认知模型

认知理论，认知框架和认知模型

认知理论

认知框架

认知模型

伪认知模型(广义认知模型)

符号模型、计算模型和动态系统

• Box-and-arrow models（框架和箭头模型）：这类模型通常以图表的形式展示，用来描述感知、存储和产生言语等过程中涉及的关键环节。

• 一个经典的例子是 Atkinson-Shiffrin 的多存储记忆模型（Atkinson-Shiffrin Memory Model），又称为模态模型（Modal Model），于1968年提出。在这个模型中，认知过程被框架和箭头分别表示成不同的存储组件和处理步骤。模型包括三个主要部分：感觉存储器（Sensory Memory）、短时记忆（Short-term Memory）、长时记忆（Long-term Memory）。模型中的箭头代表信息流动的方向，也表示了不同存储之间的过渡过程。值得注意的是，框架和箭头模型通常被认为是简化了的，因为实际的认知过程可能更为复杂，涉及更多的交互和反馈循环。不过，这样的模型便于我们理解和教学，并为认知心理学的研究提供了一个起点。

• Computational models（计算模型）：计算认知模型可以进一步分为以下几个子类：

• Symbolic（符号化模型）：假设人类认知过程中的心智表征和处理过程是符号化的，如同计算机软件中处理符号数据一样。

• Subsymbolic（次符号化模型）：不假设明确的符号表征，而是通过如人工神经网络这样的结构来模拟认知过程。

• Hybrid（混合模型）：结合符号化和次符号化的模型，旨在更全面地捕捉认知过程中的各种特征。

• 一个著名的混合模型是ACT-R（Adaptive Control of Thought—Rational）模型。ACT-R 模型由 John R. Anderson 和他的同事们于1990年代初期发展，它是一个集成了符号处理和连接主义（即次符号化）成分的认知架构。在ACT-R 中，高级认知活动被视为由一系列互动的生产系统（符号化规则组件）和激活的记忆碎片组成。记忆碎片为符号化的事实和经验规则，而生产系统则指引这些碎片的使用。ACT-R 模型中既包含明确的符号处理，如基于规则的推理（代表了明确的、可解释的决策路径），同样也利用了次符号化的方法，如分布式记忆表示和模式匹配技术（这反映了记忆的模糊性和非线性处理）。例如，认知任务如解决数学问题或构建语言表达式等，会通过一系列符号化的规则完成，同时，如感知识别和语言理解这样的任务，则会通过激活特定的记忆碎片处理，这些碎片在网络中以分布式的形式存在，以实现模式识别。ACT-R 模型强调了认知过程中符号化和次符号化两种机制的共存和互动，并且已经被应用于许多领域的研究，包括语言理解、问题解决、记忆与学习、以至于驾驶和人机交互等。

• Dynamical systems（动态系统）：

• Early dynamical systems（早期动态系统）：把认知看作是一个动态变化的系统，强调连续时间内变量间复杂的相互作用。早期动态系统（Early dynamical systems）主要关注的是认知过程中的动态性和整体性。一个重要的早期动态系统模型例子是 James Gibson 提出的生态心理学（Ecological psychology）中的动态系统观点。Gibson 强调了感知是一个积极探寻环境信息的过程，植根于个体和环境之间的相互作用和动态变化之中。在这一模型中，感知并非被动接受感官刺激，而是主动在环境中寻找有价值的信息以指导行为（即所谓的 affordances）。这种理论不涉及传统的存储表征和计算过程，而是强调了感知与动作的即时和不可分割的关系。

• Modern dynamical systems（现代动态系统）：采用更现代的数学和计算方法，深入研究认知如何作为一个非线性、不断演变的系统来存在和发展。一个例子是 Tim van Gelder 提出的动态场论（Dynamic field theory，DFT）。动态场论旨在模拟神经活动背后的动态性和持续性特点。这个理论使用连续的动态系统模型来捕捉神经代表的演变，特别是关注于如何在时间上维持信息和如何基于当前状态和之前的状态做出决策。DFT 在模仿某些认知功能，比如 工作记忆和决策，以及感知运动协调方面取得了一定的进展，它通过非线性的微分方程来描述神经活动的变化，使得动态场论可以在对实际生物系统的认知过程进行建模时提供持续的、实时的认知状态更新。

计算模型

• 研究对象通常是一个复杂的非线性系统，对于这些系统，我们很难直观地得到简单的解析解。

• 计算模型强调计算模拟(simulation)，即不是推导出数学解析解，而是在计算机中调整系统的参数，通过实验来探究不同参数对结果的影响。通过这些计算实验，可以推断出模型的运作理论。

• 计算模型强调参数和输出数据之间的对应关系。参数量化了心理过程，而数据量化了行为变化。

计算模型的应用

1. 计算认知 (Computational cognition) 计算认知有时被称为计算认知科学或计算心理学，是通过数学建模、电脑仿真和行为实验研究学习和推理的计算基础。在心理学中，计算认知通过在实验结果基础上开发计算模型的方法，来寻求理解人类信息处理的基础。

2. 基于代理的模型 (Agent-based model) 基于代理的模型（ABM）是一种计算机模型，用于模拟自主代理（可以是个体或集体实体，如组织或群体）的行动和相互作用，并通过此来理解系统的行为及其结果的控制因素。它结合了博弈论、复杂系统、涌现、计算社会学、多代理系统和进化编程等元素。

3. 决策场理论 (Decision field theory) 决策场理论提出如何建模个体或集体做出决策的理论框架。它也是一种动态决策模型，描述一个人的偏好如何随着时间的推移而演变，直至做出决策，而不是假设一个固定的偏好状态。 偏好演变过程在数学上表现为一个随机过程，称为扩散过程。基于扩散过程的计算模型可用于预测人类如何在不确定情况下做出决策，如何在时间压力下改变决策，以及选择环境如何改变偏好。该模型不仅可用于预测做出的选择，还可用于预测决策或反应时间。

4. 计算语言学 (Computational linguistics) 计算语言学是一个跨学科领域，关注自然语言的计算建模以及适当的计算方法以研究语言问题。该领域综合了语言学、计算机科学、人工智能、数学、逻辑、哲学、认知科学等多个学科的知识。 一个经典的例子是机器翻译。机器翻译是使用计算模型将文本或语音从一种语言翻译成另一种语言的技术，包括考虑到两种语言中的语境、习语以及实用主义的细微差别。机器翻译的历史可以追溯到9世纪阿拉伯密码学家Al-Kindi，他开发了系统性语言翻译技术，包括密码分析、频率分析、概率和统计等，这些技术在现代机器翻译中依然被使用。使用数字计算机进行自然语言翻译的想法最早在1947年由英国的A. D. Booth和洛克菲勒基金会的沃伦·韦弗(Warren Weaver)提出。现今，机器翻译技术包括基于规则的或概率性的（例如统计学的，以及最近的，基于神经网络的）机器学习方法。

5. 计算人类建模 (Computational human modeling) 指的是使用计算方法模拟和研究人类行为、生物力学、生理学和认知过程的科学。这包括有关识别（人脸识别）、属性（性别、年龄、肤色）、表情、几何（三维人脸建模、三维身体建模）和活动（姿势、目光、动作和社会互动）的计算机视觉研究。

6. 人工神经网络 (Artificial neural network) 在机器学习中，人工神经网络（ANN）是一种模型，灵感来自于动物大脑中的生物神经网络。它由相互连接的单元或节点组成，这些节点模仿大脑中的神经元。人工神经网络常用于预测建模、自适应控制等应用，并可以通过数据集进行训练。

计算认知，计算认知和人工神经网络

• 计算认知涉及将认知心理学的理论转化为计算模型；

• 认知计算旨在创建能进行认知任务的系统，这通常涉及使用了机器学习、自动推理等由计算认知提供理论支持的技术；

• 人工神经网络作为认知计算所用的核心技术之一，提供了模拟人脑处理信息的计算架构和算法。

• 人工神经网络为认知计算提供了底层的计算实现，而认知计算希望达到的目标和功能往往是由计算认知的研究成果所指导的。

Reference