかどうかを観察します。たとえば、疑わしい領域の明るさが他の領域と比較して極端に異なるかどうかなどです。その後、この特性のみに基づいて決定が下されます。」(Rouder および Ratcliff 2006 を参照)

概念学習のプロトタイプの見方では、人々は経験した例の中心傾向（またはプロトタイプ）を抽象化し、これを分類の決定の基礎として使用するとされています。

概念学習の原型的な見方では、人は特定のカテゴリの 1 つ以上の中心的な例と、それに続く徐々に典型性が減っていく例の周辺領域に基づいて分類すると考えられています。これは、人が定義にすべて対応するもののリストに基づいて分類するのではなく、中心的な例との意味的類似性に基づく階層的な目録に基づいて分類することを意味します。

模範理論とは、特定のインスタンス (模範) を保管し、新しいオブジェクトは、カテゴリの特定の既知のメンバー (および非メンバー) にどれだけ似ているかという点のみで評価される理論です。この理論では、学習者は例を逐語的に保管すると仮定しています。この理論では、概念学習を非常に単純化しています。個々のプロパティのみが表されます。これらの個々のプロパティは抽象的ではなく、ルールを作成しません。模範理論の例は、「水は濡れている」です。単に、保管されている水の例の一部 (または 1 つ、またはすべて) が濡れているというプロパティを持っていることがわかっています。模範に基づく理論は、人間の学習者が模範に基づく戦略を学習の初期段階でのみ使用し、後になってプロトタイプと一般化を形成することを示唆する証拠があることから、長年にわたって実証的に人気が高まっています。心理学の文献における模範モデルの重要な結果は、概念学習における複雑さが軽視されたことです。概念学習の最もよく知られている模範理論の 1 つは、一般化コンテキスト モデル (GCM) です。

模範理論の問題は、模範モデルが、模範間の類似性と、グループのメンバーシップを決定するルールの存在という 2 つの尺度に大きく依存していることです。これらの尺度を達成したり区別したりすることが難しい場合があります。

最近では、認知心理学者は、プロトタイプ モデルと模範モデルが両極端を形成するという考えを探求し始めています。人々は、この 2 つの極端な表現のほかに、複数のプロトタイプ表現を形成できることが示唆されています。たとえば、「スプーン」というカテゴリを考えてみましょう。2 つの異なるサブグループまたは概念クラスターがあります。スプーンは、大きくて木製のものか、小さくて金属製のもののどちらかである傾向があります。この場合、プロトタイプのスプーンは、金属と木材の混合物でできた中型の物体になりますが、これは明らかに非現実的な提案です。カテゴリ「スプーン」のより自然な表現は、代わりにクラスターごとに 1 つずつ、複数 (少なくとも 2 つ) のプロトタイプで構成されます。この点については、さまざまな提案がなされています (Anderson、1991 年、Griffiths、Canini、Sanborn、Navarro、2007 年、Love、Medin、Gureckis、2004 年、Vanpaemel、Storms、2008 年)。これらのモデルは、模範モデルとプロトタイプモデルの間の妥協点を提供するものと考えることができます。

説明に基づく学習の基本的な考え方は、新しい概念は、その例を経験し、基本的な概要を形成することによって獲得されるというものです。1^簡単に言えば、物事の性質を観察したり受け取ったりすることで、心はそれらの性質を持ち、それらの性質によって識別される概念を形成します。

1986 年にミッチェル、ケラー、ケダール・カベリによって提唱され、説明に基づく一般化と呼ばれる元の理論は、学習は漸進的な一般化を通じて起こるというものです。2^この理論は、機械に学習をプログラムするために最初に開発されました。人間の認知に適用すると、次のように解釈されます。心は、複数のものに当てはまる情報を積極的に分離し、それを物事のカテゴリのより広い説明に入力します。これは、図式化と同様に、何かがカテゴリに適合するための十分な条件を特定することによって行われます。

改訂されたモデルは、一般化、チャンキング、操作化、類推の 4 つの精神プロセスの統合を中心に展開されます³。

• 一般化とは、概念の基本的な特性を認識してラベルを付けるプロセスです。たとえば、鳥には羽と翼があります。羽と翼のあるものはすべて「鳥」として識別されます。
• 類似性や関連性に基づいて情報が精神的にグループ化されると、そのグループはチャンクと呼ばれます。チャンクのサイズは、1 つの項目と複数の部分から構成される場合もあれば、複数の項目と複数の部分から構成される場合もあります^。4
• 概念が操作化されるのは、心がその概念の例を特徴によって積極的に認識し、適切にラベル付けできるときです^。5
• 類推とは、潜在的な例の間の類似点を認識することです^。6

この概念学習の特定の理論は比較的新しいものであり、それをテストするためのさらなる研究が行われています。

ベイズ理論では、概念学習に数学的なアプローチを採用し、人間の心は、その概念について見た例に基づいて、特定の概念定義の確率を生み出すと提唱しています。 ^[20]ベイズの概念である事前確率は、過度に具体的ではなくなり、仮説の尤度によって定義が広すぎないことが保証されます。

たとえば、親が子供に 3 頭の馬を見せて、これらを「馬」と呼ぶと伝えたとします。子供は、大人がこの単語で何を意味しているのかを正確に理解する必要があります。子供は、「馬」という単語を、この種類の動物またはすべての動物のいずれかを指すものとして定義する可能性がはるかに高く、 「クライドデール以外のすべての馬」のような奇妙に具体的な例 (これは不自然な概念です) とは異なります。一方、示された 3 頭の動物がすべて非常によく似ている場合に、「馬」が「すべての動物」を意味する可能性は低いです。「馬」という単語がこの種のすべての動物を指すという仮説は、例を考えると妥当な事前確率と尤度の両方を備えているため、3 つの可能な定義の中で最も可能性の高いものです。

ベイズの定理は、データ分析だけに限定されない広い視野でデータを理解、操作、制御するための強力なツールを提供するため重要です^{6 。}このアプローチは主観的であり、事前確率の評価⁶が必要であり、非常に複雑でもあります。ただし、ベイズ主義者が蓄積された証拠とベイズの法則の適用が十分であることを示すことができれば、その作業は関連する入力の主観性を克服することになります⁷。ベイズ推論は、正直に収集されたデータであればどれでも使用でき、科学的な焦点を当てているため大きな利点があります⁶。

ベイズ理論の概念学習を取り入れたモデルの 1 つに、ジョン R. アンダーソンが開発したACT-Rモデルがあります。^[要出典] ACT-R モデルは、人間の行動を段階的にシミュレートすることで、人間の心を可能にする基本的な認知および知覚操作を定義するプログラミング言語です。この理論は、人間が実行する各タスクが一連の個別の操作で構成されているという考えを活用しています。このモデルは、学習と記憶、高レベル認知、自然言語、知覚と注意、人間とコンピューターの相互作用、教育、コンピューターで生成される力に適用されています。^[要出典]

John R. Anderson に加えて、Joshua Tenenbaum も概念学習の分野に貢献しています。彼は、ベイズ統計と確率論だけでなく、幾何学、グラフ理論、線形代数からも、成人、子供、機械の行動テストを使用して、人間の学習と推論の計算基盤を研究しました。Tenenbaum は、計算の観点から人間の学習をより深く理解し、人間の学習者の能力に近づく計算システムを構築しようと取り組んでいます。

MD Merrill のコンポーネント表示理論 (CDT) は、学習者に期待されるパフォーマンス レベルと学習する教材の内容の種類という 2 つの次元間の相互作用に焦点を当てた認知マトリックスです。Merrill は、学習者のパフォーマンス レベルを「発見」、「使用」、「記憶」、教材の内容を「事実」、「概念」、「手順」、「原則」に分類しています。この理論では、4 つの主要なプレゼンテーション形式とその他のいくつかの二次的なプレゼンテーション形式も使用されています。主要なプレゼンテーション形式には、ルール、例、想起、練習が含まれます。二次的なプレゼンテーション形式には、前提条件、目的、ヘルプ、記憶法、フィードバックが含まれます。完全なレッスンには、主要なプレゼンテーション形式と二次的なプレゼンテーション形式の組み合わせが含まれますが、最も効果的な組み合わせは学習者ごとに、また概念ごとに異なります。CDT モデルのもう 1 つの重要な側面は、学習者が使用する指導戦略を制御し、自分の学習スタイルや好みに合わせてそれらを調整できることです。このモデルの主な目標は、概念形成における 3 つの一般的なエラー (過度な一般化、過少な一般化、誤解) を減らすことでした。

• サンプル除外ディメンション

• ルーダー、ジェフリー、ラットクリフ、ロジャー (2006)。「カテゴリー化の例示理論と規則ベース理論の比較」。心理科学の現在の方向性。15 : 9–13。doi : 10.1111 /j.0963-7214.2006.00397.x。S2CID 7290181  。
• Goodman, Noah D.; Tenenbaum, Joshua B.; Feldman, Jacob; Griffiths, Thomas L. (2008 年 1 月 2 日). 「ルールベースの概念学習の合理的分析」.認知科学. 32 (1): 108–154. doi : 10.1080/03640210701802071 . PMID  21635333.
• Hekanaho, Jukka (1997 年 8 月 14 日)。概念学習における GA ベースのルール強化(PDF)。KDD'97: 知識発見とデータマイニングに関する第 3 回国際会議の議事録。AAAI プレス。pp. 183–186。ISBN 978-1-57735-027-9。
• フェルドマン、ジェイコブ (2003)。「人間の概念学習における単純性原理」。心理科学の最新動向。12 ( 6): 227–232。doi : 10.1046 /j.0963-7214.2003.01267.x。S2CID 15441281  。
• レンデル、ラリー (1986)。「帰納法の一般的な枠組みと選択的帰納法の研究」。機械学習。1 (2): 177–226。doi : 10.1007/ BF00114117。
• Hammer, Rubi (2008). 「カテゴリー学習における比較プロセス: 理論から行動へ」. Brain Research . 1225 (15): 102–118. doi :10.1016/j.brainres.2008.04.079. PMID  18614160. S2CID  106981.
• Hammer, Rubi (2009). 「カテゴリー学習戦略の発達: 何が違いを生むのか?」認知. 112 (1): 105–119. doi :10.1016/j.cognition.2009.03.012. PMID  19426967. S2CID  1199541.
• 渡辺聡（1969年）『知ることと推測すること：推論と情報の定量的研究』ニューヨーク：ワイリー。ISBN 9780471921301。
• 渡辺聡（1985）「パターン認識：人間と機械」ニューヨーク：ワイリー。
• ソロモノフ、RJ（1964）。「帰納的推論の形式理論。パートI」。情報と制御。7 （1）：1–22。doi ： 10.1016 / S0019-9958 （64）90223-2。
• Solomonoff, RJ (1964). 「帰納的推論の形式理論。パート II」。情報と制御。7 (2): 224–254。doi :10.1016/ S0019-9958 (64)90131-7。
• 「脳と認知科学」マサチューセッツ工科大学。 2007年11月23日閲覧。
• Kearsley, Greg (1994). 「コンポーネント表示理論 (MD Merrill)」。2007-12-04に閲覧。
• Kearsley, Greg (1994). 「コンセプト」。2011-07-09 にオリジナルからアーカイブ。2007-12-04に閲覧。
• 「コンポーネント表示理論」。2007 年 4 月 10 日。2007年 12 月 4 日に閲覧。
• 「概念の達成」 1999年. 2007年12月4日閲覧。
• 「概念学習」。2007 年 11 月 7 日。2007年 12 月 4 日閲覧。
• 「コンセプト形成」。マグロウヒル社。2007年。 2007年12月4日閲覧。
• ベリー、ドナルド A. (1997–1998)。「科学の現場での応用を考慮した初等ベイズ統計の指導」アメリカ統計学者5 ( 3): 241–246. doi :10.1080/00031305.1997.10473970。
• ブラウン、ハロルド I. (1994)。「理性、判断、ベイズの法則」。科学哲学。61 (3): 351–369。doi :10.1086 / 289808。S2CID 122639303  。
• Lindley, Dennis V. (1983). 「ベイズ統計の理論と実践」. The Statistician . 32 (1/2): 1–11. doi :10.2307/2987587. JSTOR  2987587.