ACT-R - Versionsgeschichte

Elisa: /* Aufbau und Bestandteile */

2021-12-13T20:33:50Z

Aufbau und Bestandteile

← Nächstältere Version		Version vom 13. Dezember 2021, 22:33 Uhr
Zeile 13:		Zeile 13:


	[[File:ACT-R Structure.png\|center\|550px]]		[[File:ACT-R Structure.png\|center\|550px\|link=Ausgelagerte_Bildbeschreibungen#ACT-R_Abbildung\|Ausgelagerte Bildbeschreibung von ACT-R Abbildung]]

Schäfer: /* Software */

2018-10-08T17:42:43Z

Software

← Nächstältere Version		Version vom 8. Oktober 2018, 19:42 Uhr
Zeile 64:		Zeile 64:


	[[File:ACT-R Software.png\|\|600px]]		[[File:ACT-R Software.png\|center\|600px]]



	== Zusammenfassung ==		== Zusammenfassung ==

	Kognitive Architekturen wie ACT-R zeigen, wie man unterschiedliche Aspekte der Informationsverarbeitung in ein globaleres Modell integrieren und durch Simulationen quantitative Werte daraus gewinnen kann, die sich direkt mit den Messungen aus empirischen Studienvergleichen lassen. Auch lässt sich dieser Ansatz innerhalb eines großen Spektrums von Problemen einsetzen, allerdings mit den derzeitigen Versionen allerdings nur für relativ einfache Mechanismen, wie die Buchstabenerkennung.		Kognitive Architekturen wie ACT-R zeigen, wie man unterschiedliche Aspekte der Informationsverarbeitung in ein globaleres Modell integrieren und durch Simulationen quantitative Werte daraus gewinnen kann, die sich direkt mit den Messungen aus empirischen Studienvergleichen lassen. Auch lässt sich dieser Ansatz innerhalb eines großen Spektrums von Problemen einsetzen, allerdings mit den derzeitigen Versionen allerdings nur für relativ einfache Mechanismen, wie die Buchstabenerkennung.

Schäfer: /* Aufbau und Bestandteile */

2018-10-08T17:42:26Z

Aufbau und Bestandteile

← Nächstältere Version		Version vom 8. Oktober 2018, 19:42 Uhr
Zeile 13:		Zeile 13:


	[[File:ACT-R Structure.png\|center\|~~500px~~]]		[[File:ACT-R Structure.png\|center\|550px]]

Schäfer: /* Aufbau und Bestandteile */

2018-10-08T17:42:05Z

Aufbau und Bestandteile

← Nächstältere Version		Version vom 8. Oktober 2018, 19:42 Uhr
Zeile 13:		Zeile 13:


	[[File:ACT-R Structure.png\|\|~~600px~~]]		[[File:ACT-R Structure.png\|center\|500px]]


Zeile 30:		Zeile 30:

	Die einzelnen Bestandteile der Architektur sind bestimmten '''Hirnregionen''' zugeteilt (siehe Klammern in der obigen Abbildung). Zum Beispiel wird der Ziel-Speicher, der den aktuellen Zustand für die Problemlösung aufrechterhält, mit dem Dorsolateralen Präfrontalen Cortex (DLPFC) assoziiert, dessen Funktionen u.a. die Planung und Organisation motorischer Handlungen, perzeptuelle Integration und Kontrolle des Arbeitsgedächtnisses umfassen. Das Produktionssystem von ACT-R ist eng mit den Basalganglien verknüpft, welche Regulation und Integration wichtiger Funktionen im Bereich der Motorik, Kognition und Emotion erfüllen.		Die einzelnen Bestandteile der Architektur sind bestimmten '''Hirnregionen''' zugeteilt (siehe Klammern in der obigen Abbildung). Zum Beispiel wird der Ziel-Speicher, der den aktuellen Zustand für die Problemlösung aufrechterhält, mit dem Dorsolateralen Präfrontalen Cortex (DLPFC) assoziiert, dessen Funktionen u.a. die Planung und Organisation motorischer Handlungen, perzeptuelle Integration und Kontrolle des Arbeitsgedächtnisses umfassen. Das Produktionssystem von ACT-R ist eng mit den Basalganglien verknüpft, welche Regulation und Integration wichtiger Funktionen im Bereich der Motorik, Kognition und Emotion erfüllen.



	== Beispiel: Deklaratives Modul ==		== Beispiel: Deklaratives Modul ==

Schäfer am 8. Oktober 2018 um 17:40 Uhr

2018-10-08T17:40:44Z

← Nächstältere Version		Version vom 8. Oktober 2018, 19:40 Uhr
Zeile 5:		Zeile 5:

	Unter diesem Prinzip erschuf der Psychologe John R. Anderson Mitte der neunziger Jahre die '''Adaptive Control of Thought – Rational''' (ACT-R), eine [[Kognitive Architekturen\|kognitive Architektur]], deren Anspruch die Beschreibung und Integration zentraler Grundmechanismen menschlicher Kognition ist. Wie andere kognitive Architekturen funktioniert sie ähnlich einer Programmiersprache, über die wissenschaftliche Hypothesen durch Modellierung von kognitiven Aufgaben, Simulation von Verhaltensdaten und empirischem Abgleich getestet werden können.		Unter diesem Prinzip erschuf der Psychologe John R. Anderson Mitte der neunziger Jahre die '''Adaptive Control of Thought – Rational''' (ACT-R), eine [[Kognitive Architekturen\|kognitive Architektur]], deren Anspruch die Beschreibung und Integration zentraler Grundmechanismen menschlicher Kognition ist. Wie andere kognitive Architekturen funktioniert sie ähnlich einer Programmiersprache, über die wissenschaftliche Hypothesen durch Modellierung von kognitiven Aufgaben, Simulation von Verhaltensdaten und empirischem Abgleich getestet werden können.



Zeile 29:		Zeile 30:

	Die einzelnen Bestandteile der Architektur sind bestimmten '''Hirnregionen''' zugeteilt (siehe Klammern in der obigen Abbildung). Zum Beispiel wird der Ziel-Speicher, der den aktuellen Zustand für die Problemlösung aufrechterhält, mit dem Dorsolateralen Präfrontalen Cortex (DLPFC) assoziiert, dessen Funktionen u.a. die Planung und Organisation motorischer Handlungen, perzeptuelle Integration und Kontrolle des Arbeitsgedächtnisses umfassen. Das Produktionssystem von ACT-R ist eng mit den Basalganglien verknüpft, welche Regulation und Integration wichtiger Funktionen im Bereich der Motorik, Kognition und Emotion erfüllen.		Die einzelnen Bestandteile der Architektur sind bestimmten '''Hirnregionen''' zugeteilt (siehe Klammern in der obigen Abbildung). Zum Beispiel wird der Ziel-Speicher, der den aktuellen Zustand für die Problemlösung aufrechterhält, mit dem Dorsolateralen Präfrontalen Cortex (DLPFC) assoziiert, dessen Funktionen u.a. die Planung und Organisation motorischer Handlungen, perzeptuelle Integration und Kontrolle des Arbeitsgedächtnisses umfassen. Das Produktionssystem von ACT-R ist eng mit den Basalganglien verknüpft, welche Regulation und Integration wichtiger Funktionen im Bereich der Motorik, Kognition und Emotion erfüllen.



Zeile 56:		Zeile 58:

	Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.		Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.



	== Software ==		== Software ==
Zeile 63:		Zeile 67:

	[[File:ACT-R Software.png\|\|600px]]		[[File:ACT-R Software.png\|\|600px]]

Schäfer: /* Beispiel: Deklaratives Modul */

2018-09-23T20:59:05Z

Beispiel: Deklaratives Modul

← Nächstältere Version		Version vom 23. September 2018, 22:59 Uhr
Zeile 35:		Zeile 35:
	Die Arbeitsweise der Module soll beispielhaft anhand des deklarativen Moduls veranschaulicht werden:		Die Arbeitsweise der Module soll beispielhaft anhand des deklarativen Moduls veranschaulicht werden:

	Die große Menge an Informationen im deklarativen Gedächtnis macht es unmöglich, diese gleichzeitig für die Aufgabenbearbeitung heranzuziehen, zumal viele Chunks irrelevant oder in bestimmten Fällen gar störend sein können. Aus diesem Grund müssen die wichtigsten Informationen ausgewählt werden. Diese Auswahl wird in ACT-R als Chunk-Aktivierung Ai bezeichnet. Sie ist abhängig von der allgemeinen Nützlichkeit des Chunks für vergangene Problemlösungen Bi und der Relevanz eines Items j im aktuellen Kontext. Letzteres wird beeinflusst durch die Aufmerksamkeitsgewichtung wj und der Assoziationsstärke des Elements mit dem Chunk ~~sij~~:		Die große Menge an Informationen im deklarativen Gedächtnis macht es unmöglich, diese gleichzeitig für die Aufgabenbearbeitung heranzuziehen, zumal viele Chunks irrelevant oder in bestimmten Fällen gar störend sein können. Aus diesem Grund müssen die wichtigsten Informationen ausgewählt werden. Diese Auswahl wird in ACT-R als Chunk-Aktivierung ''A<sub>i</sub>'' bezeichnet. Sie ist abhängig von der allgemeinen Nützlichkeit des Chunks für vergangene Problemlösungen Bi und der Relevanz eines Items j im aktuellen Kontext. Letzteres wird beeinflusst durch die Aufmerksamkeitsgewichtung ''w<sub>j</sub>'' und der Assoziationsstärke des Elements mit dem Chunk ''s<sub>ij</sub>'':


Zeile 44:		Zeile 44:
	[[File:ACT-R F3.png\|center\|600px]]		[[File:ACT-R F3.png\|center\|600px]]

	Wobei fan<sub>j</sub> die Anzahl der mit dem Element j assoziierten Fakten ist und S ein in der Regel auf ungefähr 2 festgelegter Parameter.		Wobei ''fan<sub>j</sub>'' die Anzahl der mit dem Element j assoziierten Fakten ist und ''S'' ein in der Regel auf ungefähr 2 festgelegter Parameter.

	Die Größe von B<sub>i</sub> richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung k in der Vergangenheit liegt (t<sub>k</sub>), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist d ein Parameter für die Vergessensrate.		Die Größe von ''B<sub>i</sub>'' richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung ''k'' in der Vergangenheit liegt (t<sub>k</sub>), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist ''d'' ein Parameter für die Vergessensrate.


Zeile 56:		Zeile 56:

	Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.		Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.


	== Software ==		== Software ==

Schäfer am 23. September 2018 um 20:55 Uhr

2018-09-23T20:55:56Z

← Nächstältere Version		Version vom 23. September 2018, 22:55 Uhr
Zeile 44:		Zeile 44:
	[[File:ACT-R F3.png\|center\|600px]]		[[File:ACT-R F3.png\|center\|600px]]

	Wobei ~~fan_j~~ die Anzahl der mit dem Element j assoziierten Fakten ist und S ein in der Regel auf ungefähr 2 festgelegter Parameter.		Wobei fan<sub>j</sub> die Anzahl der mit dem Element j assoziierten Fakten ist und S ein in der Regel auf ungefähr 2 festgelegter Parameter.

	Die Größe von Bi richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung k in der Vergangenheit liegt (tk), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist d ein Parameter für die Vergessensrate.		Die Größe von B<sub>i</sub> richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung k in der Vergangenheit liegt (t<sub>k</sub>), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist d ein Parameter für die Vergessensrate.


Zeile 56:		Zeile 56:

	Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.		Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.


	== Software ==		== Software ==

Schäfer: /* Beispiel: Deklaratives Modul */

2018-09-23T20:53:14Z

Beispiel: Deklaratives Modul

← Nächstältere Version		Version vom 23. September 2018, 22:53 Uhr
Zeile 38:		Zeile 38:


	[[File:ACT-R F1.png\|center\|~~900px~~]]		[[File:ACT-R F1.png\|center\|600px]]

	[[File:ACT-R F2.png\|center\|600px]]		[[File:ACT-R F2.png\|center\|600px]]

Schäfer am 23. September 2018 um 20:52 Uhr

2018-09-23T20:52:52Z

← Nächstältere Version		Version vom 23. September 2018, 22:52 Uhr
Zeile 38:		Zeile 38:


	[[File:ACT-R F1.png\|center\|~~600px~~]]		[[File:ACT-R F1.png\|center\|900px]]

	[[File:ACT-R F2.png\|center\|600px]]		[[File:ACT-R F2.png\|center\|600px]]

Schäfer: /* Beispiel: Deklaratives Modul */

2018-09-23T20:52:03Z

Beispiel: Deklaratives Modul

← Nächstältere Version		Version vom 23. September 2018, 22:52 Uhr
Zeile 40:		Zeile 40:
	[[File:ACT-R F1.png\|center\|600px]]		[[File:ACT-R F1.png\|center\|600px]]

	~~w_ij=1/n_i~~		[[File:ACT-R F2.png\|center\|600px]]

	~~s_ij=S~~-~~ln⁡(〖fan〗_j)~~		[[File:ACT-R F3.png\|center\|600px]]

	Wobei ~~fanj~~ die Anzahl der mit dem Element j assoziierten Fakten ist und S ein in der Regel auf ungefähr 2 festgelegter Parameter.		Wobei fan_j die Anzahl der mit dem Element j assoziierten Fakten ist und S ein in der Regel auf ungefähr 2 festgelegter Parameter.

	Die Größe von Bi richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung k in der Vergangenheit liegt (tk), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist d ein Parameter für die Vergessensrate.		Die Größe von Bi richtet sich nach dem Potenzgesetz des Vergessens: Je weiter die letzte Aktivierung k in der Vergangenheit liegt (tk), desto irrelevanter ein Chunk für die Problemlösung. Dabei ist d ein Parameter für die Vergessensrate.


	~~B_i=ln⁡(∑_(k=1)^(m_i)▒t_k^(~~-~~d) )~~		[[File:ACT-R F4.png\|center\|600px]]

	Alles in allem ergibt sich also die Aktivierung eines Chunks aus folgender Formel:		Alles in allem ergibt sich also die Aktivierung eines Chunks aus folgender Formel:

	~~A_i= ln⁡(∑_(k=1)^(m_i)▒t_k^(~~-~~d) )+ ∑_(j=1)^(n_i)▒〖1/n_i *(S-ln⁡(〖fan〗_j)〗)~~		[[File:ACT-R F5.png\|center\|600px]]

	Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.		Die Chunk-Aktivierung beeinflusst wiederrum die Abrufwahrscheinlichkeit und -verzögerung für diesen Chunk, sofern die Aktivierung eine bestimmte Schwelle überschritten hat.


	== Software ==		== Software ==