Wahrnehmung und Kognition (Subject) / Wissen (Lesson)

This lesson was created by nwiertel.

Learn lesson

back  |  next 1 / 1

• Konzepte, Kategorisierung, Kategorien Ein Konzept von Xist eine Repräsentation von X, insbesondere von dem was wir über X wissen. Ein Konzept von X zu haben, bedeutet, dass man X kennt oder weiß, was X ist.  Beispiel: Wenn ein Neandertaler einen Haarfön zum ersten Mal sieht, wird er nicht verstehen, worum es sich handelt. Ihm fehlt das entsprechende Konzept.  eine wichtige Funktion von Konzepten ist die Kategorisierung (Dinge werden Gruppen/Kategorien zugeordnet)
• Warum Kategorien nützlich sind wichtigste Funktion: Dinge einordnen un zu verstehen (Bsp.: Katze) Kategorien verweisen auf Wissen (Pointers) ermöglichen Schlussfolgerungen auf Unbeobachtetes  füllen mühelos Leerstellen mit plausiblen Annahmen aus (Defaults) können helfen zu verstehen, was ein bestimmtes Objekt besonders macht 
• Scholastische Definition Genus proximum et differentia specifica  Beispiel: biologische Taxonomie: Mensch = homo sapiens (Gattung, Art) Natürliche Kategorien haben keine scharfen Grenzen. Es gibt häufig keine Eigenschaft, die alle Mitglieder gemeinsam haben (Stuhl, Puppenstuhl, Hocker)  Familienähnlichkeit  Mitglieder einer Kategorie teilen eine Ähnlichkeit, Paare haben jeweils einige typische Merkmale gemein 
• Ähnlichkeitsbasierte Zuordnung Kategoriezugehörigkeit ermittelt, indem man Exemplar mit Standard vergleicht  Potoryp-basiert: Prototypen = Durchschnitt der Mitglieder, denen wir üblicherweise begegnen (Rosch) exemplar-basiert: Standard wird ad hoc kreiert aus den am besten verfügbaren bekannten Exemplaren  Prototypen:  Abstraktionen häufiger Merkmale  Basierend auf Erfahrung (gelernt)  Kategorien haben eine gradierte Struktur: einige Exemplare sind typischer als andere. Wie entsteht die gradierte Struktur? Gute Exemplare haben viele zentrale Merkmale 
• Rosch & Mervis Frage: Wie hängen Prototypikalität und Familienähnlichkeit zusammen? Aufgabe: zu jedem Exemplar (Car, Truck, ...) häufige Merkmale auflisten  Bestimmung des Gewichts eines Merkmals. Auszählen, wie häufig ein Merkmal innerhalb der Kategorie vorkommt  AV-Maß für Familienähnlichkeit: Summe der gewichteten Merkmale  AV-Maß für Prototypikalität: Rating auf 7-Punkte Skala: "Wie gut entspricht das Item der Idee oder dem Bild von der Kategorie?" Ergebnis: Korrelationen um .90 zwischen Familienähnlichkeit und Prototypikalität 
• Satzverifikationsaufgabe Eigenschaften von Typikalität  Nennhäufigkeit/Output Dominance  Typische Objekte können besonders leicht kategorisiert werden (Smith et al.) Material: Nomen mit unterschiedlicher Typikalität für ihre Kategorie  Stimuli: Sätze der Form "Ein...ist ein..." Aufgabe: Satzverfikation  AV: Reaktionszeit  Ergebnis: Typische Objekte werden rasch kategorisiert, atypische langsam. = Typikalitätseffekt
• Prototypes and Exemplars Exemplar = ein Objekt, das zur Kategorie gehört  Prototyp-Modelle: nehmen eine abstrahierte gelernte Repräsentation an; Typikalität = Ähnlichkeit mit dem Prototypen  Exemplar-Modelle: nehmen an, dass die Kategorie ad-hoc aufgrund verfügbarer Exemplare bestimmt wird; Typikalität = Ähnlichkeit mit den kognitiv verfügbaren Exemplaren Was stimmt?  Prototypmodelle: sind einfacher (nur 1 Vergleich) als EBM (viele Vergleiche) Exemplarmodelle: machen die gleichen vorhersagen wie PBM; kommen besser mit Ausnahmen zurecht; kommen besser mit schlecht definierten Kategorien zurecht; erlauben ad-hoc Kategorien (Vögel, große Vögel, bunte Vögel)
• Ebenen von Kategorien Hierarchisch: Kategorien haben über-&untergeordnete Ebenen; auf jeder Ebene lassen sich Unterkategorien bilden; Vererbung von Merkmalen: untergeordnete Kategorien besitzen alle Merkmale der übergeordneten  Rosch: "Basic-Level Kategorien" sind besonders  nicht-technische Erklärung: Basiskategorien sind die höchste Abstraktionsebene, auf der Objekte durch konkrete Handlungen bestimmt werden: "Stuhl - Sitzen"
• Ist die basale Ebene wirklich besonders? (Rosch et al.) Aufgabe: VPn sollen Gegenstände benennen  Sie benutzen eher basale kategorien, wie Gitarre; Fisch oder Hose, als übergeordnete wie Musikinstrument; Tier; Kleidungsstück, oder untergeordnete wie E-Gitarre; Karpfen; Jeans in anderem Exp. bekamen VPn einen Kategorienamen und dann ein Bild, und sollten ein Kategorieurteil abgeben (ja/nein) basale Kategorien werden besonders schnell angewendet Nutzung basaler Kategorien ist abhängig von Expertise Tanka & Taylor; Aufgabe: VPn benennen Gegenstände auf Fotos (Werkzeuge, Kleidung, Blumen..) Ergebnis: Nicht-Experten benutzen eher basale Kategorien; Experten eher spezifische aus ihrem Bereich Implikation: Welche Ebene man wählt hängt vom Vorwissen ab 
• Semantisches Netzwerk (Collins & Quillian) Hierarchisches Netzwerk Knoten = Konzepte Verknüpfungen = Relationen (semantische Primitive; is_a, is, has, can) hierarchische Orga und Vererbung von Eigenschaften (kognitive Ökonomie) allgemeine Eigenschaften werden auf der höchst-möglichen Ebene repräsentiert  spezifische sind direkt am Knoten gespeichert  einige Eigenschaften direkt abgerufen, andere indem den Verknüpfungen gefolgt wird  Exceptions: Ausnahmen werden auch toleriert, weil diese Ausnahmen direkt am Knoten gespeichert sind 
• Advertisement
• Repräsentation von Wissen im Geist Annahme: Verarbeitungszeit ist länger, je mehr Knoten verfolgt werden müssen  Vorhersage: "Der Spatz ist ein Vogel" lässt sich schneller bestätigen, als der Satz: "Der Spatz ist ein Tier" 
• Spreading Activation wird ein Konzept aktiviert, werden alle verknüpften Konzepte mit aktiviert und zwar gemäß ihrere Entfernung  Stimulus: 2 Buchstabenketten  Aufgabe: Entscheiden, ob beide Ketten Wörter sind  Ergebnis: ausgewertet nur Trials mit 2 Wörtern. Sind sie semantisch verwandt, ist die Entscheidung einfacher  Interpretation: beide Wörter profitieren reziprok von Spreading Activation  Kritk: keine Erklärung für Typikalitätseffekt (gleiche RT für: "Der Spatz ist ein Vogel" & "Der Strauß ist ein Vogel") Kategorisierungen folgen eher der Gebräulichkeit als der kognitiven Ökonomie 
• "A Spreading-Activation Theory of Semantic Processing" (Collins & Loftus) Assoziatives, aber kein hierarchisches Netzwerk  räumliche Distanz von Knoten repräsentiert semantische Distanz von Konzepten  räumliche Distanz hängt mehr von persönlicher Erfahrung ab, als von sprachlich-hierarchischen Relationen  Problem: Theorie kann alles durch Knotendistanz erklären (schwer falsifizierbar) erklärt Primingsexp., nicht wie Wissen repräsentiert ist (paradigmatische & syntakmatische Konzepte vermischt)
• Konnektionismus Einheiten (units) und Verknüpfungen, deren Stärke durch Geiwchte (weights) definiert ist. Die Einheiten sind idealisierte, einfache "Neurone" einige Netze haben nur eine Schicht, Einheiten & Verknüpfungen zwischen diesen (z.B. autoassociator) die meisten einfachen Netze haben eine Inputschicht & eine Outputschicht (Perzeptoren) mehrschichtige Netze haben verborgene (hidden) Schichten, die weder Input noch Out repräsentieren (Leistungsfähigkeit hat keine Grenzen) heute: Deep neural networks (DNN) → viele Schichten, werden mit Fotos trainiert  wichtig: Neuronale Netze können trainiert werden, Geiwchte werden herauf/herabgesetzt
• Rumelhart, McClelland, and the PDP research Konnektionismus group Repräsentation erfolgt grundsätzlich verteilt, als Aktivitätsmuster im gesamten Netzwerk  Verarbeitung ist grundsätzlich parallel: an allen Knoten im Netzwerk werden zur gleichen Zeit die Aktivierungen neu berechnet  Netze können lernen, indem die Gewichte modifiziert werden 
• Lernen in Netzform Lernformen: Supervised learning (häufig): Netzwerk wird solange trainiert, bis der produzierte Output dem gewünschten entspricht  Unsupervised learning (selten): es gibt kein richtig oder falsch  Lernalgorithmen: Hebb´sche Regel: What fires together, wires together  Delta-Regel: Gewicht wird um die Abweichung der "Vorhersage" korrigiert  Back-Propagation: verallgemeinerte Delta-Regel für Netze mit "hidden layers" Lernraten sind meist klein, damit die Gewichte im Netz nicht mit jedem Exemplar große Sprünge machen 
• Vorteile des Konnektionismus Lernfähigkeit  Graceful Degradation: kein Totalausfall möglich, nur "schlechtere" Antwort, ähnlich wie das Gehirn (Grund: Verteilte Repräsentation) Erkennen degradierten Inputs: auch unvollständiger Input wird erkannt  Generalisierung: auch komplett neue Beispiele korrekt klassifiziert, die es noch nicht kennt Typikalität: Neuronale Netze reagieren stärker auf typische als auf weniger typische Exemplare
• Kategorien & Gehirn Warringtion & Shallice. Patienten mit IT-Läsionen (Encephalitis) können Tiere nicht benennen, haben aber keine Probleme mit Artefakten  Sensorik-Funktion (S-F) Hypothese: Tiere lassen sich eher anhand sensorischer Merkmale unterscheiden. Artefakte durch ihre Funktion  aber: Caramazza & Sheldon: Patient hat keine Probleme mit Artefakten, aber funktionale Defizite  Forschung zeigt also kategoriale Repräsentation im Gehirn, Grundlage ist nicht geklärt 
• Embodied Cognition Wissensrepräsentation erfolgt nicht durch die Verknüpfung von Symbolen...sondern durch Verknüpfung von sensorischen & motorischen Repräsentationen  es werden solche Repräsentationen verknüpft, die mit Konzept regelmäßig einhergehen  entgeht dem eingebauten Zirkelschluss einer Definition von Symbolen durch Symbole ("trocken" definiert durch die Abwesenheit von "nass")

back  |  next 1 / 1