概念学習

具体的な概念とは、個人的な感覚や知覚によって認識できる対象です。椅子や犬のような対象では、個人的な相互作用が生じ、概念が形成されます。^{[ 4 ]}概念は、それに関連付けられる言葉が知覚可能な実体を持つほど、より具体的になります。^{[ 5 ]}パイヴィオの二重符号化理論によれば、具体的な概念は、その知覚記憶コードからより簡単に記憶されるものです。^{[ 6 ]}証拠によれば、言葉が聞かれると、具体的な概念に関連付けられ、感覚運動系内でその言葉との以前の相互作用が再現されます。^{[ 7 ]}学習における具体的な概念の例としては、足し算や引き算などの初期の教育数学の概念があります。

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す。^{[ 8 ]}空想や寒いといった用語には、より抽象的な概念が含まれています。抽象概念の定義は人それぞれで、常に変化し比較されます。例えば、寒いとは周囲の物理的な温度を意味する場合もあれば、他人の行動や性格を定義する場合もあります。しかし、具体的な概念の中にも抽象性のレベルがあり、具体的な概念と抽象的な概念は尺度で見ることができます。椅子や犬のような概念は認識がより明確ですが、寒いや空想のような概念はより曖昧な形で見ることができます。抽象概念学習の例としては、宗教や倫理などのトピックがあります。抽象概念学習とは、ルール（例えば、同一性、差異、異質性、より大きい、加算、減算）に基づいて刺激を比較し、それが新しい刺激である場合に、その比較を見ることです。^{[ 9 ]}抽象概念学習には、刺激の新規性を定義する代替説明を排除するための3つの基準があります。1つの転移刺激は、個人にとって新規である必要があります。これは、個人にとって新しい刺激である必要があることを意味します。2つ目は、転移刺激の複製がないことです。3つ目に、そして最後に、完全な抽象的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、抽象概念と具体概念について語彙判断を行う個人の脳をスキャンしました。抽象概念は、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、アラン・パイヴィオ^{[ 11 ]}は、言語情報と視覚情報の両方が情報を表現するために使用されるという二重符号化理論を提唱した。犬という概念を考えるとき、犬という単語と犬のイメージの両方が思い浮かぶ。二重符号化理論は、抽象的な概念には言語意味システムが関与し、具体的な概念にはさらに視覚的イメージシステムが関与すると仮定している。

関係概念と関連概念は、何らかの形で結びついている言葉、考え、思考です。関係概念は普遍的な定義で結びついています。一般的な関係用語には、上下、左右、食べ物と夕食などがあります。これらの考えは幼少期に学習され、子供たちが理解することが重要です。^{[ 12 ]}これらの概念は、保存課題における理解と推論に不可欠です。^{[ 13 ]}動詞や前置詞である関係用語は、対象物の理解に大きな影響を与えます。これらの用語は対象物のより深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知覚によって結び付けられます。連想概念学習（機能概念学習とも呼ばれる）は、知覚の類似性に関係なく、共通の反応または結果に基づいて刺激を適切なカテゴリに分類することを含みます。^{[ 15 ]}これは、これらの考えやアイデアを、少数の人または個人によって理解されている他の考えやアイデアと関連付けることです。この例として、小学校で方位磁針の北、東、南、西の方向を学ぶことが挙げられます。教師は「ふやけたワッフルは絶対に食べてはいけない」「酸っぱい虫は絶対に食べてはいけない」などを使用し、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といった構成要素は、複雑な概念の例です。スキーマは、より小さな概念（または特徴）を組織化したもので、理解を助けるために状況情報によって修正されます。一方、スクリプトは、人が望む目標を達成するために従う一連の行動のリストです。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を実際に購入する前に実行しなければならない行動がいくつかあり、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行動と、それらの行動の適切な順序を示します。

教育と学習における概念獲得は、能動的な学習方法です。したがって、概念獲得を実現するために、学習計画、方法、目標を選択できます。デビッド・パーキンの知識を設計として捉える研究、パーキンの4つの質問は、学習計画の質問を概説しています。^{[ 17 ]}

1) この概念の重要な特徴は何ですか？

2) この概念の目的は何ですか？

3) この概念のモデルとなる事例はどのようなものか？

4) その概念を学ぶべき理由は何ですか？^{[ 17 ]}

概念学習のルールベース理論は、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備えた高水準コンピュータ言語で実装できる初期のコンピュータ学習モデルから始まりました。ルールベース学習器の結果である分類データとルールベース理論を入力として受け取り、データのより正確なモデルを生成することを期待します。^{[ 20 ]}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、合理的な分析が提供されておらず、モデルは帰納への統計的アプローチとは関連していません。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仮定し、観察された例がいくつか提供され、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問うことができます。^{[ 21 ]}概念学習のルールベース理論は、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同しやすい場合に学習に使用できます。ルールが学習に使用される場合、決定は特性のみに基づいて行われ、多くの記憶を必要としない単純な基準に依存します。^{[ 22 ]}

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べて極端に異なっているかどうかなどです。そして、この特性のみに基づいて判断が下されます。」^{[ 22 ]}

概念学習のプロトタイプ説によれば、人々は経験した事例の中心的傾向（またはプロトタイプ）を抽象化し、それを分類判断の基礎として用いる。

概念学習のプロトタイプ的見解では、人々は特定のカテゴリーの中心的な例を1つ以上参照し、それに続いて典型性が低下していく例の周辺領域を順に参照することで分類を行うとされています。これは、人々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いた階層的なリストに基づいて分類を行うことを意味します。

事例理論は、特定の事例（事例）を保存し、新しい対象は、そのカテゴリーの既知の特定のメンバー（および非メンバー）にどれだけ似ているかという点のみに基づいて評価されるというものです。この理論は、学習者が事例をそのまま保存すると仮定しています。この理論は、概念学習を非常に単純化したものと考えています。個々の特性のみが表現されます。これらの個々の特性は抽象的ではなく、規則を作成するものでもありません。事例理論の例としては、「水は濡れている」が挙げられます。保存されている水の例のいくつか（または1つ、またはすべて）が「濡れている」という特性を持っていることが単にわかっているだけです。事例に基づく理論は、人間の学習者が初期学習でのみ事例に基づく戦略を使用し、人生の後半で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、長年にわたって経験的に人気が高まっています。心理学文献における事例モデルの重要な成果は、概念学習における複雑さの軽視です。概念学習の最もよく知られた事例理論の1つは、一般化コンテキストモデル（GCM）です。

事例理論の問題点は、事例モデルが2つの尺度に大きく依存している点にある。それは、事例間の類似性と、グループへの所属を決定するルールである。これらの尺度を達成したり、区別したりすることは、時に困難である。

近年、認知心理学者は、プロトタイプモデルとエグゼンプラーモデルが二つの極端なモデルであるという考え方を探求し始めています。人々は、この二つの極端な表現に加えて、複数のプロトタイプ表現を形成できると示唆されています。例えば、「スプーン」というカテゴリーを考えてみましょう。スプーンには、大きくて木製のものか、小さくて金属製のものかという、二つの明確なサブグループ、あるいは概念的なクラスターがあります。すると、典型的なスプーンは、金属と木材の混合物でできた中型の物体ということになりますが、これは明らかに非現実的な提案です。「スプーン」というカテゴリーのより自然な表現は、各クラスターに一つずつ、複数の（少なくとも二つの）プロトタイプで構成されるでしょう。この点に関して、様々な提案がなされています（Anderson, 1991; Griffiths, Canini, Sanborn & Navarro, 2007; Love, Medin & Gureckis, 2004; Vanpaemel & Storms, 2008）。これらのモデルは、エグゼンプラーモデルとプロトタイプモデルの中間的なモデルと見なすことができます。

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、心は物事の性質を観察したり受け取ったりすることによって、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。

ミッチェル、ケラー、ケダー＝カベリが1986年に提唱し、「説明に基づく一般化」と呼ばれるこの理論は、学習は漸進的な一般化を通して起こるというものである。2^この理論は、当初は機械に学習をプログラムするために開発された。人間の認知に適用すると、次のように解釈される。心は、複数の事柄に当てはまる情報を積極的に分離し、それをより広いカテゴリーの事柄の説明に組み込む。これは、図式化と同様に、何かがカテゴリーに当てはまるための十分条件を特定することによって行われる。

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ています³。

• 一般化とは、ある概念の本質的な特徴を認識し、ラベル付けするプロセスである。例えば、鳥には羽と翼がある。羽と翼を持つものはすべて「鳥」として識別される。
• 情報が類似性や関連性に基づいて精神的にグループ化される場合、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、複数の部分からなる単一の項目から、多くの部分からなる多数の項目まで様々です^。4
• 概念は、心がその特徴に基づいて例を積極的に認識し、適切にラベル付けできるようになったときに、操作的に具体化される^。5
• 類推とは、潜在的な例の間で類似点を認識することである^。6

この概念学習に関する理論は比較的新しく、その妥当性を検証するための研究が現在も続けられている。

概念学習に数学的アプローチを採用したベイズ理論では、人間の心は、ある概念の定義についてこれまで見てきた例に基づいて、その定義に対する確率を生成すると提唱している。 ^{[ 23 ]}ベイズ理論における事前確率の概念は、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る。

例えば、親が子供に3頭の馬を見せて「これらは『馬』と呼ばれる」と言ったとします。子供は、この言葉で大人が具体的に何を意味しているのかを理解する必要があります。子供は「馬」という言葉を、この種の動物、あるいはすべての動物を指すものとして定義する可能性の方がはるかに高く、「クライズデール以外のすべての馬」といった不自然な概念として定義する可能性は低いでしょう。一方、提示された3頭の馬がすべて非常によく似ている場合、「馬」が「すべての動物」を意味する可能性は低いと言えます。したがって、 「馬」という言葉がこの種のすべての動物を指すという仮説が、3つの可能な定義の中で最も可能性が高いと言えます。なぜなら、この仮説は、妥当な事前確率と、与えられた例に基づく妥当性の両方を備えているからです。

ベイズの定理は^、データ分析だけに限定されないより広い視野で^データを理解し、操作し、制御するための強力なツールを提供する点で重要です^。5このアプローチは主観的であり、事前確率の評価が必要となるため、非常に複雑です。しかし、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せば、この研究は関連する入力の主観性を克服します^。7ベイズ推論は、誠実に収集されたあらゆるデータに使用でき、科学的な焦点があるため大きな利点があります^。6

ベイズ理論に基づく概念学習モデルの一つに、ジョン・R・アンダーソンによって開発されたACT-Rモデルがあります。ACT -Rモデルは、人間の行動を段階的にシミュレーションすることで、人間の精神を支える基本的な認知・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、人間が行う各タスクが一連の離散的な操作から成り立っているという考えに基づいています。このモデルは、学習と記憶、高次認知、自然言語、知覚と注意、人間とコンピュータの相互作用、教育、コンピュータ生成力など、幅広い分野に応用されています。

ジョン・R・アンダーソンに加え、ジョシュア・テネンバウムも概念学習の分野に貢献してきた。彼は、ベイズ統計学や確率論だけでなく、幾何学、グラフ理論、線形代数といった分野からも、成人、子供、機械の行動テストを用いて、人間の学習と推論の計算論的基盤を研究した。テネンバウムは、計算論的な観点から人間の学習をより深く理解し、人間の学習能力に限りなく近い計算システムを構築しようと努めている。

MD Merrillの構成要素表示理論（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「見つける」「使う」「覚える」に分類し、教材の内容を「事実」「概念」「手順」「原理」に分類しています。この理論では、4つの主要な提示形式といくつかの二次的な提示形式も用いられています。主要な提示形式には、規則、例、想起、練習が含まれます。二次的な提示形式には、前提条件、目標、補助、記憶術、フィードバックが含まれます。完全なレッスンは、主要な提示形式と二次的な提示形式の組み合わせで構成されますが、最も効果的な組み合わせは学習者によって、また概念によって異なります。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、自身の学習スタイルや好みに合わせて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つの一般的な誤り、すなわち過剰一般化、過小一般化、誤解を減らすことでした。