Синаптическая фасилитация

Истоки правил обучения для сетей кроются в идее, сформулированной впервые в общих чертах Хеббом. Коротко говоря, он применил старый закон смежности к уровню нейронной активности и утверждал, что синаптическая передача будет получать выигрыш в эффективности всякий раз, когда пресинаптическая активность оказывается смежной по времени с постсинаптической активностью. На рис. 2 приведен пример хеббовского элемента. Этот хеббовский элемент имеет две входные связи. Один вход (X_i), наз. здесь «сигнальным» входом («cue» input), не обладает изначально весом связи и, следовательно, не способен активизировать элемент. Др. вход (Х₀), обычно наз. «обучающим» входом («teacher» input),имеет фиксированный большой вес (V₀ = 1), позволяющий активизировать элемент и вызвать «ответный» выход («response» output). При совмещении во времени обоих входов, сигнальный вход будет обеспечивать пресинаптическую активность (X_i), а обучающий вход будет вызывать постсинаптическую активность (Y). В мат. терминах, изменение веса связи (ΔV_i) выражается в виде произведения двух уровней активности. Это правило обучения может быть записано как ΔV_i = сХ_iY, где с — коэффициент пропорциональности (0 < с < 1).

Рис. 2. Хеббовский адаптивный элемент, в котором X_i — уровень сигнального входа, V_i — адаптивный вес связи, Х₀ — уровень обучающего входа, a Y — уровень выходной реакции

Если по хеббовскому правилу научение находится в строгой зависимости от смежности уровней активации, согласно др. правилам научение зависит от ошибки в способности веса сигнального входа соответствовать обучающему входу. Одно из наиболее часто используемых правил этого рода известно под разными наименованиями: правило допустимой ошибки (дельта), правило Ресколы — Вагнера (the Rescorla — Wagner rule), правило Видроу — Хоффа (the Widrow — Hoff rule)и правило наименьших средних квадратов (least-mean squares rule). При наличии множества одновременных сигнальных входов это правило может быть записано как ΔV_i = с (V₀X₀ — Σ [V_i X_i]) X_i. Анализ этого правила показывает, что когда суммарный вход (Σ [V_i X_i]) существенно отличается от активации, вызываемой обучающим входом (V₀ X₀), это приводит к резкому изменению веса связи каждого подходящего входа (ΔV_i). И наоборот, когда это различие мало, изменение также будет малым.

Правило исправления ошибок (error-correction rule)оказывается более сложным, чем хеббовское правило смежности, однако имеет 3 осн. преимущества при моделировании ассоциативного обучения.

1. Самоограничивающиеся приращения. Тогда как правило смежности порождает веса связи, к-рые растут линейно, правило исправления ошибок является самоограничивающимся. Эта его особенность производит отрицательное ускорение, к-рое можно наблюдать в большинстве кривых научения.

2. Обратимость. Правило смежности продуцирует только положительные приращения в научении, тогда как правило исправления ошибок порождает не только положительные, но и отрицательные приращения (или затухание). В частности, в правиле смежности, отсутствие обучающего входа (Х₀)исключает любые приращения, но при этом не влечет эффекта затухания. В свою очередь, в правиле исправления ошибок, отсутствие обучающего входа означает, что вычитаемый член уравнения принимает отрицательные значения (-Σ [V_i X_i]), тем самым производя понижение веса связи (V_i). Т. о., правило исправления ошибок может отслеживать изменения прогнозируемого значения «сигнального» входа для определенного «обучающего» входа.

3. Избирательность. Когда имеется множество сигналов, хеббовское правило смежности применяется независимо к каждому входу. В отличие от него, правило исправления ошибок предполагает, что изменение ассоциативной силы для каждого входа зависит от результирующей ошибки по всем активным входам. Напр., если определенный набор сигнальных входов уже приобрел высокие веса, то тогда разность членов (V₀X₀ — Σ [V_i X_i]) будет приближаться к нулю и тем самым препятствовать приобретению веса дополнительными, одновременно действующими сигналами. Т. о., избыточные сигналы будут эффективно подавляться. Кроме того, если ни одни из сигнальных входов не обладает предварительным преимуществом, общий вес связи будет распространяться на все одновременно действующие сигнальные входы. В результате, элемент может «настраиваться» так, что он будет активизироваться только определенной конфигурацией входов, а не к.-л. одним из этих входов.

Основные архитектуры

Несмотря на то что материалом для строительных блоков нейронных сетей являются отдельные элементы, мн. из эмерджентных свойств сети определяются архитектурой их взаимосвязей. Существуют 2 осн. архитектуры, встречающиеся в большинстве моделей, а именно, сети, содержащие множество слоев элементов, и сети, в к-рых выходы возвращаются в качестве входов в сеть.

Многослойные сети

Пример простой многослойной сети приведен на рис. 3. Эта сеть имеет два входа (A, В), каждый из к-рых проецируется на два элемента (X, R). Элемент X,находящийся между событиями на входе и выходным элементом наз. скрытым элементом. Эта небольшая сеть содержит пять модифицируемых связей, а именно A-Х, A-R, В-Х, B-R и X-R.

Рис. 3. Конфигурация многослойной сети, подчиняющейся правилу исключающего ИЛИ

Многослойные сети сыграли решающую роль в разрешении вопросов репрезентации стимула и формирования понятий, вызывавших трудности у традиционных психол. теорий и однослойных сетевых моделей. В частности, многослойные сети обеспечивают базис для обучения произвольному отображению (arbitrary mapping)входных паттернов стимулов в выходные паттерны реакций. Ключевая проблема оказалась связанной с нелинейными отображениями. При таком отображении, желаемая реакция на определенное сочетание входов не является аддитивной функцией реакций на отдельные входы. Примером простейшего нелинейного отображения является правило исключающего ИЛИ. Правило исключающего ИЛИ требует реакции на каждый из двух входов, предъявляемых по отдельности, но не на их совместное появление. Напр., мн. люди обнаруживают следование правилу исключающего ИЛИ в своих вкусовых предпочтениях. Человек может с удовольствием есть лакрицу, но отказываться есть картофель с лакричной приправой. Если бы отдельные отображения стимул — реакция являлись строго аддитивными, картофель с лакричной приправой съедался бы с большим удовольствием.

Вообще говоря, можно преобразовать нелинейную задачу в линейную, постулируя особый вход для совместного появления осн. стимульных входов. Однако, когда число осн. входов увеличивается, эта тактика приводит к бурному росту числа особых входов. Более общее решение заключается во введении механизма обучения, к-рый формирует специализированные кодировки совместных входов по мере возникновения такой необходимости. Многослойные сети обладают этой способностью. Коротко говоря, установление подходящих весов связей от стимульных входов к скрытым элементам создает блоки, специализированные для конкретной комбинации входов. Связи между скрытыми элементами и выходными элементами обеспечивают отображение этих специализированных блоков в соотв. выходные реакции.

Небольшая сеть, показанная на рис. 3, имеет конфигурацию, позволяющую проиллюстрировать поведение согласно правилу исключающего ИЛИ. В этой конфигурации вход A сам по себе не может активизировать элемент X,т. к. вес связи А — X не превышает величины порога X,однако вход A может активизировать элемент R,т. к. его порог оказывается достаточно низким для того чтобы связь A — R оказалась эффективной. Точно так же, вход В может активизировать лишь узел R. Т. о., входы A и В могут каждый по отдельности активизировать выход этой сети. Однако, согласно правилу исключающего ИЛИ, взятые вместе входы А и В будут подавлять выход. Это происходит потому, что суммарный вес связей входов А и В будет активизировать элемент X, а этот элемент X имеет большую отрицательную связь с элементом R. Следовательно, совместное появление входов А и В аннулирует их индивидуальные положительные связи с элементом R.

Автоассоциативные сети

Пример небольшой автоассоциативной сети показан на рис. 4.

Рис. 4. Автоассоциативная сеть, в которой все выходные уровни могут связываться со входными уровнями

Каждый из пяти элементов (А, В, С, D, Е)получает один внешний вход (a, b, с, d, e). Эти внешние входы обладают фиксированными связями, каждая из к-рых способна активизировать выход из соотв. элементов. Кроме того, каждый элемент получает пять возвратных входов, по одному на каждый выход из элементов, включ. его собственный. Напр., как показано на рис. 4, элемент С имеет пять связей, обозначенных как Aс, Bc, Сс, Dc и Еc. Эти связи являются модифицируемыми и функционируют в соответствии с теми же самыми правилами обучения, что и единственный элемент или многослойная сеть. Т. о., всякий раз, когда выход и вход являются активными, на их пересечении может возникать эффективная связь.

Помимо др. вещей, автоассоциативные сети могут реализовывать 3 функции, к-рые представляют особый интерес для психологии.

1. Завершение паттерна. Если множество взаимосвязей было хорошо определено в автоассоциативной сети, тогда уже часть исходных входов может восстановить полное множество выходов. Напр., предположим, что для сети, изображенной на рис. 4, неоднократно предъявлялись входы а и е. Отсюда следует, что установились бы четыре взаимосвязи, а именно Аа, Ае, Еа и Ее, к-рые локализованы в четырех углах матрицы пересечений. Впоследствии вход а сам по себе активизировал бы оба выхода, А и Е, через связи Аа и Ае. Точно так же, вход е активизировал бы оба выхода через связи Еа и Ее.

2. Помехоустойчивость.

3. Суперпозиционная память. Автоассоциативные сети могут хранить огромное количество наборов входов. Это свойство позволяет им извлекать как прототипические паттерны, так и специфические образцы. Напр., Мак-Клелланд и Румельхарт продемонстрировали, что сеть, состоящая из 24 элементов и 552 потенциальных взаимосвязей, могла бы хранить и надежно извлекать 3 различных прототипических паттерна, каждый из к-рых осн. на 50 различных образцах. Они показали, что паттерн для по меньшей мере одного конкретного образца тж может быть извлечен, если этой сети представлено подмножество входов, корреспондирующих с именным признаком (пате tag)этого образца. Сходным образом, Кохонен показал, что сеть, состоящая из 3024 элементов, могла бы хранить и извлекать цифровые фотографии 100 различных лиц.

Современное состояние

В настоящее время трудно прогнозировать, где и насколько серьезных успехов можно добиться благодаря использованию М. н. с. Первоначальный энтузиазм несколько поутих. По мере того как модели сравниваются друг с другом и с более традиционными теориями в различных исследовательских областях, к ним начинают относиться все более трезво. В настоящее время наиболее отчетливой тенденцией является диверсификация характеристик элементов по мере приложения нейронных сетей в различных областях. С одной стороны, там где моделирование нейронных сетей сливается с моделями действительного функционирования нейрона, их элементы становятся более адекватными хим., электрическим и структурным свойствам нейронов. С др. стороны, там где моделирование нейронных сетей применяется к когнитивным феноменам, их элементы сами изображаются как несущие семантическое или символическое содержание. Напр. отдельный элемент может активизироваться только специфической буквой или словом.

См. также Научение, Процессы поиска и извлечения информации из памяти, Нейронные механизмы научения

Дж. Кехой

Модели (models)

Значительные исследовательские усилия во всех областях психологии связаны с использованием М. Примерами могут служить модели искусственной улитки для изучения слуха, многослойные сетевые модели функционирования головного мозга, компьютерные модели мышления и животные модели в психопатологии.

М. относятся к числу осн. и наиболее эффективных инструментов науки. Исследователь в области аэронавтики строит миниатюрный аэроплан для проведения испытаний в аэродинамической трубе; химик представляет себе электроны, движущиеся по планетарным орбитам вокруг атомного ядра. Эти 2 типа моделей — одна физическая, другая концептуальная — помогают в открытии полезных принципов, применимых к решению проблем в реальном мире, таким как выявление оптимальной для расчетной скорости формы крыла или оценка гладкости (на молекулярном уровне) поверхности крыла после его шлифовки.

М. тж важны в биолог. и поведенческих науках, и это отчасти объясняет, почему в психологии проводится так много исслед. с животными. Несмотря на их широкое использование и очевидную полезность, М. — и животные М. в частности — не всегда должным образом оцениваются. Однако они используются; напр. они помогают понять, как нервные клетки обучаются или в каком направлении разрабатывать новые формы терапии фобий. Наиболее широко использование животных М. в психологии представлено в исслед. научения, памяти, употребления наркотиков и психопатологии.

Создатели М. не претендуют на ее полную идентичность моделируемому. Скорее, М. является сходящимся множеством разнотипных аналогий между реальным явлением и системой, к-рая изучается в роли заменителя этого реального явления. Привлекаемыми видами аналогий являются: а) первичная аналогия, б) материальная аналогия и в) формальная аналогия.

Любое явление — это не «просто вещь», но следствие причинных связей между уровнями факторов в реальном мире. Сходным образом, любая потенциально полезная М. будет включать в себя множество причинно связанных факторов. Эти причинные цепи факторов, как в реальном мире, так и в М., могут состоять из неск. звеньев. М. возникают в результате установления соответствия между факторами в этих двух областях. Эти две области могут обладать очевидным сходством, к-рое напр. существует между миниатюрной моделью самолета и Боингом-747, или они могут быть совершенно несхожими, как различаются между собой модель хим. структуры, состоящая из шаров и стержней, и само молекулярное соединение.

Рассмотрим случай, в к-ром присутствуют как сходства, так и различия. Можно заметить, что для пациентов с определенным психиатрическим расстройством характерен нек-рый набор дисфункциональных физиолог. и поведенческих симптомов; можно тж заметить, что животные, подвергающиеся действию нек-рого хим. препарата, демонстрируют поведение, сходное с поведенческими симптомами таких пациентов. Гипотеза о сходстве дисфункционального поведения животного и дисфункционального поведения пациента составила бы первичную аналогию в процессе моделирования. Дополнительная гипотеза могла бы заключаться в том, что данный дисфункциональный физиолог. симптом пациента одного рода с вызванным хим. препаратом физиолог. состоянием животного; это было бы второй первичной аналогией. Степень описательного сходства между этими двумя рядами поведения или между этими двумя физиолог. состояниями составила бы степень материальной аналогии.

Если обнаруживается связь между физиолог. состоянием и поведением пациента, к-рая соответствует эмпирической причинной связи между физиолог. состоянием и поведением животного, между этими двумя параллельными, внутриобластными связями может быть проведена формальная аналогия. Мн. М. в психологии, такие как амфетаминовая модель шизофрении и модель Корсаковского синдрома как холинэргического истощения, возникли именно так. При разраб. др. М. акцент делается скорее на истории взаимодействия средовых факторов и научения, нежели на хим. истории; в качестве примеров можно указать на модель фобий как избегания и модель депрессии как выученной беспомощности.

Сама по себе первичная аналогия еще не является М.; это распространенная ошибка. Настоящая М. должна включать как первичные, так и формальные аналогии. К тому же, продуктивность процесса моделирования заключена в том, что он позволяет использовать известные и эксплицированные причинные связи в одной области (как правило, в области М., но справедливо и обратное) как руководство для выявления параллельных связей в др. области. Нек-рые ученые требуют доказательства большого числа параллелей формальной аналогии, причем связанных с существенными материальными аналогиями, прежде чем заявлять о создании М. Материальная аналогия не является критической для функциональной валидности М.; мат. уравнения часто оказываются мощными М., позволяющими при их реализации компьютерами генерировать знание о поведении системы — даже живой системы — но без материальной аналогии. Материальная аналогия сродни очевидной валидности: она ничего не гарантирует. Если исследователь будет ждать до тех пор, пока все причинные связи в каждой области не окажутся полностью и независимо эксплицированы перед включением их в формальные аналогии, тогда М. будет обладать малой или недостаточно доказательной силой для нового понимания.

Все ранее упомянутые психол. М. начинались с проведения первичной аналогии между различными формами поведения. Однако есть веские основания утверждать, что поиск таких сходств в поведении между биолог. видами является ненадежным процессом, способным вводить в заблуждение, несмотря на его эмпирическую проверку в рамках процесса моделирования. Это происходит потому, что каждый вид приносит в ситуацию тестирования свои собственные приобретенные им в ходе эволюции предрасположения и биолог. ограничения на поведение. Отсюда следует, что 2 различных вида могут иметь противоположные дисфункциональные поведенческие проявления одного и того же лежащего в их основе физиолог. или психол. состояния. Хотя такое положение дел и не носит универсального характера, оно подсказывает альтернативный подход к выбору первичной аналогии. В основу первоначального соответствия можно было бы класть не столько симптомы, сколько этиологические факторы. Подобная стратегия распространена в мед. исследованиях и опирается на предположение о существовании тесной связи между этиологией и терапией. В психологии условия, поддерживающие функционирование нек-рых поведенческих процессов, зачастую отличаются от тех, что приводят к их формированию. Хорошими примерами здесь могут служить Корсаковский синдром и фобии. ПТСР может оказаться случаем, требующим подхода на основе этиологической первичной аналогии, если кто-то ищет животную модель последствий стресса, поскольку сообщаемые симптомы имеют тенденцию приобретать форму нарушений мышления, эпизодов «флэшбек» и др. симптомов, к-рые не наблюдаются непосредственно у животных.

Несмотря на то что для объяснении процесса моделирования здесь привлекались примеры из животных моделей, тот же самый анализ сохраняет свою силу в применении к физ. моделям, компьютерным моделям или количественным моделям психол. процессов. Все они доказали свою ценность в объяснении психол. процессов людей.

См. также Теория алгоритмически-эвристических процессов, Животные как модели, Общие системы, Изоморфизм, Молярные/молекулярные конструкты, Методология (научных) исследований

Б. Овермайер

Моделирование структурными уравнениями (structural equation modeling)

Используемое при разработке множества проблем, от изучения академических достижений до исслед. динамики настроения, М. с. у. представляет собой систематический анализ причинных связей. Широкое применение М. с. у., наз. еще анализом спроса (demand analysis), многопараметрическим комплексным анализом (multitrait multimethod analysis), путевым анализом (path analysis), линейным причинным анализом (linear causal analysis)или методом одновременных уравнений (simultaneous equations), можно объяснить, в значительной степени, двумя отличительными особенностями исслед. в науках о поведении. Во-первых, поскольку мн. исслед. поведения не являются экспериментальными, анализ неэкспериментальных данных требует использования статистических процедур в качестве альтернатив эксперим. манипулированию и контролю. Цель статистических процедур, неразрывно связанных с М. с. у., — достичь уровня оценки, характерного для эксперим. исслед. Во-вторых, предметом мн. исслед. являются гипотетические конструкты, не доступные прямому наблюдению, но оказывающие решающее воздействие на измеряемые переменные и характер связей между ними. Поэтому были разработаны модели, учитывающие и латентный аспект этих переменных, и их эмпирическую связь с измеряемыми переменными.

Уравнения регрессии дают информ. о степени эмпирической связи между изучаемыми переменными, представленную в форме утверждения «когда изменяется х, то изменяется и y». Структурные уравнения представляют более высокий уровень абстракции, на к-ром при данном эмпирическом объединении переменных в центре оказываются причинные связи. Несмотря на это различие, уравнения регрессии можно использовать для оценки структурных уравнений, если выполняется ряд условий. Во-первых, идентифицированные в данной модели причинные переменные не должны зависеть от др. неустановленных причин или, в противоположной формулировке, все существенные причинные переменные, связанные с изучаемым явлением, должны быть точно определены. Следовательно, М. с. у. требует высокой концептуальной (понятийной) и теорет. точности. Во-вторых, переменные, входящие в данную модель, являются либо дихотомическими, либо линейно взаимосвязанными. Линейные структурные модели можно эффективно использовать в исслед. нелинейных связей, если провести соотв. преобразования. В-третьих, причинные переменные либо измеряются без погрешности, либо предусматриваются эксплицитные процедуры для оценки ошибки измерения, как это имеет место при использовании многопараметрического комплексного анализа в моделях множественных индикаторов (multiple indicator models). В четвертых, направление и порядок причинных связей среди изучаемых переменных должны быть явно определены. Хотя это, возможно, не представляет особой проблемы в случае рекурсивной модели, моделирование реципрокной причинности требует использования более тонких и сложных аналитических процедур. Если эти четыре условия выполняются, тогда можно предложить причинную интерпретацию значений соотв. структурных коэффициентов.

В науках о поведении крайне мало представляющих интерес явлений, к-рые поддаются адекватному описанию и анализу с т. зр. простой связи «причина —> следствие». Обычно поведенческие феномены встроены в сеть причинных отношений, что требует применения более мощных и точных аналитических процедур. Поскольку линейная регрессионная модель служит основой практически для всех статистических методов, используемых в поведенческих науках, в тех случаях, когда реальная и теорет. сложность превышает ограничения двумерной рекурсивной модели, в анализ могут вводиться др. линейные модели. Если целью анализа является идентификация множественных независимых переменных (предикторов), то можно применить модель множественной регрессии. Если, в дополнение к этому, приходится иметь дело с множественными зависимыми переменными, тогда можно воспользоваться многомерной регрессией. Наконец, если есть признаки реципрокных причинных связей между эндогенными переменными, тогда лучше всего использовать общую линейную модель структурных уравнений.

В целях иллюстрации общей линейной модели структурных уравнений кратко рассмотрим пример из девяти переменных. Связи между этими гипотетическими переменными можно изобразить схематически следующим образом:

Эти девять переменных разделяются на три характерные категории: эндогенные переменные, экзогенные переменные и возмущающие члены. Аналогично переменной У в двумерной модели, эндогенные переменные — это переменные, значения которых полностью определяются причинными связями, заданными в исследуемой модели. В нашем примере эндогенные переменные представлены переменными D, Е и F. Экзогенные переменные — А, В и С — это переменные, в отношении к-рых предполагается, что теоретически они могут оказывать заметное воздействие на эндогенные переменные, однако их значения определяются внешними процессами, не включенными на данный момент в рассматриваемую модель. Связанные с каждой эндогенной переменной возмущающие члены (и)показывают, какая доля изменчивости соотв. эндогенной переменной не объясняется др. переменными, входящими в данную модель. Как можно заметить на приведенной выше структурной схеме, ряд логически возможных причинных связей не определен (напр. А—Е, B—F, C—D).

Эту причинную модель можно преобразовать в следующую систему из трех структурных уравнений:

D = b_DAА + b_DВВ + u_D,

Е = b_EBВ + b_EDD + b_EFF + u_E,

F = b_FCC + b_FEE + u_F.

Полученная система уравнений отображает структурную модель поведенческих и стохастических процессов, предположительно порождающих определенное множество данных.

Хотя при использовании М. с. у. приходится решать целый ряд технических вопросов (напр. задачи идентификации модели и оценивания параметров), роль теории остается крайне важной. Несмотря на применение в анализе предполагаемых причинных связей строго установленных статистических методов, начальный импульс и главные ориентиры М. с. у. определяются взаимодействием теорет. и методологических соображений.

См. также Теория алгоритмически-эвристических процессов, Каузальное мышление, Когнитивная сложность, Общие системы, Человеческие факторы, Множественная регрессия, Научный метод

Д. Никинович

Моделирование (simulation)

М. — это имитация естественных ситуаций, при к-рой человек в идеале должен вести себя так, как если бы это была реальная ситуация. Преимущество модели в том, что она позволяет испытуемому реагировать на ситуацию, не сталкиваясь с опасностями естественной ситуации. Во мн. психол. экспериментах (особенно в соц. психол.), моделируется все, кроме решающей переменной. Предельным случаем М., однако, является мат. или машинное (компьютерное) М., — когда изучаемые элементы или процессы могут замещаться мат. символами (или наборами машинных команд). Психодрама является примером М. в психотер., где личность играет роль в моделируемой ситуации в социально безопасном окружении.

См. также Разыгрывание ролей

У. Э. Грегори

Модель линзы (Брунсвика) (lens model (Brunswick))

Э. Брунсвик был одним из первых психологов, попытавшихся рассмотреть и учесть то обстоятельство, что мы живем в среде, являющейся в значительной степени непредсказуемой. Он считал, что даже те соотношения, к-рые носят, казалось бы, закономерный характер, напр. очевидное соответствие между восприятием объекта, его размеров, удаленности или тождественности и актуальной физ. реальностью, измеряемой с помощью объективных инструментов, в действительности является результатом сложного поведенческого достижения (behavioral achievement), включающего субъективные оценочные процессы, осн. на постоянно пополняющемся жизненном опыте наблюдателя. Чтобы описать сам процесс, посредством к-рого происходит восприятие, Брунсвик придумал М. л. и использовал ее как эвристику для демонстрации различных стадий этого процесса.

Все начинается с дистального стимула, реального объекта или отношения во внешней среде, к-рый (или к рое) индивидуум пытается воспринять. К сожалению, паттерн проксимальной стимуляции не позволяет ему однозначно воссоздать этот дистальный стимул.

Как правило, в нашем распоряжении оказывается ряд признаков (cues), облегчающих реконструкцию дистального стимула, причем одни из них являются более надежными его предикторами, чем другие. Брунсвик сказал бы, что они различаются своей экологической валидностью. Исходя из нашего опыта, мы начинаем оценивать валидность различных признаков, используя внутренний набор усвоенных (субъективных) вероятностей. Результирующее поведенческое достижение включает в себя попытку воссоздания дистального стимула или — выражаясь более точно — создание перцепта на основе доступных проксимальных стимулов, нашей оценки валидности признаков и того, как их следует объединить. Поскольку часто существуют лишь вероятностные связи между проксимальными признаками и реальным стимулом в окружающей среде, наш итоговый перцептивный образ может быть не лишен ошибок, но по мере того как мы будем приобретать опыт он, конечно же, будет изменяться.

Эту теорет. позицию иногда называют вероятностным функционализмом. Осн. идеи вероятностного функционализма нашли применение в объяснении мн. перцептивных процессов, включ. различные виды константности и зрительные иллюзии.

См. также Воспринимаемый размер, Перцептивные искажения

С. Корен

Модель структуры интеллекта (structure-of-intellect model)

М. с. и. обнаруживает тесные связи с тем, что сейчас называют когн. психол. и освещает широкий спектр важных концепций восприятия, научения, памяти, логического вывода, творческого мышления, решения задач и принятия решений.

М. с. и. определяет интеллект как систематизированную совокупность способностей или функций для обработки разного рода единиц информ. различными способами. Термин способность (ability)используется в контексте индивидуальных различий, а термин функция — в контексте поведения индивидуума.

Каждая базовая способность структуры интеллекта обладает тремя качествами или имеет три грани. Это однозначно определяемый тип операции, тип информационного содержания и тип информационного продукта или формы. Каждая способность характеризуется своим неповторимым соединением одного типа операции с одним типом информ., дающим в результате продукт определенного типа.

Если множество из пяти типов операций умножить на множество из пяти типов информационного содержания и, далее, на множество из шести типов продукта (созданного мозгом), получается 150 возможных, однозначно определенных способностей, примерно 2/3 из к-рых были подтверждены факторным анализом. Математически эта разновидность модели наз. произведением множеств.

Кроме обеспечения логического и систематизированного рассмотрения интеллекта, М. с. и. предлагает информ. по использованию тестов и интерпретаций показателей при оценке интеллектуального уровня конкретных лиц. Она тж освещает мн. аспекты когн. психол. в целом, предоставляя в распоряжение исследователей систему недвусмысленных понятий. Есть основания считать, что способности структуры интеллекта различимы даже в очень раннем возрасте.

По причине слабой корреляции между мн. парами базовых или первого порядка способностей, существуют факторы высшего порядка, отображающие до нек-рой степени более широкие способности второго и третьего уровней обобщения. Полностью отсутствуют доказательства существования общего фактора (единой способности).

См. также Дифференциальная психология, Факторный анализ, Теоретическая психология

Дж. П. Гилфорд

Модификация поведения (behavior modification)

Общим для множества различных формулировок и методик М. п. является прямое вмешательство с целью изменить реакции человека на ситуации при условии, что этот человек или значимые для него люди считают такое изменение полезным. В этом определении есть много импликаций, касающихся сущности нуждающегося в изменении поведения, описания базы действия (личности) и обоснований профессионального вмешательства.

Не нашли, что искали? Воспользуйтесь поиском по сайту: