ACT-R (произносится /ˌækt ˈɑr/; сокращение от « Адаптивный контроль над мышлением — рациональный ») — это когнитивная архитектура , разработанная в основном Джоном Робертом Андерсоном и Кристианом Лебьером в Университете Карнеги-Меллон . Как и любая когнитивная архитектура, ACT-R стремится определить базовые и нередуцируемые когнитивные и перцептивные операции, которые обеспечивают работу человеческого разума. Теоретически каждая задача, которую может выполнить человек, должна состоять из серии этих дискретных операций.
Большинство основных предположений ACT-R также основаны на прогрессе когнитивной нейронауки , и ACT-R можно рассматривать и описывать как способ определения того, как сам мозг организован таким образом, чтобы отдельные модули обработки могли производить познание.
ACT-R был вдохновлен работами Аллена Ньюэлла , и особенно тем, что он всю жизнь отстаивал идею единых теорий как единственного способа по-настоящему раскрыть основы познания. [2] Фактически, Андерсон обычно считает Ньюэлла основным источником влияния на его собственную теорию.
Как и другие влиятельные когнитивные архитектуры (включая Soar , CLARION и EPIC), теория ACT-R имеет вычислительную реализацию в виде интерпретатора специального языка кодирования. Сам интерпретатор написан на Common Lisp и может быть загружен в любой из дистрибутивов языка Common Lisp.
Это означает, что любой исследователь может загрузить код ACT-R с веб-сайта ACT-R, загрузить его в дистрибутив Common Lisp и получить полный доступ к теории в форме интерпретатора ACT-R.
Кроме того, это позволяет исследователям задавать модели человеческого познания в виде скрипта на языке ACT-R. Языковые примитивы и типы данных предназначены для отражения теоретических предположений о человеческом познании. Эти предположения основаны на многочисленных фактах, полученных в результате экспериментов в области когнитивной психологии и визуализации мозга .
Подобно языку программирования , ACT-R представляет собой основу: для различных задач (например, Ханойская башня, память на текст или список слов, понимание языка, общение, управление самолетом) исследователи создают «модели» (т. е. программы). в АКТ-Р. Эти модели отражают предположения разработчиков моделей о задаче в рамках взгляда на познание ACT-R. Затем модель можно будет запустить.
Запуск модели автоматически создает пошаговую симуляцию человеческого поведения, которая определяет каждую отдельную когнитивную операцию (т.е. кодирование и извлечение памяти, визуальное и слуховое кодирование, двигательное программирование и выполнение, манипулирование мысленными образами). Каждый шаг связан с количественным прогнозированием задержек и точности. Модель можно протестировать, сравнив ее результаты с данными, собранными в поведенческих экспериментах.
В последние годы ACT-R также был расширен для количественного прогнозирования закономерностей активации в мозге, обнаруженных в экспериментах с фМРТ . В частности, ACT-R был дополнен для прогнозирования формы и временного хода реакции BOLD в нескольких областях мозга, включая области рук и рта в моторной коре , левую префронтальную кору , переднюю поясную извилину и базальную кору. ганглии .
Самое важное предположение ACT-R заключается в том, что человеческое знание можно разделить на два нередуцируемых типа представлений: декларативное и процедурное .
В коде ACT-R декларативные знания представлены в виде фрагментов , то есть векторных представлений отдельных свойств, каждое из которых доступно из помеченного слота.
Фрагменты хранятся и становятся доступными через буферы , которые являются интерфейсом модулей , то есть специализированных и в значительной степени независимых структур мозга.
Существует два типа модулей:
Доступ ко всем модулям возможен только через их буферы. Содержимое буферов в данный момент времени представляет состояние ACT-R в этот момент. Единственным исключением из этого правила является процедурный модуль, который хранит и применяет процедурные знания. Он не имеет доступного буфера и фактически используется для доступа к содержимому других модулей.
Процедурные знания представлены в виде продукций . Термин «производство» отражает фактическую реализацию ACT-R как производственной системы , но на самом деле производство — это в основном формальное обозначение, определяющее поток информации из корковых областей (т. е. буферов) в базальные ганглии и обратно. в кору.
В каждый момент внутренний сопоставитель шаблонов ищет продукцию, соответствующую текущему состоянию буферов. В данный момент может быть выполнено только одно такое производство. Это производство при выполнении может модифицировать буферы и, таким образом, изменить состояние системы. Таким образом, в ACT-R познание разворачивается как последовательность производственных импульсов.
В когнитивных науках различные теории обычно приписывают либо « символическому », либо « коннекционистскому » подходу к познанию. ACT-R явно принадлежит к «символической» области и классифицируется как таковая в стандартных учебниках и сборниках. [3] Его объекты (куски и продукты) дискретны, а операции синтаксичны, то есть они не относятся к семантическому содержанию представлений, а только к их свойствам, которые считают их подходящими для участия в вычислениях. Это ясно видно в слотах чанков и в свойствах сопоставления буферов в продуктах, которые функционируют как стандартные символьные переменные.
Члены сообщества ACT-R, включая его разработчиков, предпочитают думать о ACT-R как об общей структуре, которая определяет, как устроен мозг и как его организация порождает то, что воспринимается (и, в когнитивной психологии, исследуется). как разум, выходящий за рамки традиционных символических/коннекционистских дебатов. Ничто из этого, естественно, не противоречит классификации ACT-R как символической системы, поскольку все символические подходы к познанию направлены на описание разума как продукта функции мозга, использующего определенный класс сущностей и систем для достижения этой цели.
Распространенное заблуждение предполагает, что ACT-R не может быть символической системой, поскольку она пытается охарактеризовать функцию мозга. Это неверно по двум причинам: во-первых, все подходы к компьютерному моделированию познания, символического или иного, должны в некотором отношении характеризовать функцию мозга, потому что разум — это функция мозга. Во-вторых, все подобные подходы, включая коннекционистские подходы, пытаются охарактеризовать сознание на когнитивном уровне описания, а не на нейронном уровне, поскольку только на когнитивном уровне могут быть сохранены важные обобщения. [4]
Дальнейшие недопонимания возникают из-за ассоциативного характера некоторых свойств ACT-R, таких как фрагменты, распространяющие активацию друг на друга, или фрагменты и продукции, несущие количественные свойства, релевантные для их выбора. Ни одно из этих свойств не противоречит фундаментальной природе этих сущностей как символических, независимо от их роли в выборе единиц измерения и, в конечном итоге, в вычислениях.
Важность различия между самой теорией и ее реализацией обычно подчеркивается разработчиками ACT-R.
Фактически, большая часть реализации не отражает теорию. Например, в реальной реализации используются дополнительные «модули», которые существуют только для чисто вычислительных целей и не должны ничего отражать в мозге (например, один вычислительный модуль содержит генератор псевдослучайных чисел, используемый для создания зашумленных параметров, в то время как другой содержит процедуры именования для создания структур данных, доступных через имена переменных).
Кроме того, фактическая реализация предназначена для того, чтобы позволить исследователям модифицировать теорию, например, изменяя стандартные параметры, создавая новые модули или частично изменяя поведение существующих.
Наконец, хотя лаборатория Андерсона в CMU поддерживает и выпускает официальный код ACT-R, стали доступны и другие альтернативные реализации теории. Эти альтернативные реализации включают jACT-R [5] (написанный на Java Энтони М. Харрисоном из Военно-морской исследовательской лаборатории ) и Python ACT-R (написанный на Python Терренсом К. Стюартом и Робертом Л. Уэстом в Карлтонском университете , Канада). . [6]
Точно так же ACT-RN (сейчас производство прекращено) представлял собой полноценную нейронную реализацию версии теории 1993 года. [7] Все эти версии были полностью функциональными, и со всеми ними были написаны и запущены модели.
Из-за этих степеней свободы реализации сообщество ACT-R обычно называет «официальную», основанную на Lisp версию теории, принятую в ее первоначальной форме и оставленную неизмененной, как «ванильный ACT-R».
За прошедшие годы модели ACT-R использовались более чем в 700 различных научных публикациях и цитировались во многих других. [8]
Декларативная система памяти ACT-R использовалась для моделирования человеческой памяти с момента ее создания. За прошедшие годы он был принят для успешного моделирования большого количества известных эффектов. К ним относятся эффект веера помех для связанной информации, [9] эффекты первичности и новизны для списочной памяти, [10] и последовательный вызов. [11]
ACT-R использовался для моделирования процессов внимания и контроля в ряде когнитивных парадигм. К ним относятся задача Струпа , [12] [13] переключение задач , [14] [15] период психологической рефрактерности , [16] и многозадачность. [17]
Ряд исследователей использовали ACT-R для моделирования некоторых аспектов понимания и производства естественного языка . Они включают модели синтаксического анализа, [18] понимания языка, [19] овладения языком [20] и понимания метафор. [21]
ACT-R использовался для описания того, как люди решают сложные задачи, такие как Ханойская башня [22] , или как люди решают алгебраические уравнения. [23] Его также использовали для моделирования поведения человека при вождении и полете. [24]
Благодаря интеграции перцептивно-моторных возможностей ACT-R становится все более популярным в качестве инструмента моделирования человеческого фактора и взаимодействия человека с компьютером. В этой области он был принят для моделирования поведения вождения в различных условиях, [25] [26] выбора меню и визуального поиска в компьютерном приложении, [27] [28] и веб-навигации. [29]
Совсем недавно ACT-R использовался для прогнозирования закономерностей активации мозга во время экспериментов по визуализации. [30] В этой области модели ACT-R успешно использовались для прогнозирования префронтальной и теменной активности при восстановлении памяти, [31] активности передней поясной извилины для контрольных операций, [32] и практических изменений активности мозга. [33]
ACT-R часто используется в качестве основы для когнитивных преподавателей . [34] [35] Эти системы используют внутреннюю модель ACT-R для имитации поведения учащегося и персонализации его/ее инструкций и учебной программы, пытаясь «угадать» трудности, с которыми могут столкнуться учащиеся, и оказать целенаправленную помощь.
Такие «когнитивные наставники» используются в качестве платформы для исследований в области обучения и когнитивного моделирования в рамках Питтсбургского центра науки и обучения. Некоторые из наиболее успешных приложений, такие как Cognitive Tutor for Mathematics, используются в тысячах школ по всей территории США.
ACT-R является окончательным преемником серии все более точных моделей человеческого познания, разработанных Джоном Р. Андерсоном .
Ее корни можно проследить до оригинальной модели памяти HAM (Человеческая ассоциативная память), описанной Джоном Р. Андерсоном и Гордоном Бауэром в 1973 году . [36] Модель HAM позже была расширена до первой версии теории ACT. [37] Впервые процедурная память была добавлена к исходной системе декларативной памяти, введя вычислительную дихотомию, которая, как позже было доказано, сохраняется и в человеческом мозге. [38] Затем теория была расширена до модели человеческого познания ACT*. [39]
В конце восьмидесятых годов Андерсон посвятил себя исследованию и изложению математического подхода к познанию, который он назвал рациональным анализом . [40] Основное предположение рационального анализа заключается в том, что познание оптимально адаптивно, а точные оценки когнитивных функций отражают статистические свойства окружающей среды. [41] Позже он вернулся к разработке теории ACT, используя рациональный анализ в качестве объединяющей основы для лежащих в ее основе вычислений. Чтобы подчеркнуть важность нового подхода в формировании архитектуры, его название было изменено на ACT-R, где «R» означает «Rational» [42].
В 1993 году Андерсон встретился с Кристианом Лебьером, исследователем коннекционистских моделей , наиболее известным тем, что вместе со Скоттом Фалманом разработал алгоритм обучения каскадной корреляции. Их совместная работа завершилась выпуском ACT-R 4.0. [43] Благодаря Майку Бирну (сейчас работающему в Университете Райса ), версия 4.0 также включала дополнительные перцептивные и двигательные возможности, в основном вдохновленные архитектурой EPIC, что значительно расширило возможные применения теории.
После выпуска ACT-R 4.0 Джон Андерсон все больше и больше интересовался нейронной правдоподобностью своей теории жизни и начал использовать методы визуализации мозга, преследуя свою собственную цель — понять вычислительные основы человеческого разума.
Необходимость учета локализации мозга подтолкнула к серьезному пересмотру теории. В ACT-R 5.0 появилась концепция модулей — специализированных наборов процедурных и декларативных представлений, которые можно сопоставить с известными системами мозга. [44] Кроме того, взаимодействие между процедурными и декларативными знаниями было опосредовано недавно введенными буферами, специализированными структурами для хранения временно активной информации (см. раздел выше). Считалось, что буферы отражают активность коры, и последующая серия исследований позже подтвердила, что активация в областях коры может быть успешно связана с вычислительными операциями над буферами.
Новая версия кода, полностью переписанная, была представлена в 2005 году как ACT-R 6.0. Он также включал значительные улучшения в языке кодирования ACT-R. Это включало новый механизм в производственной спецификации ACT-R, называемый динамическим сопоставлением шаблонов. В отличие от предыдущих версий, которые требовали, чтобы шаблон, сопоставленный с продуктом, включал определенные слоты для информации в буферах, динамическое сопоставление шаблонов позволяет сопоставлять слоты, которые также определяются содержимым буфера. Описание и мотивация для ACT-R 6.0 даны Андерсоном (2007). [45]
На семинаре 2015 года утверждалось, что изменения программного обеспечения требуют увеличения нумерации моделей до ACT-R 7.0. Основным изменением программного обеспечения стало удаление требования о том, что фрагменты должны указываться на основе предопределенных типов фрагментов. Механизм типа фрагментов не был удален, но превратился из обязательной конструкции архитектуры в необязательный синтаксический механизм в программном обеспечении. Это позволило повысить гибкость представления знаний для задач моделирования, требующих изучения новой информации, и расширило функциональность, предоставляемую за счет динамического сопоставления с образцом, что теперь позволяет моделям создавать новые «типы» фрагментов. Это также привело к упрощению синтаксиса, необходимого для указания действий в производстве, поскольку все действия теперь имеют одинаковую синтаксическую форму. Программное обеспечение ACT-R также было впоследствии обновлено и теперь включает удаленный интерфейс на основе JSON RPC 1.0. Этот интерфейс был добавлен, чтобы упростить создание задач для моделей и работу с ACT-R из языков, отличных от Lisp, а руководство, включенное в программное обеспечение, было обновлено, чтобы обеспечить реализации Python для всех примеров задач, выполняемых учебными моделями. .
В 1995 году Университет Карнеги-Меллона начал проводить ежегодный семинар и летнюю школу ACT-R. [46] Их семинар ACT-R в настоящее время проводится на ежегодной конференции MathPsych/ICCM, а их летняя школа проводится на территории кампуса с возможностью виртуального посещения в Университете Карнеги-Меллона .
Длительное развитие теории ACT-R породило определенное количество параллельных и связанных проектов.
Наиболее важными из них являются система производства PUPS , первоначальная реализация теории Андерсона, от которой позже отказались; и ACT-RN , [7] реализация нейронной сети теории, разработанной Кристианом Лебьером.
Линн М. Редер, также работающая в Университете Карнеги-Меллон , в начале 1990-х годов разработала SAC , модель концептуальных и перцептивных аспектов памяти, которая имеет много общих черт с основной декларативной системой ACT-R, хотя и отличается в некоторых предположениях.
Для своей диссертации в Университете Карнеги-Меллон Кристофер Л. Дэнси разработал и успешно защитил в 2014 году ACT-R/Phi [ 47] реализацию ACT-R с добавленными физиологическими модулями, которые позволяют ACT-R взаимодействовать с физиологическими процессами человека. .
Облегченная реализация компонента рабочей памяти ACT-R на основе Python, pyACTUp , [48] была создана Доном Моррисоном из Университета Карнеги-Меллон , который поддерживает кодовую базу ACT-R. Эта библиотека реализует ACT-R как унимодальную модель обучения с учителем для задач классификации.