Tóm tắt nội dung
Một trong những sự phát triển hứa hẹn nhất trong mô hình hóa kiến thức là khoa học mạng lưới nhận thức, nhằm mục đích điều tra các hiện tượng nhận thức được thúc đẩy bởi tổ chức kiến thức có tính liên kết, được nối mạng. Ví dụ, việc nghiên cứu cấu trúc của bộ nhớ ngữ nghĩa thông qua mạng ngữ nghĩa đã làm sáng tỏ cách các mô hình gợi lại bộ nhớ ảnh hưởng đến các hiện tượng như tính sáng tạo, tìm kiếm bộ nhớ, học tập và nói chung hơn là thu thập, khám phá và khai thác kiến thức. Song song đó, các mô hình mạng lưới thần kinh dành cho trí tuệ nhân tạo (AI) cũng đang trở nên phổ biến hơn dưới dạng các mô hình suy luận để hiểu những đặc điểm nào thúc đẩy các hiện tượng liên quan đến ngôn ngữ như tái tạo ý nghĩa, phát hiện lập trường và lập hồ sơ cảm xúc. Trong khi mạng nhận thức ánh xạ rõ ràng những thực thể nào tham gia vào các mối quan hệ liên kết, thì mạng thần kinh thực hiện ánh xạ ngầm về các mối tương quan trong dữ liệu nhận thức dưới dạng trọng số, thu được sau khi huấn luyện trên dữ liệu được dán nhãn và cách giải thích của nó không được người thực nghiệm thấy rõ ngay lập tức. Cuốn sách này nhằm mục đích tập hợp các nghiên cứu đổi mới, định lượng, tập trung vào mô hình hóa kiến thức thông qua mạng lưới nhận thức và thần kinh để hiểu rõ hơn về các cơ chế thúc đẩy các quá trình nhận thức liên quan đến cấu trúc, khám phá và học tập kiến thức. Cuốn sách bao gồm nhiều loại ấn phẩm khác nhau, bao gồm các bài đánh giá và bài viết lý thuyết, nghiên cứu thực nghiệm, mô hình tính toán và phân tích dữ liệu lớn. Tất cả các bài viết ở đây đều có một điểm chung: chúng chứng minh cách ứng dụng khoa học mạng và AI có thể mở rộng và mở rộng khoa học nhận thức theo những cách mà các phương pháp tiếp cận truyền thống không thể làm được.
Abstract:
One of the most promising developments in modelling knowledge is cognitive network science, which aims to investigate cognitive phenomena driven by the networked, associative organization of knowledge. For example, investigating the structure of semantic memory via semantic networks has illuminated how memory recall patterns influence phenomena such as creativity, memory search, learning, and more generally, knowledge acquisition, exploration, and exploitation. In parallel, neural network models for artificial intelligence (AI) are also becoming more widespread as inferential models for understanding which features drive language-related phenomena such as meaning reconstruction, stance detection, and emotional profiling. Whereas cognitive networks map explicitly which entities engage in associative relationships, neural networks perform an implicit mapping of correlations in cognitive data as weights, obtained after training over labelled data and whose interpretation is not immediately evident to the experimenter. This book aims to bring together quantitative, innovative research that focuses on modelling knowledge through cognitive and neural networks to gain insight into mechanisms driving cognitive processes related to knowledge structuring, exploration, and learning. The book comprises a variety of publication types, including reviews and theoretical papers, empirical research, computational modelling, and big data analysis. All papers here share a commonality: they demonstrate how the application of network science and AI can extend and broaden cognitive science in ways that traditional approaches cannot.
Sử dụng ứng dụng Libol Bookworm quét QRCode này để mượn và đọc tài liệu)
(Lưu ý: Sử dụng ứng dụng Bookworm để xem đầy đủ tài liệu. Bạn đọc có thể tải Bookworm từ App Store hoặc Google play với từ khóa "Libol Bookworm”)