lOMoARcPSD|6501703

CURS 2 - Paradigmele Psihologiei Cognitive

Psihologie Cognitivă (Universitatea Babeș-Bolyai)

StuDocu nu este sponsorizat sau avizat de nicio universitate

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)
 lOMoARcPSD|6501703

 Principala preocupare a psihologiei cognitive - analiza nivelului reprezentațional-algoritmic.

 Modul în care subiectul uman își reprezintă mediul și cunoștințele despre acesta, precum și
procedurile de prelucrare ale acestor reprezentări pentru a permite rezolvarea de probleme, și, în
final, adaptarea la mediu este piatra de încercare a psihologiei cognitive.

PARADIGMA SIMBOLICĂ CLASICĂ

 A orientat dezvoltarea psihologiei cognitive încă din primii ani ai afirmării acestora.
 Rădăcini puternice filozofice atât în raționalism (Leibniz, Descartes) cât și în empirismul englez
(Th. Hobbes, J. Locke și D. Hume) - de aici numele de clasică.
 În logica simbolică, propozițiile sunt reprezentate prin variabile propoziționale sau funcții
propoziționale.
 Operarea cu aceste simboluri se realizează în baza unor reguli care nu mai țin seamă de
cunoștințele sau propozițiile a căror simbolizare sunt.
 Expresiile simbolice complexe se pot genera exclusiv pe baza unor reguli abstracte dintr-o
mulțime de expresii simple.
o Unele expresii (teoreme) pot fi deduse pe baza unor reguli de deducție din altele
(axiome).
 Teza principala a paradigmei clasic-simbolice: cunoștințele și, implicit stările de lucruri
corespunzătoare, sunt reprezentate în sistemul cognitiv prin simboluri sau structuri simbolice.
 Un simbol este o reprezentare care denotă obiecte sau stări de lucruri și se supune unor reguli de
combinare.
 Expresiile lingvistice, conceptele, judecățile, imaginile sunt reprezentări simbolice.
o Pentru a putea opera cu cunoștințele, calculatorul trebuie să recurgă la codarea lor într-un
limbaj de programare.
o Expresiile rezultate sunt reprezentări simbolice: ele denotă cunoștințe și stări de lucru, dar
în același timp pot fi manipulate de un sistem fizic.
 Pentru a putea opera cu cunoștințe, creierul le codează în expresii simbolice.
 Sistemul cognitiv uman = Sistem fizico-simbolic.
 Sistemul cognitiv uman este un sistem fizic, pentru că are o instanțiere neurobiologică și este
simbolic, deoarece, pentru a putea opera cu cunoștințe, și le reprezintă sub forma unor expresii
simbolice, pe care le manipulează după anumite reguli.
o Ex: cunoștințele pe care le are despre un anumit obiect și le reprezintă lingvistic, iar
expresiile lingvistice sunt manipulate pe baza unor reguli semantice, sintactice și pragmatice.
 S-a căutat reducerea tuturor problemelor la probleme bine-definite.

PARADIGMA (NEO)CONEXIONISTĂ
 = Paradigma procesărilor paralele distribuite/ modelare neuromimetică (neuronală).
 Ea pornește de la ideea că activitatea cognitivă poate fi explicată pe baza unor modele de
inspirație neuronală.
 O rețea neuromimetică poate realiza calcule logice.
 F.Rosenblatt - rețea neuromimetică cu două niveluri - perceptron - discriminare între dotă
impulsuri senzoriale diferite.
 Parallel Distributed Processing: Exploration in the Microstructure of Cognition, vol. 2:
Psychological and Biological Models.

REȚELE NEUROMIMETICE
 Nucleul teoretic al neoconexionismului se află în jurul modelării procesării informației (la nivel
reprezentațional-algoritmic) prin rețele neuromimetice.

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)

 lOMoARcPSD|6501703

 Neoconexionismul susține că informația este reprezentată de sistemul cognitiv uman prin valori și
patternuri de activare ale unor unități simple (neuromimi).
 Aceste rețele poartă numele de rețele neuromimetice sau rețele neuronale.
 Norman: „informația circulă între unitățile de procesare nu sub forma unor mesaje, ci a unor
valori de activare, sub formă de scalari, nu de simboluri”.
o Regulile care guvernează dinamica acestor rețele nu sunt reguli de manipulare a
simbolurilor, ci reguli de modificare sau propagare a valorilor de activare.
o Procedurile de transformare (algoritmi) a inputului în output nu mai sunt de natură
formal-logică, nu mai vizează ordonarea unor expresii simbolice, ci constau în ajustarea
reciprocă a patternurilor de activare dintre unitățile rețelei.
 O rețea neuromimetică, model conexionist este formată din:
o O mulțime de unități.
o O stare de activare.
o O regulă de activare.
o O funcție output.
o Un pattern de conexiuni între aceste unități.
o Reguli de învățare.
o Un mediu (sau ambianță) în care operează rețeaua respectivă.

1. Unitățile (u).
o = unități cognitive/ neuromimi/ neuroni formali/ noduri.
o Singura caracteristică = valoarea ei de activare (-1 - 1).
o Dacă unitățile au funcție de a recepta input, convertindu-l într-o valoare de activare =
unități input.
o Unitățile care transmit outputul în mediul rețelei se numesc unități output.
o Ambele pot fi accesate din mediu, de aceea se numesc unități vizibile.
o Dacă între unitățile input și unitățile output se interpun alte unități, ele nu pot fi
accesate direct, de aceea se numesc unități ascunse.
 Principala lor funcție este de a modula valorile de activare ce se propagă între
unitățile vizibile.
o Rețele conexioniste care conțin doar unități vizibile = unități binivelare.
o Dacă rețeaua conține și unități ascunse = multinivelară.
o Neuromimii nu sunt interpretabili semantic.
 Adică nu simbolizează stări de lucruri.
 Ceea ce face ca rețelele conexioniste să fie semantic-opace, spre deosebire de
modelele simbolice care sunt semantic-transparente.
o Unitățile neuromimetice li se poate atribui o interpretare de cel care explorează
proprietățile rețelei.
 Interpretarea este exterioară.
 Nu este inerentă rețelei respective.
 Rețeaua nu manipulează simboluri, ci valori de activare.
o Rețele se împart în 2 categorii;
 Rețele localizaționiste - fiecare unitate reprezintă un concept sau o anumită
ipoteză.
 Rețele distributive - informația este distribuită pe interacțiunile dintre unități.
o Un anumit concept sau propoziție nu este reprezentat de o singură unitate, ci de patternul
de conexiuni dintre unitățile unei rețele.
2. Stările de activare
o Indică nivelul de activitate.

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)

 lOMoARcPSD|6501703

o O unitate dintr-o rețea conexionistă nu este nimic altceva decât o stare de activare, codată
într-un număr.
o Se poate alege orice alt interval.
o O rețea conexionistă apare ca o matrice a valorilor de activare.
 Modificare stărilor de activare corespunde cu modificarea valorilor din interiorul
matricei respective.
o Orice unitate cognitivă are un rest de activare, rezultat al stimulărilor ei trecute.
 Valoarea de activare se deteriorează o dată cu trecerea timpului sau cu modificare
conexiunilor - așa cum la un neuron real rata sa de descărcare descrește în funcție de
timp sau prin inhibiție laterală.
 Rata descreșterii stării de activare = rata degradării = dr = decay rate.
3. Regula de activare
o Este o funcție ce stabilește modul în care se modifică valoarea de activare a unităților
dintr-o rețea.
o Modificarea stării de activarea (a) se stabilește pe baza calculului netinputului.
 Netinputul reprezintă suma inputurilor recepționate de o anumită unitate.
 Aceste inputuri sunt ponderate cu ponderea sau tăria legăturilor dintre unitățile
input (ui) și unitatea receptoare (uj).
 Netinputul este suma ponderată a valorilor de activare recepționate.
o Modificarea valorii de activare se realizează adăugând netinputul la restul de activare.
o Funcția de activare are o formă sigmoidă: inițial, valori mai mici ale netinputului produc
modificări semnificative ale stării de activare a unității, după un anumit prag creșterea
netinputului neafectând semnificativ valoarea de activare.
4. Funcția output
o Funcția output stabilește relația dintre valoarea de activare a unei unități și outputul pe
care ea îl transmite sper ale unități din rețea.
o În cazul cel mai simplu, valoarea outputului este egală cu valoarea stării de activare.
o Ca soluție alternativă se poate stabili un prag de activare sub care valoarea outputului este
zero, iar deasupra căruia valoarea outputului este egală cu starea de activare.
5. Conexiunile
o Nodurile rețelei sunt legate între ele prin conexiuni.
o Ponderea sau importanța conexiunii dintre două unități „i” și „j” se notează cu „Wij”.
o Dacă conexiunile sunt orientate într-o singură direcție, adică după activare se propagă
numai de la unitățile de input spre unitățile output, atunci avem de-a face cu o rețea
unidimensională (feed-forward network).
o Dacă conexiunile sunt reciproce, atunci se stabilește ponderea pentru fiecare dintre ele.
 Avem: o conexiune de la i la j cu ponderea Wij și o conexiune de la j la i cu
ponderea Wji.
 Interacțiunile sunt bidirecționale.
 Rețea interactivă.
o Atât în cazul rețelelor unidimensionale/unidirecționale cât și în cazul celor interactive,
conexiunile pot fi excitative sau inhibitive.
 Conexiunile excitative au o pondere pozitivă, adică ponderea Wi,j (și/sau Wj,i)
este pozitivă.
 De regulă 0<Wi,j sau Wj,i <1.
 Când ponderea Wi,j (și/sau Wj,i) este negativă, avem de-a face cu conexiuni
inhibitive.
 -1< Wi,j < 0.
o Ponderea conexiunilor modulează starea de activare și valoarea netinputului unei unități
cognitive.

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)

 lOMoARcPSD|6501703

o În multe rețele conexioniste unitățile de la același nivel funcționează pe baza inhibiției

laterale: dacă una dintre unități este excitată (= are valoare de activare pozitivă), ea inhibă (=
reduce starea de activare) unitățile de la același nivel (competitive learning).
o Învățarea constă tocmai în modificarea tăriei sau importanței acestor conexiuni.
6. Reguli de învățare
o Modificarea tăriei conexiunilor se face pe baza unor reguli de învățare.
 Acestea sunt, de fapt, niște algoritmi sau ecuații care guvernează modularea
ponderii conexiunilor dintr-o rețea.
o Regula lui Hebb
 Stipulează că ponderea conexiunii dintre două unități se modifică în funcție de
produsul valorilor lor de activare.
 Ponderea conexiunii crește dacă unitățile au o stare de activare de același semn și
scade în caz contrar.
 Proporția cu care se modifică tăria conexiunii este modulată și de o rată de
modificare a interacțiunilor stabilită de creatorul rețelei respective.
 = rată a învățării = lr (learning rate).
 Număr natural între 0 și 1.
 Wu, i = lr x au x ai
o Regula delta (regula Widrow-Hoff)
 Utilizează discrepanța între outputul dezirabil (du) și outputul actual (au).
 Modificare ponderii conexiunii:
 Wu, i = lr(du - au)ai
 Ponderea unei conexiuni se modifică cu atât mai mult cu cât
eroarea sau diferența du-au este mai mare.
 Dacă du=au, atunci diferența este nulă, ceea ce înseamnă că
rețeaua a oferit răspunsul dorit și ponderea conexiunilor rămâne
neschimbată.
 Regula delta ajustează tăria conexiunilor pe baza calculului erorii.
o Regula retropropagării erorii
 = delta generalizată
 = extindere a regulii delta la rețele multinivelare.
 Eroarea sau decrementul du și au se propagă invers, de la nivelul unităților output
spre cele ascunse și spre cele input.
 Conexiunile se modifică în funcție de ponderea pe care o au în comiterea erorii.
 Wu, h = lr delta au x ah
 „u” și „h” - oricare două unități output (u) și ascunse (h).
 Mai întâi se calculează ponderea pe care conexiunile dintre h și u au
avut-o în comiterea erorii pe baza regulii delta cunoscute.
 Apoi se modifică tăria legăturii dintre ele în funcție de contribuția pe care
aceasta a avut-o la apariția erorii.
 Procedura se repetă pentru conexiunile dintre unitățile input (i) și
unitățile ascunse (h).
o Toate aceste reguli de învățare au ca scop optimizarea performanțelor rețelei la sarcinile
cognitive cu care ea se confruntă.
 Ex: pe baza lor se poate învăța o rețea să asocieze cuvintele adecvate pentru o
mulțime de obiecte sau să aibă un comportament diferit în fața unor stimuli diferiți =
recunoașterea stimulilor.
o O etapă în care, pe baza regulilor de învățare, se schimbă toate conexiunile dintr-o rețea
se numește epocă.

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)

 lOMoARcPSD|6501703

 De regulă, în faza de învățare rețeaua are nevoie de mai mult epoci pentru a oferi
o soluție dezirabilă.
 După faza de învățare sau antrenament, rețeaua intră în faza de testare, în care se
evaluează performanțele sale pentru o categorie de stimuli similari cu cei care au fost
utilizați în faza de antrenament.
2. Mediul sau ambianța rețelei
o Orice rețea conexionistă este scufundată în structuri mai generale, este conexată cu alte
rețele care formează mediul sau ambianța sa.
o Influența mediului apare în modelele conexioniste sub forma unor „biași”, adică a unor
inputuri cu valori fixe, independente de dinamica activităților din cadrul rețelei.
 Adesea, biașii sporesc performanțele rețelei.

 Învățarea mai poate fi privită și ca un vector de reducere a erorii datorate conexiunilor, care
pornește de la un moment în care tăria conexiunilor este stabilită aleatoriu și se finalizează într-un
minim de eroare global, adică într-un pattern de conexiuni care generează o eroare minimă.
 După faza de învățare, urmează faza de testare, în care comportamentul rețelei este apreciat în
raport cu o altă colecție de stimuli decât cei care au fost prezentați în faza de antrenament, dar
aparținând aceleași categorii.
 Cunoștințele pe care le avem despre o situație sau stare de lucruri sunt reprezentate printr-un
pattern de activare al unităților de rețea.
o Rezultă așadar că nu avem o reprezentare în memorie a fiecărei camere în parte, ci avem
o rețea de cunoștințe ale cărei conexiuni se ajustează mereu, desemnând încăperi diferite.
 Rețelele neuromimetice, unidirecționale sau interactive, nu au o semantică proprie, nu operează
cu simboluri ci cu valori de activare.

Desc?rcat de Gabriela Gîn??gan (denisagabriella@yahoo.com)