ジョン・K・クルシュケ

ジョン・ケンドール・クルシュケは、アメリカの心理学者、統計学者であり、人間の学習に関するコネクショニストモデル^[1] やベイズ統計分析^{[2]の研究で知られています。彼は}インディアナ大学ブルーミントン 校の心理学・脳科学科の 名誉教授 ^{[3] [4]}です。彼は2002年に米国科学アカデミーからトロランド研究賞を受賞しました。^[5]

クルシュケの人気教科書「ベイズデータ分析の実践」^[2]は 、その分かりやすさと概念のユニークな構築で有名でした。本の前半では、最も単純なタイプのデータ（つまり、二値）を使用して、一般化ベイズ検出力分析やサンプルサイズ計画など、ベイズ分析のすべての基本概念を紹介しました。本の後半では、一般化線形モデルをフレームワークとして使用し、他のさまざまなタイプのデータへの応用を説明しました。

クルシュケはベイズデータ分析に関する多くのチュートリアル記事を執筆しており、その中にはベイズと頻度主義の概念を並べて説明するオープンアクセス記事も含まれています。^[6] 頻度主義とベイズ分析を同時にインタラクティブに実行するオンラインアプリも付属しています。クルシュケは、米国統計教育会議 (USCOTS) でこのトピックに関するビデオ録画された全体講演を行いました。

ベイズデータ分析は人気が高まっていますが、多くの分野ではまだ比較的新しいものであり、ベイズ分析を報告するためのガイドラインは研究者、査読者、学生にとって有用です。Kruschkeのオープンアクセスベイズ分析報告ガイドライン（BARG） ^[7]は、 説明付きのステップバイステップのリストを提供しています。たとえば、BARGは、アナリストがベイズ仮説検定を使用する場合、レポートにはベイズ係数だけでなく、事後モデル確率が決定基準を超えるための最小の事前モデル確率も含めるべきであると推奨しています。

クルシュケは、パラメータの事後推定値の不確実性に基づいて、パラメータのヌル値を評価する決定手順を提案した。^[8] このアプローチは、モデル比較としてのベイズ仮説検定とは対照的である。^[9]

リデルとクルシュケ ^[10]は、 順序データ（主観的評価など）を測定基準値のように扱う一般的な方法は、解釈の誤り、さらには平均値の逆転につながる可能性があることを示した。この問題は、順序データを順序モデル、特に順序プロビットモデルで扱うことで解決された。頻度主義手法でも順序プロビットモデルを使用できるが、著者らは堅牢性からベイズ手法を好んだ。

2010年までのKruschkeの注意学習モデルの概要は参考文献に記載されています。^[11] この参考文献では、注意学習を示唆する人間の学習に関する数多くの発見が要約されています。また、この参考文献では、一般的な枠組みの下でのKruschkeの一連の学習モデルも要約されています。

バックプロパゲーションネットワークは、深層学習ニューラルネットワークの中核となるコネクショニストモデルの一種です。クルシュケのバックプロパゲーションネットワークに関する初期の研究では、ネットワーク内の隠れ層の次元を拡大または縮小するアルゴリズムが作成され、それによってネットワークがトレーニングケースからテストケースに一般化する方法に影響を与えました。^[12] このアルゴリズムは学習速度も向上させました。^[13]

連合学習のALCOVEモデル ^[1] は、バックプロパゲーションネットワークと同様に誤差勾配降下法を使用して、どの刺激次元に注意を向け、どの刺激次元を無視するかを学習します。ALCOVEモデルは、RMノソフスキーの一般化コンテキストモデル ^[14]から派生したものです 。これらのモデルは、人間の知覚次元（色、サイズなど）に基づいて多次元空間で刺激を数学的に表現し、トレーニング例が完全な手本（つまり、次元の値の組み合わせ）としてメモリに保存されていると想定しています。ALCOVEモデルは入力と出力のペアでトレーニングされ、徐々に手本をトレーニングされた出力に関連付けながら、同時に関連する次元に注意を向け、無関係な次元から注意をそらします。

ALCOVEモデルの拡張版であるRASHNLは、限られた容量の注意力を伴う勾配降下法の数学的に首尾一貫したメカニズムを提供した。^[15] RASHNLモデルは、刺激が提示されると注意が急速に移行するが、試行をまたいだ注意の学習はより緩やかであると仮定した。

これらのモデルは、多数の人間の学習実験から得られた経験的データに適合され、異なるタイプの関連性を学習する際の相対的な難しさや、訓練および一般化中の個々の刺激の精度について優れた説明を提供した。これらのモデルは学習のすべての側面を説明できるわけではない。たとえば、反転シフト（つまり、「A」だったものが「B」になり、その逆も然り）の人間の学習の速さを説明するには、追加のメカニズムが必要であった。^[16]

トレーニングセッションを通じて、人々が個別の特徴の組み合わせを連続的に分類することを学ぶとき、人々は特徴の完全な組み合わせを学ぶのではなく、後で学習した項目の独特の特徴を学ぶ傾向があります。後で学習した項目の独特の特徴へのこの注目は「強調効果」と呼ばれ、以前の「逆ベースレート効果」として知られる発見から派生したものです。^[17]

クルシュケは、人間の被験者を対象にした一連の新しい学習実験を実施し、その結果を説明する2つのコネクショニストモデルを開発した。ADITモデル ^[18]は 特徴的な特徴に注意を向けることを学習し、EXITモデル ^[19]は 各試行で注意を素早くシフトすることを学習した。標準的な強調表示実験と結果のレビューは参考文献として提示された。^[20]

人間は「高さよりも幅が広い液体の容器はボウルと呼ばれる」などの規則に従って刺激を分類することを学ぶことができる。また、「この特定のケースはマグカップと呼ばれる」などの規則の例外も学ぶことができる。一連の実験により、人間は比較的例外的なケースに近い新しいアイテムを、例に基づくモデルで予測されるよりも規則に従って分類する傾向があることが実証された。このデータを説明するために、エリクソンとクルシュケは、規則に基づく表現と例に基づく表現の間で注意をシフトするハイブリッドモデルを開発した。^{[21] [22] [23]}

人々はまた、「ページの高さは幅の約1.5倍である」など、関数と呼ばれる変数間の連続的な関係を学ぶことができます。例外的なケースを持つ関数の例で人々が訓練されると、データはローカルに適用可能な機能ルールを組み合わせたハイブリッドモデルによって説明されます。^[24]

クルシュケはまた、彼のコネクショニストモデルによって対処された人間の学習結果のベイジアンモデルを研究した。連続的または連続的な学習（前述のハイライトなど）の効果は、通常順序の独立性を前提とするベイジアンモデルにとって特に難しい場合がある。学習システム全体がグローバルベイジアンであると想定する代わりに、クルシュケはシステムの層がローカルベイジアンであるモデルを開発した。^[25] この「ローカルベイジアン学習」は、非ベイジアン学習モデルまたはグローバルベイジアン学習モデルでは難しい現象の組み合わせを説明した。

ベイズ表現のもう一つの利点は、各パラメータに単一の値しか保存しない典型的なコネクショニストモデルとは異なり、パラメータ値の不確実性を本質的に表現することです。不確実性の表現は、学習者が次にどのケースを学習するのが最も有用かを決定する能動学習を導くために使用できます。^[26]

クルシュケ氏は1989年にインディアナ大学ブルーミントン校の心理学・脳科学科の講師に就任し、2022年に名誉教授として退職するまでIUに在籍しました。

クルシュケは、1983 年にカリフォルニア大学バークレー校で一般学業成績優秀の成績で数学の学士号を取得しました。1990 年には、同じくカリフォルニア大学バークレー校で心理学の博士号を取得しました。

クルシュケは、カリフォルニア州オハイのサッチャースクールで開催された1978年のサマーサイエンスプログラムに参加し、天体物理学と天体力学を学んだ。また、カーネギーメロン大学で開催された1988年のコネクショニストモデルサマースクール ^[27]にも参加した 。

• ファイ・ベータ・カッパ（学術栄誉協会）、1982年。
• 国立科学財団大学院フェローシップ、1983年。
• 1994年国立精神衛生研究所FIRST賞受賞。
• インディアナ大学理事会優秀教育賞：1997年、1998年、1999年、2008年、2009年、2010年、2011年、2012年。^[28]
• トロランド研究賞、米国科学アカデミー、2002年。^[5]
• 2012年インディアナ大学レマック優秀学者賞受賞。
• インディアナ大学学長教授、2018年。^{[3] [4]}

• 公式サイト
• 教員ページ
• Google Scholarに索引付けされた John K. Kruschke の出版物