Översikt Kognitiv modellering Två huvudinriktningar inom kognitiv modellering Symbolistiska modeller (regelbaserade system) Konnektionistiska modeller (neurala nät) Exempel på tillämpningar Projektet Hemuppgiften Interactive activation-modellen Tre forskningsmetoder Grad av kontroll, insyn Täckning Kvalitativa studier Bredd: många faktorer Olika syften med modellering Autonoma system som kan samverka med människan MMI AI Djup: varför, hur Laboratorieexperiment Kognitiv modellering Underlätta systemdesign: belysa styrkor och svagheter hos användaren Kognitiv modellering Vetenskaplig nyfikenhet: vill förstå kognition Återskapa mänsklig intelligens Människa-maskin interaktion (MMI) Modeller ger stöd tidigt i designfasen Hur påverkar olika systemdesigner tid att utföra en given uppgift? Snabbare att arbeta i Word 2010? Smart grupperade menyer Hur svårt är det att lära sig nya systemet? T.ex. Word 2010:s nya menystruktur Finns det svåra, felbenägna arbetsmoment? T.ex. ersätt fil när filen redan finns. Beslutsstöd: datum, storlek på filerna. Möjlighet att ångra Uppgiftsanalys Använder modelleringsverktyg som GOMS, EPIC Modellerar i detalj hur en uppgift utförs Läs av information på skärmen: 290 ms Beslut att flytta handen: 50 ms Flytta handen till tangenten: 260 ms Tryck ner tangent: 100 ms Etc. Sidan 1
EPIC:s arkitektur Nyttan med modeller Billigt och ofarligt, och kan sättas in tidigt under designprocessen Belyser svaga delar av tänkt system Risk för störning av användaren Felbenägna operationer Operationer som är lätta att göra fel på Egenskaper som är svåra att lära sig Svårigheter Svårt att skapa generell användarmodell Måste utveckla specifika modeller för olika syften Svårt att återanvända modeller Kräver goda insikter i kognition och kroppens och hjärnans sätt att fungera Dvs. kräver expertkunnande Nyttan med modeller inom AI Motpart i simulatorer och spel T.ex. vid träning av stridsflygare Central del i samverkande system T.ex. simulering av bilförarens mentala belastning i realtid för att kunna tajma interaktion med ett system Systemet ska inte störa när föraren har mycket att göra Inspiration för svåra AI problem T.ex. tolkning av satellitbilder Motpart vid träning Computer Generated Forces Agenter spelar fienden (behöver färre mänskliga lärare) Computer generated forces (CGFs) Simulering av individuella piloter under uppdrag Försvar, motattack, tankning i luften, etc. Hög arbetsbelastning: Stressad, går till närmaste beskjutningsposition A Normal arbetsbelastning: Utvärderar läget och intar bästa beskjutningsposition B Sidan 2
Påverkan av stress Självlärande agenter Köra bil och lära sig av farliga situationer Emer Cyklonvarning Hantering av variationer och brus Hantering av variationer och brus Träningsdata Testdata Sidan 3
Två sätt att modellera (1) Symbolism Beskriver beteendet utan att bry sig om exakt hur det är implementerat i hjärnan Modeller i termer av regler: sp {identify*tank*as*enemy production rule (state <s> ^object <tank>) (<tank> ^color green) # condition --> # implication } (<tank> ^enemy true) # action # condition # name of Två sätt att modellera (2) Konnektionism Viktigt att modellen är biologiskt lik Artificiella neurala nät Förenklad variant av modellen Uppgiften: interaktiv aktivering En modell av läsförståelse Hemuppgift i kognitiv modellering Provkör on-line-versionen av interactive activation -modellen för läsförståelse Frågor Hur beter sig IA-modellen för orden _lue och _ake? Vad säger modellen om mänsklig kognition (informationsbearbetning)? Se även kurshemsidan www /~TDDC72 Uppgifter Kog.mod. Artificiella neurala nätverk (ANN) Beräkning bygger på enkla enheter Artificiella neuroner, kallas noder eller enheter Komplexiteten ges av hur noderna organiseras Antal noder Topologin på kopplingar Enkla eller dubbelriktade; alla-till-alla eller specifika Övergripande organisation Hur många lager; hierarkier Sidan 4
Övergripande organisation Olika kopplingsstrukturer Feedforward (framåtkopplat nät) Alla kopplingar går åt samma håll Kopplingar från input-lager till output-lager Recurrent (återkopplat nät) Kopplingar även bakåt Output från en nivå kan påverka föregående nivåer Artificiell nod Interaktiv aktiverings-modellen aktiveringsfunktion utsignal till andra enheter Distinkta lager av noder som implementerar delberäkningar Återkopplat nät Kopplingar mellan lagren är dubbelriktade insignal från andra enheter w ij 1 S a i Förenklade: Samma vikt på alla kopplingar mellan två lager Ingen inlärning, dvs. handsatta vikter Lokal representation En nod repr. en viss bokstav, ett visst ord, etc. Kan sätta etikett på noderna bias/vilonivå Utgångsexperimentet Modell för läsförståelse mask % korrekt Kombinerar info från exp 1: work k eller d? hög Visuell input Bakgrundskunskap exp 2: k k eller d? medel Lexikon, ordfrekvens Bokstävers visuella särdrag exp 3: rvpk k eller d? tid låg Ord börjar aktiveras innan alla bokstäver har känts igen Möjliga ord och bokstäver beaktas parallellt Sidan 5
IA-arkitekturen Påverkan från kontexten alla mot alla ingående bokstav tävling inom samma position i ordet inneh. bokstav inneh. ej bokstav inneh. feature inneh. ej feature Kontext = ord från ett lexikon Ger positiv feedback till bokstavslagret Röstar fram bokstäver (svar) Ger negativ feedback till bokstäver som inte ingår Undertrycker alternativa bokstäver Ger negativ signal till konkurrerande ord Försvårar indirekt för alternativa bokstäver Parametrar i systemet Förenklad variant av modellen Kopplingar Excitatoriska (positiv effekt på mottagaren), Inhibitoriska (negativ effekt på mottagaren), Vilonivå Grundaktivering när ingen input 0 för vanligaste ordet Negativ offset för mindre vanliga ord Svårare (långsammare) att bli aktiverade Beräkningsegenskaper Information flyter konstant i systemet En nod repr. möjlig hypotes om input Nodens output beror på om förändring i input ökar eller minskar tron på hypotesen Nodens tillstånd repr. minne för det stöd som ackumulerats Beräkning går ut på att hitta aktiverings-mönster som alla noder i hela nätverket är överens om Constraint satisfaction Modelleringsprojektet Sidan 6
Tre förberedda modell-skal Gungbrädan (balance beam) Åt vilken sida tippar gungan? Hur lär sig barn detta? Stroop Färgord tryckta i olika färger Tar längre tid när ord och färg inte stämmer överens Blindsight Ser inte (kan inte beskriva vad som finns där) Kan peka mot objektet 1. Gungbrädan Barn har svårt att avgöra vilken sida som kommer att tippa ner 1. Gungbrädan Två dimensioner Vikt och avstånd Lätt när vikt avgör eller avstånd avgör Svårt när vikt och avstånd är i konflikt Ex. längre avstånd, mindre vikt på ena sidan Kan delas upp i sex kategorier Barn har olika svårt för dessa 1. Gungbrädan Modellera hur barn utvecklas med tiden Nät som genom inlärning härmar barnens utvecklingsstadier Utvecklingsstadier Hur väl de sex kategorierna klaras av Finns närmare beskrivet i kompendiet 2. Stroop: Lätt att säga färgen 2. Stroop: svårt att säga färgen Sidan 7
2. Stroop Uppgiften varierar längs två dimensioner: 1. Om försökspersonen, dvs. nätet, ska beskriva färgen eller läsa ordet 2. Om färgen överensstämmer med ordet eller inte (kongruenta inkongruenta fall) 2. Stroop Fyra fall som nätet ska kunna hantera Säg färgen Läs ordet Kongruent Snabbt svar Snabbt svar Icke-kongruent Långsamt svar Medelsnabbt svar 2. Stroop Säg färgen Avge svar? Läs ordet (starkare, mer automatiserat?) 2. Stroop Ni ska bygga ett nätverk som uppvisar liknande beteende som människor Dvs. svarar långsammare i tredje fallet (icke-konguent, säg färgen) Nätets svarstid mäts i antal beräkningscykler De statistik-processer och loggningsfönster som behövs finns redan i skalet 3. Blindsight Blindsight Två olika sätt att se visuella objekt Kunna beskriva Tolka, kategorisera objektet Kunna peka ut Registrera objektets rumsliga position De två sätten att bearbeta pågår parallellt Ena sättet kan slås ut utan att andra sättet påverkas Mer om det här i kompendiet Sidan 8
Rekommenderad arbetsgång Utvärdering av modellen 1. Val av modelleringsproblem + inläsning 2. Grov idé 3. Testa och iterera Avgränsa, förenkla, renodla problemet 4. Avslutande utvärdering och rapport Vad i modellen ger upphov till det sökta fenomenet? Hypotes om vad som orsakar fenomenet hos människan Vad händer i modellen? Varför? Koppla modellens beteende till dess arkitektur Ingående processer/lager/grupper av noder Hur dessa kommunicerar Stämmer beteendet med data? (validitet) Lärdomar Vad fungerade (inte)? Varför? Styrkor/svagheter med arbetet Minimikrav för mod.projektet Modellen ska vara intuitivt tilltalande Lättöverskådlig, sparsam med antaganden (Robust, dvs. ej omotiverat känslig för små förändringar i input) Kunna övertyga läsaren Åtminstone ungefärlig överensstämmelse med experimentella data Förklara varför modellen beter sig som den gör! Exempel på intressanta resultat Våra simuleringar visar att Beteendet kan återskapas när mekanismer x,y inkluderas i modellen (= om modellen ser ut på det här sättet) Inte annars Vi förslår därför att beteendet beror på samspelet mellan x och y" Förutsätter att modellen i övrigt följer teorier som alla är överens om Sidan 9