Υπολογιστικό Μοντέλο της Νοημοσύνης

PDF
Δημοσιευμένα: Oct 15, 2020
DOI: https://doi.org/10.12681/psy_hps.23602
Λέξεις-κλειδιά:
Νοημοσύνη Τεχνητά νευρωνικά δίκτυα
Σταύρος - Εμμανουήλ Πανούτσος
Περίληψη

Σκοπός αυτής της μελέτης είναι να αναδείξει σημαντικά θέματα που διέπουν την έννοια της νοημοσύνης. Η ανθρώπινη νοημοσύνη έχει αποτελέσει θέμα αντιπαράθεσης μεταξύ των ερευνητών και, ως εκ τούτου, η ίδια η φύση και η δομή της νοημοσύνης εξακολουθούν να παραμένουν ασαφείς. Η παρούσα έρευνα εξετάζει την νοημοσύνη όσον αφορά τρεις πτυχές και συγκεκριμένα την ταχύτητα επεξεργασίας πληροφοριών, την ταχύτητα μάθησης και την αναπαράσταση πληροφοριών που απαιτείται για την επίλυση σύνθετων προβλημάτων. Παρά το γεγονός ότι όλα αυτά έχουν προταθεί ως υποψήφιοι μηχανισμοί της νοημοσύνης, ο συσχετισμός μεταξύ τους, καθώς και με τις επιπτώσεις τους στη γνωστική λειτουργία είναι ακόμα ασαφής. Για να διερευνηθεί αυτό ακόμη περισσότερο, ένα τεχνητό νευρωνικό δίκτυο αναπτύχθηκε σε Matlab, προκειμένου να εφαρμοσθεί μια μηχανιστική προσέγγιση της νοημοσύνης. Αυτό το τεχνητό νευρωνικό δίκτυο χρησιμοποιήθηκε για να ελεγχτεί η υπόθεση ότι ορισμένες τροποποιήσεις παραμέτρων, όπως της συνάρτησης ενεργοποίησης, του ρυθμού μάθησης ή του αριθμού των υπολογιστικών μονάδων στο δίκτυο, θα μπορούσε να συνδέεται με την ταχύτητα επεξεργασίας του δικτύου , την ταχύτητα της μάθησης και την αναπαράσταση των πληροφοριών αντίστοιχα. Τα αποτελέσματα έδειξαν ότι μόνο οι τροποποιήσεις στο ρυθμό μάθησης επηρεάζουν σημαντικά όλους προαναφερθέντες παράγοντες. Ως αποτέλεσμα, αυτή η παράμετρος προτείνεται ως ένας υποψήφιος μηχανισμός που ερμηνεύει ένα σημαντικό τμήμα της νευροβιολογικής βάσης της ανθρώπινης νοημοσύνης. Οι επιπτώσεις συζητούνται.

Λεπτομέρειες άρθρου
  • Ενότητα
  • ΕΜΠΕΙΡΙΚΕΣ ΕΡΓΑΣΙΕΣ
Creative Commons License

Αυτή η εργασία είναι αδειοδοτημένη υπό το Creative Commons Attribution-ShareAlike 4.0 International License.

Το περιοδικό ΨΥΧΟΛΟΓΙΑ έχει υιοθετήσει μία πολιτική Platinum open-access. Τα έξοδα υποβολής, επεξεργασίας ή δημοσίευσης των εργασιών καλύπτονται από την Ελληνική Ψυχολογική Εταιρεία. Τα πνευματικά δικαιώματα των δημοσιευμένων εργασιών προστατεύονται από την άδεια 'Creative Commons Attribution-ShareAlike 4.0 International'. Οι Συγγραφείς διατηρούν τα Πνευματικά Δικαιώματα και χορηγούν στο περιοδικό το δικαίωμα της πρώτης δημοσίευσης. Η άδεια αυτή επιτρέπει σε τρίτους, να χρησιμοποιούν την εργασία σε οποιαδήποτε μορφή, με την προϋπόθεση της διατήρησης των διατυπώσεων που προβλέπονται στην άδεια σχετικά με την αναφορά στον αρχικό δημιουργό και την αρχική δημοσίευση στο περιοδικό ΨΥΧΟΛΟΓΙΑ. Επιπλέον, κάθε διανομή της εργασίας οφείλει να γίνεται με τους ίδιους όρους διανομής, δηλαδή με την ίδια άδεια Creative Commons.

Λήψεις
Τα δεδομένα λήψης δεν είναι ακόμη διαθέσιμα.
Αναφορές
Anderson, M. (1992). Intelligence and Development:
A Cognitive Theory. Wiley.
Catell, R. B. (1987). Intelligence: Its structure, growth
and action. Amsterdam: North-Holland.
Cybenko, G. (1989). Approximation by Superpositions
of a Sigmoidal Function. Mathematics of
Control, Signals and Systems, 2, 303-314.
Dawson, M. R. W., Kelly, D. M., Spetch, M. L., &
Dupuis, B. (2010). Using perceptrons to explore
the reorientation task. Cognition, 114, 207-226.
Fausett, L. (1996). Fundamentals of Neural Networks:
Architectures, Algorithms and Applications. Prentice
Hall International.
Gardner, H. (2000). Intelligence reframed: Multiple intelligences
for the 21st century. New York: Basic
Books.
Garlick, D. (2002). Understanding the nature of the
general factor of intelligence: The role of individual
differences in neural plasticity as an explanatory
mechanism. Psychological Review, 109, 116-
Halford, G. S. (1999). The development of intelligence
includes capacity to process relations of greater
complexity. In M. Anderson (Eds.) The development
of intelligence. Psychology Press.
Huttenlocher, P. R., & Dabhokar, A. S. (1997). Regional
Differences in Synaptogenesis in Human
Cerebral Cortex. The Journal of Comparative Neurology,
, 167-178.
Jensen, A., R. (1998). The g factor: The science of
mental ability. Westport: Praeger.
Mitchel, T. (1997). Machine Learning. McGraw Hill.
Phillips, S., Halford, G. S., & Wilson, W. H. (1995). The
processing of associations versus the processing
of relations and symbols: A systematic comparison.
In J. D. Moore & J. F. Lehman (Eds.), Proceedings
of the 17th annual conference of the
Cognitive Science Society. Pittsburgh: Lawrence
Erlbaum Associates Inc.
Raven, J., Raven, J. C., & Court, J. H. (1998). Manual
for Raven’s progressive matrices and vocabulary
scales. Oxford: Oxford Psychologists Press.
Salthouse, T. A. (1996). The processing-speed theory
of adult age differences in cognition.Psychological
Review, 103, 403-428.
Shaw, P., Greenstein, D., Lerch, J., Clasen, L., Lenroot,
R., Gogtay, N., Evans, A., Rapoport, J.,&
Giedd, J. (2006). Intellectual ability and cortical
development in children and adolescents. Nature,
, 676-679.
Spearman, C. (1927). The abilities of man. London:
Macmillan.
Sternberg, R. J., Conway, B. E., Ketron, J. L., Bernstein,
M. (1981). People’s conceptions of intelligence.
Journal of Personality and Social Psychology,
, 37-55.
Thomas, M. S. C., & Karmiloff-Smith, A. (2003). Connectionist
models of development, developmental
disorders and individual differences. In R. J.
Sternberg, J. Lautrey, & T. Lubart (Eds.), Modells
of Intelligence: International Perspectives. American
Psychoogical Association.
Williams, B. A., & Pearlberg, S. L. (2006). Learning of
three-term contingencies correlates with Raven
scores, but not with measures of cognitive processing.
Intelligence, 34, 177-191.