意会的神经认知功能模型架构

文摘

意会是主动构建的过程(即有意义的表示。,使世界的意义)的一些复杂的方面。意会与情报分析,是发现和解释相关事实的行为在大海的报道,图片,和智慧。我们提出的认知模型核心information-foraging和意会hypothesis-updating过程应用于复杂的空间概率估计和决策任务。而模型开发的混合symbolic-statistical认知架构,其通信方面的神经框架结构和机制提供了一个直接的理性之间的桥梁和神经层次的描述。对数据从两个参与者组相比,模型准确预测的存在和程度的四个偏见:确认,锚定与调整,代表性,概率匹配。也顺利地预测人类在跨类别生成概率分布,基于这些分布分配资源,并选择相关特性给出一个先验概率分布。这个模型提供了一个约束理论框架描述认知偏差是由三个相互作用的因素:任务环境的结构、机制和认知体系结构的限制,使用策略来适应认知和环境的双重约束。

1。介绍

认知模型,提出了一种计算在ACT-R开发架构(1,2),几个核心information-foraging和hypothesis-updating意会过程在一个复杂的任务。意会[3- - - - - -6)是一个概念,用来定义一个类的活动和任务有一个积极的寻找和处理信息实现了解一些世界上的状态。在情报分析复杂的任务和情境意识经常被认为是意会的例子(3- - - - - -5]。意会,如<我>有意义,意味着一个活跃的过程构建一个有意义的和世界的某些方面的功能表示。意会的各种理论和观点已经发展心理学(3,4),人机交互6)、信息和图书馆学(7,在科学组织(8]。在本文中,我们提出一个意会认知模型的基本过程的情报分析的任务。

情报机构的一个主要担忧是认知偏差的影响分析的准确性(9]。两个著名的偏见是确认偏误,不成比例的分析师认为信息支持当前的假设,和锚定偏见,初步判断是不够修订的新证据。在任务中使用本文意会被实例化的估计概率分布的假设空间。理性的贝叶斯最适条件定义比分布,与认知偏差定义为偏离最佳状态。在这个框架中,确认偏误可以被定义为一个分布比贝叶斯最优“尖峰的”,而锚定的偏见是flatter-than-rational分布反映不足之前从原始统一调整。我们目前的仿真结果展示几个认知偏见,包括确认偏差、锚定与调整,基础概率概率匹配和忽视。这些偏见不是工程模型中而是结果的结构和数据交互的任务,我们的认知架构的结构和机制,我们选择的策略执行前使用后者。

图1介绍了数据/意会的框架理论(3]。数据/框架理论假定意义的心理表征<我>帧重要的定义为<我>数据,这些数据是结构化的心理过程(4]。类似的概念模型是受雇于Pirolli和卡5)执行认知任务分析情报分析(10- - - - - -12]。框架可以用多种形式表达包括故事、地图、组织图、或脚本。而框架定义和形状数据,新数据可以唤起改变帧。意会在这个框架中,可以包括细化框架(例如,填写详细信息),质疑一个框架(例如,由于检测异常),或重新构造(例如,拒绝一个框架和取代它与另一个)。数据/框架理论提出的过程参与形成的心理模型,解释过去的事件,和前瞻性的心理模拟参与预测未来事件将如何发展。我们将描述如何在认知框架体系结构和架构机制如何实现意会的一般流程。然后我们演示意会的动力学过程的认知体系结构可以产生认知偏差在一个紧急的方式。

本文的结构如下。部分2定义了啊(活动)的绑架热点实验组成的一套六意会的任务越来越复杂。部分3概述了我们的意会认知建模方法:它描述了ACT-R架构,它是如何用于原型神经模型,认知功能组合模型,如何占四个认知偏差的模型。部分4提出了用于评估措施的认知偏见啊哈框架,然后比较了人类和模型结果。部分5提出了一种模型的测试数据集的泛化,当时无法初始模型的发展。最后,部分6总结我们的认知偏见围绕认知架构的机制和限制,这些机制使用的启发式适应任务的结构,及其与任务环境的交互。

2。任务环境

啊哈实验由一系列的六个任务开发的一部分IARPA(情报高级研究项目活动),伊卡洛斯(集成意会认知神经科学架构的理解)计划,其目标是驱动集成神经认知模型的开发决策的启发式和偏见在情报分析的背景下。啊哈任务可以分为两类:第一个关注学习事件的统计模式位于一个类似的布局和生成概率分布的类别界定基于这些事件的空间位置和频率(任务1 - 3)和第二个要求的应用概率决策规则对不同特性显示在相似的类似布局以生成和修改概率分布的类别界定(任务4 - 6)。

啊哈任务模拟人工地理空间数据的分析提出的方式一致,依据当前情报原则(地理空间情报基本教义;http://www.fas.org/irp/agency/nga/doctrine.pdf)。任务涉及的多个特性与情报数据一致,它在GIS(地理信息系统)显示与谷歌地图(https://maps.google.com)。这些特性包括人工情报:人类收集的信息来源,如检测事件的位置,情报:收集的信息从图像的建筑物、道路、地形要素,MOVINT:分析移动对象,如交通密度,SIGINT:分析信号和通讯,SOCINT:分析社会习俗和态度的人,社区,和文化。显示(见图2)包括访问任务教程和指令(右上角),一个传奇理解符号在地图上(左边的面板),地图(中心窗格),和参与者的当前和过去的响应(右窗格)。

任务1 - 3,平均流试验所得根据以下大纲。首先,参与者感知一系列事件(关于美军;信号的活动)标记根据事件属于哪一类。类别都是颜色,shape-coded与适当的标签{Aqua、溴、黄水晶或钻石}中列出的传奇。感知后的一系列事件,调查事件显示(表示为”?“显示)。参与者被要求生成一个中心的活动(例如,原型)为每个类别的事件,反思如何强烈,他们相信调查属于每个类别,并生成一个概率估计每个类别(总结到100%在所有组)使用滑块或通过递增计数器任务界面的右侧。作为一个援助,界面自动归一化总概率,这样总总结在每个类别概率等于100%。参与者没有提供反馈在这一步。得分决定通过比较参与者分布最优贝叶斯的解决方案(见部分4详细描述的概率估计成绩如何计算)。使用这些分数可以确定某些偏见。例如,参与者的概率熵估计表现出低于最优贝叶斯模型可以被认为是展示一个确认偏见,而概率熵估计有高于最优贝叶斯模型可以被认为是展示一个锚定的偏见。

概率估计敲定后,参与者被要求分配资源(使用相同的右侧界面概率估计)每个类别与最大化资源分配的目标分数,这是资源的数量分配到正确的类别。参与者只接收反馈资源分配分数。任务1 - 3,资源分配的响应是一个强迫选择决定将100%的资源分配给一个单独的类别。如果这一类生产调查事件,那么资源分配得分是100 100选择正确的分类,否则0 100选择一个不正确的类别。这种反馈后,接下来的审判开始。

任务4 - 6,平均流试验是结构不同的情报“特点”,由概率决策规则(见表1),提出了顺序作为单独的层上的信息显示。这些任务需要基于规则推理的关系观察证据的可能性事件属于每个未知的四个不同的类别。他们的信仰(即参与者更新。,likelihoods) after each layer of information (i.e., feature) was presented, based on the probabilistic decision rules described in Table1。

在任务4,例如,确定活动的中心为每个类别(类似机制任务1 - 3)和报告一个初始的概率估计,该SOCINT(社会智力)层将通过显示不同颜色区域显示代表每个类别的边界。回顾SOCINT层提供的信息后,参与者被要求更新他们可能基于这个信息和相应的概率决策规则。

当所有的层都呈现(2层Task 4、5层任务5和4层任务6),参与者被要求生成一个资源分配。在这些任务中,资源配置产生反应是使用相同的接口作为概率估计。例如,假设资源分配等如果探测器属于类别(即。,that A was the “ground truth”), then the participant would receive a score of 40 out of 100, whereas if the probe instead belonged to category B, they would score 30 points. The resource allocation score provided the means of measuring the probability matching bias. The optimal solution (assuming one could correctly predict the right category with over 25% accuracy) would be to always allocate 100% of one’s resources to the category with the highest probability. Allocating anything less than that could be considered an instance of probability matching.

最后,参与者不允许使用任何辅助设备(例如,纸,笔,计算器,或其他外部设备),任务的目的是衡量参与者如何能够快速概率估计没有任何外部艾滋病。

2.1。任务1

在任务1中,参与者预测的可能性调查事件属于两类{浅绿色或溴}。类别被定义为色散值围绕质心的位置(例如,集中趋势),与个别事件产生概率抽样的高斯窗口使用一个类似的功能见原型变形点模式分类研究的方法(13]。电脑屏幕上的接口,提出了空间(见图3)在100年100网格模式(代表30平方公里;网格没有显示)。

参与者被指示了解每个类别的倾向根据三个特点:类的活动中心(即。重心),色散与每个类别相关联的事件,事件的频率为每个类别。使用这三个特性,参与者决定的可能性调查事件属于每个类别。

审判由10事件,9事件顺序呈现在不同位置的接口,与参与者需要感知每个事件后单击“下一步”。第十事件被调查事件,提出了作为一个”?”界面。每个参与者完成10个试验,与事件积累试验,100事件出现在接口的任务。

感知调查事件之后,参与者被指示生成可能,调查事件属于每个类别根据所有的事件,他们不仅看到最近的事件从当前审判。这些可能是表示规模从1到99%为每个类别和总结跨两个类别的100%。必要时,界面会自动规范化所有可能概率求和到100%。

最后,参与者进入一个强迫选择资源分配反应,类似于一定程度的确定性。资源分配是一个强迫选择决定将100%的资源分配给一个单独的类别。如果这一类生产调查事件,参与者将获得反馈,要么是选择正确的类别或100 100 0 100选择一个不正确的类别。这种反馈后,接下来的审判开始。

2.2。任务2

在任务2中,参与者预测的可能性调查事件属于四类的{Aqua、溴、黄水晶或钻石}。接口和过程类似于任务1,用下面的差异。审判由20事件,有19个事件顺序呈现在不同位置的接口。20事件被调查事件,提出了“哪一个?”界面。每个参与者完成5试验,与事件积累试验,100事件出现在接口的任务。参与者进一步需要估计每个类别的质心和色散画一个圆,每个类别代表2/3的2比1边界外圆内的类别的事件和1/3(见图4)。参与者用鼠标点击设置重心和用鼠标拖出捕获2比1边界,释放鼠标设置位置。可以调整位置和分散为每个类别初始设置后。估计类质心和分散之前产生可能。

最后,参与者进入一个类似的强迫选择资源分配任务1中反应。资源分配是一个强迫选择决定将100%的资源分配给一个单独的类别。如果这一类生产调查事件,参与者将获得反馈,要么是选择正确的类别或100 100 0 100的选择不正确的类别。这种反馈后,接下来的审判开始。

2.3。任务3

在任务3中,参与者预测的可能性调查事件属于四类类似的任务2,用下面的差异。而不是接口的实例化一个空白的网格,它显示的道路网络。事件只放置在道路,参与者被要求估计距离沿着道路而不是笔直的。“此外,参与者不再只画以边界,而是确定类别质心的位置。

审判由20事件,有19个事件顺序呈现在不同位置的接口。20事件被调查事件,提出了“哪一个?”界面。每个参与者完成5试验,与事件积累试验,100事件出现在接口的任务。参与者被要求进一步估计每个类别的重心将为每个类别(见图一圈5)。参与者用鼠标点击设置重心。可以为每个类别调整位置后初始设定。根据需求来判断道路距离,Task 3和Task 4涉及额外的视觉问题解决策略(如空间路径规划和跟踪曲线)(14]。

最后,参与者进入一个类似的强迫选择资源分配任务2中反应。资源分配是一个强迫选择决定将100%的资源分配给一个单独的类别。如果这一类生产调查事件,参与者将获得反馈,要么是选择正确的类别或100 100 0 100选择一个不正确的类别。这种反馈后,接下来的审判开始。

2.4。Task 4

Task 4开始,而不是收集信息从一系列事件,参与者而不是生成和更新后可能出现的特性作为单独的层的信息。这些特性是由概率决策规则(15前面描述的表1。在Task 4,两个特性被呈现给参与者以一个固定的顺序。第一层是人工情报(情报),显示每个类别的类别质心的位置。第二层是SOCINT(社会智力),显示不同颜色区域显示代表每个类别的边界(见图6)。如果调查事件发生在给定类别的边界,然后调查属于这一类的概率是两倍的事件属于其他类别。

参与者被指示功能层提供的“线索”透露情报数据(称为int)和概率决策规则(称为聚合氯化铝规则)解释int提供手段。参与者被指示指的是聚合氯化铝手册(基于表1;看到完整的手册的附录),这是可以通过单击特定层的传说在左边显示或通过回顾任务教程,在右上角。他们进一步指示,每个功能层是独立于其他层。

相同的模拟地理空间显示Task 3在Task 4;但审判,而是由一系列的个人事件,审判而不是由推理从类别质心探测事件通过更新后可能每个新特性了。试验包括两个特性提出了序列(HUMINT SOCINT, resp)。HUMINT层显示每个类别的重心随着调查事件。参与者报告可能为每个类别基于道路距离探测器,每个类别的重心。类似于之前的任务,可能是一个概率分布(即自动规范化。,加到100%)。这个初始分布是输入后,SOCINT特性提出了通过将显示分解成四个颜色代表概率类别边界地区。使用这些边界,参与者应用SOCINT规则和更新他们的概率分布。

一旦进入他们的修改后的概率分布,参与者被要求生成一个资源分配。资源分配的反应是使用相同的接口作为概率估计。例如,假设资源分配等如果探测器属于类别1(即。,that 1 was the “ground truth”), then the participant would receive a score of 40 out of 100, whereas if the probe instead belonged to category 2, they would score 30 points. After completing their resource allocation, the display was reset and a new trial started.

参与者完成了10个试验。与任务1 - 3,每个试验提出了一个独特的道路网和所有四个类别的位置在一个独特的位置。

2.5。任务5

在任务5中,所有五个特性被发现在每个试验中,参与者用人工情报功能总是先显示在随机顺序(和其他)。因此,参与者开始与每个类别的重心在每个实验界面和贝叶斯最优概率分布在右侧反应已经输入面板(见图7)。5的目标任务是考察参与者一起融合多层次的信息。与任务4,正确的概率分布对人工情报提供给参与者。这样做是对减少初始概率的方差(由于空间道路距离判断)的吵闹,也减少参与者疲劳。感知HUMINT后提供正确的概率分布,剩余的四个特性(SOCINT,情报,MOVINT SIGINT单个类别)是显示在一个随机的顺序。每个特性被披露后,参与者更新他们的概率分布基于应用相应的决策规则。类似于任务4,最终功能被揭露后,参与者分配资源。

同样的方法被用来作为Task 4,只有五层的特性而不是两个。参与者报告可能为每个类别{Aqua、溴、黄水晶或钻石}基于透露的信息特征在每个层根据聚合氯化铝的规则手册。可能是一个概率分布(即自动规范化。,加到100%)。人工情报透露后,其他四个特性(SOCINT MOVINT,情报和通信情报)在随机顺序显示。SOCINT特性提出了通过将显示分解成四个颜色代表概率类别边界地区。的图像情报(IMINT)特性,提出了通过展示一个政府或军事建筑探头位置。MOVINT(运动智力)特性,提出了通过显示密度稀疏或流量探头位置。最后,SIGINT(信号情报)特性,提出了通过展示喋喋不休的存在与否对于一个特定类别的探头位置。每个特性被披露后,参与者规则还应用相关的问题和更新他们的概率分布。

毕竟透露,概率分布修正功能层,参与者被要求生成一个资源分配。资源分配的反应是在Task 4使用相同的接口。资源配置完成后,显示复位和一个新的审判开始。参与者完成了10个试验。注意,参与者需要更新可能四次试验(因此总共40倍)除了一个资源分配每个试验(10)。类似于任务4,每个试验提出了一个独特的道路网和所有四个类别的位置在一个独特的位置。

2.6。任务6

在任务6中,参与者可以选择三四个可能的特性显示,除了它们的顺序显示(见图8)。任务6的目的是确定参与者的选择和排序选择功能(我们称之为层选择)。这种方法确定参与者偏向选择特性,其相应的决策规则证实了他们的假说或最大化潜在的信息增益。参与者被指示选择层每一步最大化信息增加一个类别的可能性事件负责。

至于任务5,审判开始感知HUMINT层并提供正确的概率分布。参与者必须选择一个功能显示(SOCINT、情报、MOVINT或SIGINT在一个类别)。当参与者选择了SIGINT层,他们需要进一步指定哪个类别检查(监听喋喋不休)。选择功能显示后,参与者更新他们的概率分布基于应用相应的决策规则。这个过程重复两次不同的特性,总共三层被选中。参与者必须更新类别可能{Aqua、溴、黄水晶或钻石}基于被揭露后每一层提供的信息在每一层对应的功能根据聚合氯化铝的规则手册。像其他任务,可能是自动归一化和跨类别的100%。注意,只有三层选择的选择,参与者不能揭示一个特征在每个试验。

参与者完成后选择的过程特性和更新他们的可能的三个迭代,参与者被要求生成一个资源分配。资源分配的反应是在任务4 - 5使用相同的接口。资源配置完成后,显示复位,开始一个新的审判。参与者完成了10个试验。注意,有三层选择,参与者实际上更新概率30倍(3次试验),除了分配资源一旦为每个审判。类似于任务4 - 5,每个试验提出了一个独特的道路网和所有四个类别的位置在一个独特的位置。

3所示。意会的ACT-R模型

3.1。概述ACT-R

我们的目标是开发一个功能模型的几个核心information-foraging和hypothesis-updating过程参与意会。我们通过开发ACT-R模型指定基本认知模块和过程是如何对此产生意会观察行为一组复杂的地理空间情报任务。这些任务涉及到一个迭代过程获得新的证据可用的来源和使用证据更新假设潜在的结果。ACT-R功能模型的一个目的是提供一个路线图的交互和测序的神经模块生产任务绩效(见下一节)。第二个目的是识别和理解一组核心机制产生认知偏差在觅食的选择和加权证据信息(例如,确认偏误)。

ACT-R架构(见图9)被组织为一组模块,每个致力于处理特定类型的信息,这是通过一个集中的集成和协调生产系统模块。假定每个模块访问和存款信息缓冲区相关的模块,和中央生产系统只能对缓冲区的内容而不是内部封装处理模块。生产模块,每个模块,包括已与大脑的特定位置(1]。例如,视觉模块(枕叶皮质区和其他人)和视觉缓冲(顶叶皮层)跟踪对象在视野和位置。手动模块(运动皮层;小脑)和手动缓冲区(运动皮层)与控制的手中。声明式模块(颞叶;海马)和检索缓冲区(腹外侧前额叶皮层)相关的检索和信息意识长期陈述性记忆。目标缓冲区(背外侧前额叶皮层)跟踪目标和系统的内部状态的解决问题。最后,生产系统(基底神经节)与匹配的内容模块缓冲区和协调他们的活动。生产包括组件模式匹配(纹状体),解决冲突(螺旋体)和执行(丘脑)。产生式规则可以被认为是一个正式规范的信息流动从缓冲信息在大脑皮层和基底神经节(16]。

分别陈述性记忆模块和生产系统模块,存储和检索信息,对应于陈述性知识和程序性知识17]。陈述性知识是一种知识,一个人可以参加,反思,通常以某种方式表达(例如,通过声明它口头或手势)。程序性知识的技能我们显示在我们的行为,通常没有意识。陈述性知识在ACT-R表示正式的块(18,19]。陈述性记忆中的信息模块对应于个人情景和语义知识,促进长期行为的一致性。在这个意义上一块就像一个数据帧,集成在一个共同的上下文信息在一个特定的时间点在一个表征结构。目标模块存储和检索信息,代表了内部的意图和解决问题的系统状态,并提供当地一致性的行为。

块被激活从长期的陈述性记忆检索过程(见表2在ACT-R的检索机制)。每个块都有一个基本的激活,反映发生的近因和频率。激活扩散从当前关注的焦点,包括目标,通过关联块中陈述性记忆。这些协会建立的经验,他们反映了块cooccur认知加工。激活的传播从一个到另一个认知结构是由权重值块之间的关联。这些权重确定激活块之间的流动。块相比,使用部分所需的检索模式匹配的激活机制,减去一块的程度不匹配所需的模式,为每个组件分析模式和相应的块的价值。最后,添加噪声块激活使检索过程的概率由玻尔兹曼(softmax)分布。虽然检索通常是最活跃的一部分,一个混合的过程[20.)也可以应用它返回一个派生输出反映之间的相似度值的内容块,加权检索概率反映他们的激活和部分匹配分数。这种混合过程将集中在模型中使用,因为它提供了一个好的学习方法能够在连续执行决策等领域的概率空间啊哈框架和直接抽象信息的存储和检索在神经模型(参见下一节)。

生产规则是用来表示在ACT-R程序性知识。他们指定代表和应用程序当前上下文中的认知技能(技术)以及如何检索和修改缓冲区中的信息并将信息传送到其他模块。在ACT-R,每个生产规则条件指定结构匹配缓冲区对应信息从外部世界或其他内部模块。每个生产规则操作,指定缓冲区进行更改。

ACT-R使用并行和串行处理。模块可以并行处理信息。例如,视觉模块和电机模块可以同时操作时间。然而,有两个串行流程的瓶颈。第一,只有一个生产期间可能会执行一个循环。第二,每个模块是限于放置一块缓冲区。一般来说,多个产生式规则可以应用在任何时候。生产工具,学会了使用强化学习计划,用于选择单一规则火灾。至于陈述性记忆检索,选择生产是一个概率的过程。

认知模型发展ACT-R [21]部分来源于理性分析的任务和信息结构的外部环境(例如,任务的设计模拟或图形用户界面的结构),ACT-R架构的约束和指导方针从先前的模型类似的任务。一个成功的设计模式在ACT-R[指定认知过程测序21)是一项复杂的任务分解单元任务的水平(22]。卡等。22)建议立即单元任务控制行为。单位工作经验大约需要10秒。近似,单元的任务是“理性的橡胶满足机械的道路。”近似,行为高于单位任务水平的结构在很大程度上反映了一个理性的构建任务的约束内的环境,而内部结构及以下单位任务水平反映了认知和生物机制,按照纽厄尔乐队的认知(23]。因此,在ACT-R单位任务实现特定目标类型,控制产品,代表了解决这些任务的认知技能。

ACT-R已经几十年的基础学习复杂的认知任务,如代数的研究和编程(24,25]。一般来说,学习这样的任务的长期结果是一套大型的高度问题产品的应用大幅调整通过ACT-R效用机制(强化学习的一种形式)。然而,这也是实现这样的专家普遍认为,1000年代水平的学习需要时间的经验。我们假设啊哈任务的参与者将不会有机会达到这种水平的专业知识。相反,我们假设参与者将依赖于直接从陈述性记忆识别或召回相关经验来指导他们的想法,如果做不到这一点,将一些解释,通过提供的规则和证据故意挑战任务。这个compute-versus-retrieve过程是另一种设计模式,通常结构ACT-R模型(21]。认为学习者有一个通用的机制situation-action-outcome观察作为块存储和检索在ACT-R陈述性记忆来自基于实例的学习理论(IBLT) [26,27]。冈萨雷斯et al。26]目前参数IBLT尤其相关的建模自然决策在复杂的动态情况下,其中的很多参数将会转移到使意会IBLT适合。

相关的贝叶斯灵感啊哈任务,ACT-R subsymbolic激活公式近似于贝叶斯推理的框架激活对数似,级激活()之前,扩散激活和部分匹配的总和可能调整因素(s)和最后一块激活(后)。检索到的块有一个激活,满足最大似然方程。ACT-R贝叶斯框架通过激活方程提供了约束和生产系统。的计算(即基础水平。,priors) occurs within both neurally and behaviorally consistent equations (see Table2)提供行为相关的记忆效应近因和频率,同时也提供了一个获取先验(即约束机制。由经验)。

此外,生产系统提供的限制匹配约束贝叶斯假设空间和结果的推论。例如,有约束的匹配可以实现匹配(例如,没有分离,只有特定的块类型在缓冲区),而且,虽然可以task-constrained指定的产品,生产系统可以生成小说作品的陈述性知识(通过proceduralization)使用生产编译。此外,选择哪一种生产火灾(冲突)也限制了块(即。,hypotheses) will be recalled (limiting the hypothesis space) and are also subject to learning via production utilities.

一直认为ACT-R的众多参数不提供足够的约束建模的努力。然而,使用社区和research-justified默认值,删除参数通过开发更多的自动化机制的做法,和共同的发展建模paradigms-such基于实例的学习theory-mitigate这些批评通过限制自由度的架构,从而约束的模型可以开发并鼓励他们的集成。

3.2。ACT-R原型为神经模型

ACT-R可用于神经模型的原型的角色如紧急,它使用Leabra学习规则(28]。在ACT-R,模型可以快速开发和测试,然后这些模型的结果帮助紧急模型建模工作和直接培训策略(29日,30.]。ACT-R模型可以快速创建因为ACT-R模型接受主要功能规范,但他们产生更多相关的结果。ACT-R架构也足够灵活,创新在neurocomputational模型可以实现一定程度的抽象()在新的ACT-R模块(31日]。

ACT-R之间有几个点的接触和紧急,最明显的是致力于神经定位体系结构构造的架构(见图9)。在架构一个中央控制模块位于基底神经节收集输入主要来自各种皮质和输出的额叶皮质,维护任务相关信息(16,32]。此外,包括专用的声明/情景记忆系统在海马和皮层结构有关。最后,两人都感觉和运动占处理后皮层。

的架构不同大脑区域在紧急显式地建模,而他们在ACT-R是隐式的。在ACT-R基底神经节与生产系统;额叶皮质与目标模块;形象的顶叶皮层模块;陈述性记忆的海马模块;最后后皮质的手册,声乐,听觉和视觉模块。这种兼容性ACT-R和紧急已经意识到其他地方的发展萨尔(合成ACT-R和Leabra /紧急),混合架构,结合ACT-R和紧急和利用的相对优势33]。因此,ACT-R连接到紧急的潜在神经理论的发展,可以提供有意义的指导神经模型复杂的任务,比如意会。

实际上,ACT-R模型提供了一个高层次的规范的信息流动,将在组件之间的神经模型区域实施紧急。ACT-R模型以来针对正是这种级别的描述,他们可以提供正确的抽象层次而忽略很多implementational细节(例如,连接数)在神经水平。从概念上讲,ACT-R架构提供了一个合理的贝叶斯层次之间的桥梁和详细的神经水平。在马尔(34)水平的分析、贝叶斯特征的任务解决方案坐落在计算层面,描述应该执行的计算没有指定如何。ACT-R账户的任务是在算法/具象层面,指定创建表示什么,机制是用来操纵他们,和结构约束表示和过程。最后,神经账户位于物理/ implementational水平,完全指定的所有细节计算是如何在大脑中进行。因此,就像在马尔的分析是没有道理的,试图直接桥最高和最低水平;ACT-R等功能的认知体系结构提供了一个关键的联系抽象计算规范,如贝叶斯理性规范和高度详细的神经机制和表征。

此外,ACT-R不仅提供任何计算和implementational水平之间的中间层次的抽象广义模块化的感觉。相反,正如ACT-R机制正式的贝叶斯基础,他们也有直接对应神经机制和表征。现代神经建模框架的基本特征分布表示,当地的学习规则,训练集的网络输入输出实例(35]。

分布式表示捕获ACT-R通过块之间的相似性(和其他组值大小数量等),可以认为是dotproduct对应相应的分布式表征之间的块。泛化过程运行在分布式表示神经网络,有效地匹配学习从输入单位重量导致的单元包含表示当前的输入。这是实现ACT-R使用部分匹配机制相结合的一块的记忆提取过程中激活请求的模式的匹配程度决定了块内容和模式之间的相似之处(36]。

当地在神经网络学习规则是用来调整权重之间基于信息流经网络的单位。基准面和联想学习机制在ACT-R相同的方式执行类似的功能。都有贝叶斯基础(37),但也直接对应神经机制。基本的学习是用来调整块的激活基于其使用的历史,尤其是其频率和近因的访问。这对应于网络中学习一个单元的偏差,确定其初始激活添加到输入的其他单位。联想学习调整的优势块以反映其coactivation程度之间的联系。虽然最初的配方是贝叶斯在自然界中,一个新的特性使链接Hebbian-like学习明确,特别是引入相同的正负学习阶段中发现许多联结主义学习算法包括Leabra [31日]。

神经模型是由modeler-designed的组合结构和训练,调整网络的权值来响应外部输入。ACT-R同样基于实例学习的方法结合了modeler中提供的一个表征结构的形式与内容从经验中获得的块代表个人问题实例。陈述性记忆的组块存储结果可以被认为是相当于给神经网络的训练实例的集合。虽然网络编译这些实例重量训练期间,ACT-R可以记忆提取时的动态块混合在一起产生一个聚合反应反映了所有块的共识,通过的概率加权检索反映上述激活流程(20.]。

因此,ACT-R模型可用于原型神经模型,因为他们共享一个共同的结构,信息流以及从更抽象的(因此驯良的)直接对应表示符号/ subsymbolic层面和机制和那些在神经层面。

3.3。认知功能从事啊哈任务

啊哈任务的集成ACT-R模型已被用于原型许多认知影响神经模型包括生成类别和原型的重心从专业事件(质心代)[29日),沿着公路网络空间路径规划(30.根据输入的信息[],调整概率29日),选择多少资源分配给一组概率和经验(29日(见下表),并选择额外的情报层3概述)。模型的输出将有利与人类行为数据和提供了一个全面的认知偏见的起源的解释啊哈框架,特别是锚定与调整偏差。下面描述的功能都集成在一个单一的ACT-R模型执行所有6啊哈任务使用相同的参数。该模型在试验和学习任务。稍后我们将描述详细说明其性能在以后的试验中,一个任务可以极度依赖于其早期的试验经验(甚至只是第一个试验),特别是导致截然不同的保守主义倾向。同样的,其性能取决于它的经验在以后的任务之前的任务,直接导致资源分配概率匹配的偏见。

模型执行任务以同样的方式作为人类对象。指令等概率决策规则中表示陈述性记忆供以后检索。模型感知事件,代表他们的形象缓冲区,然后将它们存储在陈述性记忆影响未来的判断。在任务1 - 3,模型使用那些往事在内存中生成类别重心当给定一个探针。在任务3 - 4,模型编程解析映射到代表了道路网声明,然后使用声明性表示生成路径和估计道路的距离。在所有任务中,概率调整使用相同的基于实例的执行机制,早些时候与经验任务积累在内存中用于后续任务。资源分配也在所有任务执行使用相同的基于实例的方法,结果从强迫选择选择任务1 - 3从根本上影响选择在以后的任务4 - 6。最后,选择任务6使用经验任务4 - 5层产生信息增益的估算并选择最有前途的层。因此集成模型带来约束所有的任务和功能。

3.3.1。重心的一代

生成类质心(即ACT-R集成模型。,the prototype or central tendency of the events) in Tasks 1–3 by aggregating overall of the representations of events (e.g., spatial-context frames) in memory via the blended memory retrieval mechanism. The goal buffer maintains task-relevant top-down information while the blending buffer creates/updates centroids from both the set of perceived SIGACTs to date and prior created centroids. Centroid generation approximates a stochastic least-MSE derived from distance and based on the 2D Cartesian coordinates of the individual SIGACTs. Specifically, the mismatch penalty ()使用的混合检索是一个线性的区别: 在哪里感知距离和吗max_range是显示的大小(100辆)。成虫的缓冲区(与顶叶活动)是用于保存混合块之前致力于陈述性记忆。当重心从关于美军直接生成,混合过程反映了不成比例的影响,考虑到他们的基本级别更高的激活最近的事件。策略来打击这近因效应”(或近期偏差)由生成最终响应通过执行混合检索当前和过去的质心,从而使更多的重量之前关于美军。这是因为早期的质心的影响在随后的混合检索而加重,基本上保理早些时候关于美军更多的重心。这对每个类别二阶混合检索完成之前在他们现有的重心,我们称之为centroid-of-centroids的一代。这个混合质心有效地实现一个anchoring-and-adjustment过程,每一个新的质心估计的组合一起之前的新证据。anchoring-and-adjustment启发式的根本区别与传统实现这个过程是完全约束的架构机制(尤其是混合),不需要额外的自由度。此外,因为有同等数量的质心块(每个类别创建一个每个试验)后,没有分类基准利率模型的效果后概率判断,尽管每个类别的基准利率是隐式模型中可用的基于可召回的事件的数量。

3.3.2。路径规划

ACT-R模型使用陈述性记忆和视觉模块实现路径规划,模拟许多后来的顶叶的功能实现Leabra模型(30.]。两个例子包括(1)感知分段的道路网络的模型只参加任务相关感性元素,(2)实现人类视觉曲线跟踪模型的心理物理学估计弯曲的道路。

模型段的公路网络任务3 - 4成更小的元素,然后集中知觉过程如曲线跟踪,距离估计,路径规划道路上这些小段(38]。具体地说,该模型确定不同道路的十字路口是高度显著的人工情报特征,然后将公路网络分为道路段组成的两个十字路口(段)的两端,道路的大致方向和道路的长度。十字路口通常表示为一个特定的位置显示在笛卡尔- - - - - -坐标。

为每个审判,探针的位置也表示为当地人工情报功能,而且,在任务3中,单个的事件表示为当地HUMINT特性计算的目的类别重心。在每个试验中,探测器功能从路径规划模型,虽然记忆痕迹仍然在陈述性记忆之前的位置。

我们实现了一个多策略hill-climber执行路径规划。模型从一个类别质心和附加连续的道路段直到到达探测器的位置(即。,该模型生成和更新的空间框架)。路径规划的“决策”是一个函数的ACT-R部分匹配。部分匹配的相似性计算源对象和目标对象之间符合一组匹配的标准。这种相似性得分加权的失配损失比例因子。hill-climber匹配等多个值段长度和剩余距离探测器的位置。一般来说,对所有道路段相邻检索当前路口或类别重心,模型往往会选择段,下一个路口是最近的调查。重复此过程,直到段与探针位置检索。这些策略不一定是显式的,而是用来模拟不同知觉的认知权重因素(例如,距离、方向和长度)指导注意的过程。从距离和部分匹配函数生成概率计算相似性距离使用相同的处罚不匹配在任务1和2。

人类对心理曲线跟踪性能数据(14]表明,参与者要花很长的时间来精神上跟踪沿着曲线曲线幅度比相对较窄。这个关系大致是线性的(增加低估总曲线的长度在更远的曲线)和持有的视觉范围大小的高速公路的啊哈任务。这个建模假设是来自文献的大量视觉空间的表现和精神扫描(39]。当道路网络解析,认为长度是分配给每一段道路。这个长度是或多或少的代表诚实地陈述性记忆。真实感知之间的分离距离和一位认知距离的大小与以前的文学(估计是一致的40]。我们代表一个认知距离估计使用“幂律(史蒂文斯41]。史蒂文斯幂律是一种专门研究刺激的大小之间的关系及其感知强度和作为一个简单而强大的抽象许多低级视觉流程不是目前在ACT-R建模。

函数使用的比率”为牛走”距离“直线”距离来创建一个曲线估计的复杂性(41]。曲线的复杂性越高,马路更有曲线。代表更有曲线段的相对低估的距离,这个比例是指数的提高(41- - - - - -43]。这个参数的作用是,在真实距离每增加单位,认为距离是增加了一个较小的程度上。指数越接近于1,感觉越真实,接近零,距离越会被低估。值曲线的复杂性然后乘以一个因素代表直线距离估计性能(1.02)43- - - - - -45]: 在哪里的认知判断距离公路段,牛_走是道路的曲率的真实感知,和乌鸦_苍蝇真实知觉的源和目标之间的欧几里得距离的位置。1.02倍代表轻微高估较小的直线距离。类似于指数,以上因素统一代表一个高估的距离和任何因素下面统一表示距离的低估。

3.3.3。概率调整

Lebiere [20.)提出了一个混合使用的认知运算模型检索算法的事实来生成估计没有显式计算的答案。模型是由许多相似之处,对应于分布式表示数量大小的神经模型和更普遍的数字(46]。它使用部分匹配匹配相关事实问题和混合检索合并在一起,获得一个聚合估计答案。模型复制的错误在小学儿童的分布特征,包括表和nontable错误,错误梯度在正确的答案,把问题的正确的比例较高,,这里最相关,斜向低估了答案,一个锚定与调整偏差一致的过程。

利用这种方法对概率调整,ACT-R模型的内存是填充三胞胎组成的一系列事实:一个初始概率,一个调整因素,由此产生的概率。这些三胞胎形成的基石的实现基于实例的学习理论(47)和大致对应决策框架的概念(3,4]。啊哈框架的因素是明确的规则设定的任务(例如,一个事件在一个类别边界是属于这一类)的两倍。模型然后播种的一组块对应于一系列初始概率和调整因子和后验概率,结果从最初的概率乘以调整因素,然后正常化。当模型被要求估计结果对于一个给定的概率和乘数之前,它只是执行一个混合检索指定之前和因素和输出后验概率表示混合播种块的共识。图10显示系统这一过程的结果,平均超过一千分,考虑到答案的差异产生的激活检索过程中的噪音。当提供线性概率相似性(因素),调整概率的主要效应是一种低估的初始概率范围,用一个高估的低端范围,尤其是对初始值接近于0。后者的效果在很大程度上是由于数量相似函数的线性形式。虽然是简单的线性相似之处,他们未能值接近于零的水平和规模大的值。

更好的估计相似的神经表征的数字是一个比率函数,作为反映在单细胞记录(1]。这增加的数字接近零的异同和尺度任意大数字。当使用比例相似性函数,线性相似函数的影响被保留,但大幅高估的低端概率范围会大大减少。有所偏差的大小可以调节等建筑参数失配损失(扩展的相似性)或激活噪声(控制内存检索)的特性转化,影响本身先天结构的预测,特别是其理论限制内存检索。

特定的集成模型啊哈任务,处罚不匹配()被计算为一个线性的区别: 在哪里可能的概率和目标吗的概率是在混合检索规范。将在下面描述,这人类行为数据线性差分匹配得非常好。

ACT-R概率机制调整的结果提供了一个基准的神经模型进行评估和被用来生成神经模型的训练实例已经体现了正确的偏见。在我们看来,这就构成了一个新的使用功能模型的方式快速原型和解释神经模型。

3.3.4。资源分配

资源分配机制模型中使用了相同的基于实例的学习范式概率调整机制。这个统一的机制没有明确的策略,而是学会分配资源根据过去决策的结果。模型生成一个资源分配分布通过关注的主要类别和类别决定分配多少资源。剩下的其余三类资源分配比例分配概率。这种基于实例的学习不仅发生在任务4 - 6,还强迫选择分配任务1 - 3。因此,该模型有一些先验知识画在Task 4当它第一次有机会选择多少资源分配的主要类别。

如前所述,这种基于实例模式相同的结构调整的概率模型。表示试验实例包括三个部分:决策上下文(在这种情况下,概率的主要类别),决定本身(即。资源分配的主要类别),和决定的结果(即。,the payoff resulting from the match of that allocation to the ground truth of the identity of the responsible category). This representation is natural because all these pieces of information are available during a resource allocation instance and can plausibly be bound together in episodic memory. However, the problem is how to leverage it to make decisions.

决策(选择)模型在此基础上基于实例的学习方法遍历一小部分可能的决策,生成结果的期望相匹配的上下文和决定,然后选择最高的决策预期结果(47,48]。控制模型应用反向逻辑:鉴于当前上下文和目标(结果)状态,他们匹配操作环境和产生预期的结果(通常是一个从一个连续控制价值域),将获得国家最接近目标(49,50]。然而,我们的问题不符合范式:与选择的问题,它不涉及少量的离散动作,而是一系列可能的分配值,而且,与控制问题,没有已知的目标状态(预期结果)。

我们的模型的控制逻辑需要更复杂的混合方法,涉及两个步骤获得在陈述性记忆的经历,而不是一个。第一步包括生成一个预期结果加权对可用的决策考虑到当前上下文。第二步将生成的决定,很可能会导致这样的结果的上下文。请注意,这个过程不能保证生成最优决策,事实上人们不。相反,它代表了一种简洁的方式来利用我们的记忆过去的决定仍然在这个范式提供了功能行为。我们的方法的一个重要理论的成就在于它结合控制模型和选择模型在一个单一的决策模式。

在确定适用于铅多少资源类别,该模型最初只分配给这一类的概率。第一步是评估一个预期的结果。这是通过执行一个混合检索块代表过去的资源分配决策使用的概率作为提示。检索的结果值块的预期结果是审判。接下来,根据分配给主要类别的概率和预期的结果,执行一个额外的混合检索。部分匹配机制是利用允许非完备匹配导致预期结果和资源数量的估计。第二混合的资源分配价值分配块的数量是资源分配模型的主要类别。收到反馈后,模型学习资源分配决策块相关联的主要类别概率,资源分配的主要类别的数量,和实际试验结果(即。该试验的资源分配分数)。此外,两块致力于反事实的陈述性记忆。反设事实表示会发生什么,如果一个赢家通吃的资源分配被应用,会发生什么,如果一个纯probability-matched资源分配(即。使用相同的值作为最后的概率)被应用。 The actual nature of the counterfactual assignments is not important; what is essential is to give the model a broad enough set of experience representing not only the choices made but also those that could have been made.

这种方法的优点是,模型不是被迫选择一组离散的赢家通吃或概率匹配等策略;相反,各种策略可以摆脱基于实例的学习。通过启动赢家通吃的模型和概率匹配策略(本质上边界条件),有可能它们之间的模型学习任何策略,比如倾向于更多地权衡领先候选人(称为点+),甚至是次优策略如选择25%的四类(试验保证25分)如果模型足够不幸收到负面反馈,鼓励风险规避(47]。

3.3.5。层选择

任务6层选择取决于学习4 - 5层选择任务的工具和依赖于四个过程:基于实例的学习(类似于概率调整和资源分配机制),差异减少启发式,强化学习,cost-satisfaction。在任务4 - 6参与者被要求更新概率分布基于每一层的结果(即。、功能及相关决策规则)。在任务4 - 5中,参与者经历20 SOCINT规则的实例和10的每个实例情报,MOVINT, SIGINT规则。他们也有一个变量的实例数量从任务6选择根据他们的层。一些层和结果可能支持他们喜欢的假说,但他们中的一些人可能不会。结果的基础上每一层的结果,识别单个类别的获得对目标可能不同,和这些经验影响未来层选择通过强化学习行为。

一个理性的贝叶斯方法的任务4 - 6可能涉及的计算预期收益(EIGs)计算总体信息可能造成可能的结果的选择功能层。在这样一个理性的策略,SIGINT和SOCINT层需要比情报和MOVINT计算成本。特别是SIGINT EIG的计算需要考虑四类有两个结果,和EIG SOCINT需要4的计算结果;然而,计算EIG情报或MOVINT层需要考虑的只有两个结果。我们假设参与者可能会考虑的认知成本探索层选择结果倾向于某些层选择。

我们选择使用启发式差异减少(即。,hill-climbing) because we assume that an average person is not able to compute and maintain the expected information gain for all layers. A hill-climbing heuristic enables participants to focus on achieving states that are closer to an ideal goal state with the same requirement for explicit representation, because all that needs to be represented is the difference between the current state and a preferred (i.e., goal) state.

在任务6中,所有之前的实例被用来执行评估层选择。首先,该模型在当前问题状态,包括攻击的可能性的分布代表目标(前额叶皮层;PFC)和形象(顶叶皮层;PC)缓冲区。然后,尝试检索模型块陈述性记忆(海马/内侧颞叶;HC / MTL)编码situation-action-outcome-utility过去层选择的经历。这种机制依赖于局部匹配检索最匹配的块目标现状,然后对混合估计图层选区的工具移动基于过去的实用工具。如果检索请求失败,那么该模型计算可能的图层选区(即移动。,它执行一个有预见性的搜索)使用difference-reduction解决问题的启发式。减少差异,对于每个心理模拟图层选区行动,模型模拟和评估结果的效用(一些不准确的可能性)。然后为每个心理模型存储situation-action-outcome-utility块模拟移动。 It is assumed that the number of moves mentally searched will not often be exhaustive. This approach is similar to the use of counterfactuals in the resource allocation model.

任务6的ACT-R模型依赖于使用声明块代表过去的任务4,5、6的经历。这是为了捕捉一个学习过程的参与者参加当前的概率分布,选择了一个层,修改他们的估计假设,最后评估的效用层选择他们。模型假定块形成从这些经历每个代表具体情况(组)的概率分布,选择智能层,结果和观察到的情报和信息工具,工具计算加权距离度量()如下: 在那里,每个是一组的后验概率攻击基于理性计算,和零是最优的。ACT-R模型使用加权距离函数,假定参与者的目标是实现确定性的假设(即,)。

未来层选择,生产规则将请求一个混合/部分匹配检索基于现状的陈述性记忆(概率分布可能的攻击组)。ACT-R将使用一个混合检索机制,部分匹配经验然后混合在存储信息块实用程序为每个可用的情报层的选择。对于每一层,这混过去的经验信息公用事业将产生一种期望效用为每种类型的情报为特定的情况。最后,该模型比较不同智能图层和选择的期望效用最高的效用。

ACT-R模型执行强化学习在任务4点到6点。在更新概率分布基础上一层及其结果,该模型评估它是否已获得或丢失信息通过比较先验分布和后验分布的熵。如果它获得信息,生产为当前层收到奖励,如果失去了,它接收处罚。这种强化学习使模型获得的偏好顺序选择智能层,这个优先顺序的列表是用来确定哪些层应该探索第一层选择过程的开始。

3.4。认知偏差处理

锚固和确认偏见一直在长期研究认知心理学和情报社区(9,51- - - - - -55]。正如我们已经提到的,这些偏见出现在几个方面啊哈ACT-R模型的任务(见表4概述)。一般来说,我们的方法占三个一般的偏见来源。

第一个偏见的来源是建筑本身,无论是从机制和限制。在我们的模型中,一个主要机械的偏见来源是ACT-R混合机制,用于决定画在过去类似的问题的实例。虽然它提供了一个强大的聚合的方式知识以一种有效的方式,其共识驱动逻辑往往产量的回归意味着通常(但不总是)导致一个锚定的偏见。体系结构的限制,如工作记忆能力和注意力瓶颈会导致忽略一些信息,可能导致偏见等基础概率忽视(忽略背景频率时的判断条件概率)。

偏见的第二个来源是内容驻留在体系结构中,最突出的战略形式的程序性知识。策略会导致偏差时采取启发式的形式,试图节约有限的资源,如只更新概率的一个子集,以节省时间和精力,或克服一个内置的架构的偏见,比如centroid-of-centroid策略旨在打击块激活的近因效应,反过来导致一个锚定的偏见。

第三个和最后一个的偏见来源是环境本身,更具体地说与决策者的交互。例如,标准化的功能在实验界面会导致锚定偏差如果它导致双正常化。环境提供的反馈,或缺乏,会导致出现或持久性的偏见。例如,常见的保守主义倾向的一代的概率可能会持续下去,因为对象不接收直接反馈,提高预测的准确性。

在接下来的部分,我们详细讨论各种偏见的来源。

3.4.1。锚定与调整

锚定是一个发生在个体的认知偏见建立一些信仰基于初始证据然后过于依赖这个初始决策权重的新证据(54]。人类倾向于锚在一些估计或假设,和随后的估计往往是调整影响的最初的锚点,他们往往表现得好像他们有一个锚定+调整启发式。调整往往是不够的,他们超重的初始估计,体重过轻的新证据。

锚定与调整学习(AL)可能发生在第一个三个任务由于任务的性质,特别是迭代生成的每个类别的重心在每个试验。对于每一个试验,参与者估计重心的事件,认为迄今为止的类别,然后观察一组新的事件和修改后的估计问题。发行一个初始判断的过程,然后修改可能导致锚固和调整过程。因此,在任务1 - 3,锚定会发生由于centroid-of-centroid策略来防止对最近的事件过于敏感。

任务4 - 6也可以引出锚定的偏见。锚定的偏见在权衡证据可能会发现当参与者修改自己的信念概率在选择和解释一个特定的功能。之前估计的概率信念集新特性的证据可以作为一个锚,和修订的(后)信仰概率可能不足以调整(即以反映新的特性。相比,一些规范性的标准)。调整可能发生,因为混合检索机制不足往往会有偏向的意思。

相对应的模型也只更新概率决策规则的积极成果。例如,如果发现调查发生在主要的道路,该模型将更新概率类别a和B和忽视向下调整的概率类别C和d这种忽视被认为源于希望节省劳动力依靠标准化的接口函数,进行标准化计算困难的精神。反过来,这是一个导致低估的概率(锚定)概率的归一化的结果界面。

3.4.2。确认偏误

确认偏误通常定义为解释证据的方式部分现有的信念,期望,或一个假设的手(53),人们寻求信息的趋势,提示确认初步的假设或信仰而不是寻求(或折扣)那些支持一个相反的结论或信念56),或寻求的信息被认为是支持喜欢的信仰(53]。研究[57- - - - - -59)发现证据确认偏误的情报分析的任务,和有一个共同的假设许多情报失误的结果确认偏误尤其是[9,60]。

确认偏误在权衡证据可能发生概率调整过程中任务4 - 6。例如,我们已经看到的概率调整过程应用于小概率值有时会导致汇率。某些概率调整策略也可能导致确认偏误。当应用特定的特性,如情报(支持两种假设),参与者可能只适用于调整首选的假设而忽视其他类别也支持的证据或重量的证据太强烈赞成首选类别。

确认偏误寻求证据过程中也会发生在任务6当参与者可能会选择智能层,最大化收益对当前首选的信息类别。例如,应用情报和MOVINT规则时,只能调整适用于首选假说(假设这是一个层)的两个收到有利的证据,而忽视其他类别也支持的证据。这个战略决策可以反映的愿望努力最小化和最大化信息增益。

层选择特性的显著差异SIGINT特性,这就需要选择一个特定的类别进行调查。如果该特性应用于检测到的主要类别和聊天,然后类别收益可能性相当大的重量(7)倍。然而,如果没有检测到喋喋不休,然后类别强烈下调可能性,把相当大的不确定性决策过程。因此选择SIGINT层过早的决定(在强有力的候选人被孤立)或应用于严格确认主要类别而不是证实或否定第二可能被视为一种确认偏误层选择。

3.4.3。基础概率忽视

基础概率忽视是一个错误,发生在一个假设的条件概率评估之前没有考虑到背景频率假设的证据。基础概率忽视可以对三个来源。(1)更高的任务困难和更复杂的环境中会导致基础概率忽略由于大量刺激记忆。为了减少内存负载,一些功能可能是抽象的。(2)相关,有基础概率忽略由于体系结构约束。例如,短期记忆一般的能力可用的信息块。再一次的信息块需要回忆,一些信息可能是抽象或丢弃。(3)最后,可以有明确的知识水平战略选择的分析和以上。

的战略选择ACT-R模型导致计算概率的基础概率忽视任务1 - 3。特别是,ACT-R模型生成概率基于类别重心会导致基础概率忽略。这是因为基础概率信息不是直接编码范畴内的质心的块。可用的信息仍然是在个人关于美军存储在模型中,但它不是直接用于生成概率。

3.4.4。概率匹配

我们努力开发一个模型,该模型利用subsymbolic机制,经常引起自然概率匹配现象(61年]。Subsymbolic机制ACT-R结合统计质量的措施(激活的内存块检索、生产实用程序选择)与一个随机选择的过程,导致行为倾向于选择一个给定的选项与它的质量成比例地而不是赢家通吃的方式。这种方法类似于随机神经模型如玻耳兹曼机(35]。

在我们的模型中,资源分配决策不是基于离散策略,而是积累的个人决策的实例。然后是一种自然属性访问策略知识库。此外,统一我们的解释偏见,我们研究利用相同的模型用于解释锚定调整概率(有时确认)的偏见。

结果也接近那些被人类参与者:一个完整的匹配概率之间的巨大差异和赢家通吃,几个人走向统一的运行或随机分布,概率和平均下降之间匹配和赢家通吃(接近匹配)。

概率匹配资源分配发生由于固有的权衡回报最大化和最小化风险。赢家通吃的是整体最优策略;但是有个别试验大处罚(0分)另一个类别概率最高的是地面真理。这样的结果发生时突出(例如,在第一个试验),它可以决定因素影响后续的选择(47]。

4所示。数据和结果

ACT-R模型的结果对45啊哈任务比较参与者主教法冠公司的员工。所有参与者完成了知情同意和汇报IRB满足需求的问卷调查。比较ACT-R模型人类参与者和一个完全贝叶斯模型合理,几个指标是由斜方(62年- - - - - -64年),总结如下。

作为一个总体衡量跨一组假设的不确定性,我们雇佣了<我>负熵(规范化负熵)指标,,计算 在哪里香农熵计算是吗 求和的概率,,分配假说。负熵可以表示在0%至100%,在那里%(即意味着最大的不确定性。,maximum entropy or a uniform probability distribution over hypotheses) and%意味着完整的确定性(即。,zero entropy or a distribution in which one hypothesis is assigned a maximum probability of 1). The normalization is provided by= 2的情况(任务2 - 6)和四个假设= 1的两个假设(任务1)。

比较人类和规范(如贝叶斯)评估的确定性以负熵允许一些认知偏见的评价。例如,一个可以比较人类的负熵为一个理性规范负熵修订后的概率分配假说在看到新情报的证据。如果 ,那么人类是展示一个确认偏见因为使苦恼的证据,证实了最可能的假设。另一方面,如果<,那么人类是表现出保守主义可能来自一个锚定的偏见。

除了测量偏差,我们也比较了概率模型的估计和资源配置功能对人类参与者和贝叶斯模型(即理性。最优模型)。Kullback-Leibler散度()是一个标准的信息理论方法比较两个概率分布类似人类()和模型()。措施的信息量(比特)的两个分布不同,计算如下: 类似于负熵测度,是人类参与者的叉()和ACT-R模型(),是人类参与者的熵。重要的是要注意这一点= 0时分布是相同的,和增加两个分布偏离。范围从零到无穷大,但是通常小于1,除非两个分布有大量的山峰在不同的假设。

一个规范化的措施相似()在0 - 100%范围内类似的负熵的计算:

的散度范围从零到无穷大,相似范围从100%到0%。因此和可以用于比较成功的人或模型完成任务(通过他们的成功相比相对与一个完全理性的贝叶斯模型)。这一措施将称为一个S1得分。

解决模型输出的整体健康与人类的数据相比,最直接的衡量是相似性比较人类和模型分布(直接)。然而,这将不是一个好措施,因为它通常高于50% (通常小于1);因此我们扩展我们的分数相对的基础上通过比较对一个空模型。一个空模型(例如,均匀分布,)展品最大熵,它意味着“随机”在意会的表现。因此被用来作为一个下界计算规模相对成功率(RSR)测量如下:

如果模型的秩是零等于或小于,因为在这种情况下一个空模型将提供相同或更好的预测人类的数据模型。的秩模型也会增加增加,最大秩的100%= 100%。例如,如果一个候选人的模型匹配的数据的相似性得分= 80%和零模型匹配的相似性得分= 60%,那么模型的秩将。

任务6,因为每个参与者可能接收不同的刺激在每个阶段的审判,因为他们选择不同的整数,计算秩是不合适的。相反,该模型评估对一个相对匹配率(RMR),定义如下。

后常见的人工情报功能层在每个试验任务6开始,人类参与者之间有一个选择四个特性(情报、MOVINT SIGINT或SOCINT)。剩下的下一个选择是在三个特性,最后的选择是两个剩下的特性之一。因此有可能的序列的选择,可能是由一个主题在一个给定的审判任务6。对于每一个试验,选择每个科目的百分比24序列计算。模态序列(最大百分比)被用来定义一个基准为每个审判,在那里是一个序列的比例和是指以最大序列审判。对于每个试验,模型预测序列的选择的百分比值这个序列从人类的数据计算。换句话说,人类选择的比例是相同的序列模式选择,在一个给定的试验:

例如,假设一个模型预测序列的选择6的试验任务。同时假定,20%的人类被试选择了相同的序列,但不同的序列被人体最常见的选择,例如,40%的受试者。在这种情况下和,所以。

最后,衡量资源分配被分配一个值派生(S2)基于资源分配给地面真理的类别。因此,如果一个参与者(或模型)被分配的资源分配和地面真理是B类,那么S2分数的审判将是30%。因此,要最大限度地得分,最优模型或参与者需要分配100%的资源(即地面真理。赢家通吃的资源分配策略,采用)。

4.1。数据

集成ACT-R啊哈模型执行(和增量学习)所有6任务使用相同的知识结构(生产规则和块;其他比它学习的一部分执行任务)和参数。下面结果比较人类和模型的性能是由任务分解和扩大trial-by-trial和逐层分析。例如,使用类似的基于实例的表示在所有任务概率调整,资源分配,和层选择、路径规划的输出机制只用于任务3和4。因此最好是检查Task 3和Task 4 - 1 (Task 4的第一层)独自一人在确定路径规划机制的功效。

模型运行相同的次数是参与者的数据集(45)的平均模型反应比较人类的平均性能。模型中的自然变异(随机元素影响基于实例的学习)接近一些人类参与者的个体差异。虽然ACT-R平均分布的模型比普通人略憔悴的(ACT-R模型更接近于贝叶斯比人类理性),总体符合(基于秩/ RMR)相当高,以总分(1分表示非常合适(63年,64年];见表5)。此外,线性回归模型和比较人类的性能在每个块每一层强烈表明,模型显著预测人类行为啊哈任务。

支持这些结果,trial-by-trial性能的模型(见图11)预测的变化出现在用户的数据。尽管ACT-R模型往往表现得比人类参与者(即理性。,the model exhibited a higher S1 score), the model tended to capture much of the individual variation of human participants across trials (the S1 scores on Task 2 and S2 scores on Task 3 being the exceptions).

除了适合人类的数据基于概率(S1 /秩)和资源分配(S2),该模型也与人类参与者的锚定、调整和确认偏见(见图12)。每当人类行为数据和模型表现出较低的负熵比贝叶斯模型合理,他们都表现出锚定的偏见(相反他们展示确认偏向当他们有一个更高的负熵)。如下所示,ACT-R模型不仅显著预测偏差的存在与否也偏差的数量指标,反映在一个整体负熵的成绩在所有任务。

以下4.4.1。任务1和2

在任务1,ACT-R模型产生一个概率分布和强迫选择为每个审判资源分配。的概率分布是基于混合概率调整使用上述的基于实例的学习,导致锚定的患病率增加(即。,更少的多峰的分布)规范的解决方案的方式类似于人类数据(但比)。

类似于任务任务1、2模型遵循的一般趋势人类参与者对S1和S2特别是分数。4组保持在任务2中,我们假设人类有更多的基础概率忽视(这导致ACT-R从团体的质心表示失去基础概率信息),这就增加了RSR分数。然而,的S1滴在任务1在任务2因为ACT-R模型不捕获相同的trial-by-trial可变性尽管接近意味着人类的性能。

在任务1,ACT-R模型展出意味着负熵评分( ),远低于贝叶斯的解决方案( );因此,有一个整体的强劲趋势锚定与调整学习(AL)模型。人类表现出类似的偏见(=)。此外,在trial-by-trial比较模型的贝叶斯方法,人类和ACT-R模型显示为每个单独的试验。

在任务2中结果是相似的(,,)模型和人类展示锚定与调整学习在每一个试验。

4.1.2。任务3

在Task 3 ACT-R模型首先需要生成类别重心是基于一系列事件,然后被要求使用路径规划机制来估计每个类别质心之间的距离和探测器的位置。虽然模型捕获的平均人类绩效任务,不可以捕捉到人类个体行为。这在一定程度上是由于广泛的可变性和负偏态分布在人类的原始数据和困难ACT-R模型中正确放置类别质心跨多个道路当事件。

然而,当检查偏差度量,ACT-R模型展出艾尔和人类参与者一样确认偏见。ACT-R和人类参与者表现出一个偏见在试验1,3,5,确认偏误试验2和4。总体而言,模型和人类表现出类似的AL ()。因此,虽然模型没有捕获的确切距离估计人类参与者,它能够捕捉偏差指标的变异性。

4.1.3。Task 4

Task 4的问题重心生成多个道路避免由于重心提供的任务环境,导致HUMINT层.761和。因此,路径规划机制本身是正常和提供优秀的适合人类的数据。此外,该模型提供了优秀的适合第二层(SOCINT层)的任务4,RSR的。

从Task 4层2,锚定的测量和调整(δ负熵)是基于类别概率是否修订充分遵循概率决策规则。锚定有一个总体趋势和调整学习和推理,有轻微的趋势确认偏误的人类。主要的区别是当使用SOCINT;ACT-R模型往往会表现出一个锚定的偏见而人类参与者倾向于表现出确认偏向应用SOCINT层时。我们推测,人类之所以会表现出对SOCINT确认偏误,这是最简单的规则的运用,可能是一个令人信服的目视判读,参与者更容易信任。

Task 4开始,资源分配的判断是一个分布而不是强迫选择。模型学习概率匹配的结果(PM)和赢家通吃(WTA;强迫选择)通过经验任务1 - 3的形式IBL块。从这个经验,模型采用一种策略(非程序性规则但紧急从混合检索块)点和WTA之间,偏向于点。基于S2适合任务4 - 6(见表5),资源分配机制,也依赖于相同的基于实例的学习方法概率调整机制,提供了一个极好的匹配人类数据。

4.1.4。任务5

任务5 RSR适合1 - 3层相当高(。856,.776,和.780,resp.) with some drop-off in Layer 4 (.618) due to human participants’ distributions being closer to uniform and an RSR singularity (a near-uniform Bayesian, human, and model distribution leading to all nonperfect fits receiving a near-zero score since the random model near-perfect predicts human behavior). It may also be the case that humans, after getting several pieces of confirmatory and disconfirmatory evidence, express their uncertainty by flattening out their distribution in the final layer rather than applying each layer mechanically.

见三角洲负熵图的每一层(见图12),ACT-R正确预测的总体趋势锚定(和每一层):层1:,,层2:,,第三层:,,第四层:,,

在每一层,模型正确地预测锚定在2层的所有10个试验,正确预测锚固试验层3和8日正确预测另2试验,确认正确预测锚定在8层试验4和正确预测确认2,正确预测锚定在4层5的试验,正确预测5日确认其他试验。40多个可能的试验,ACT-R预测人类的确认和锚定偏见的39试验(试验10层5是唯一的例外)。

4.1.5。任务6

在任务6中,模型和参与者都能够选择前三个功能层指定最后一个概率分布。图13显示层的概率分布选择ACT-R模型和人类的数据序列。测量的概率分布层选择序列的相似性ACT-R模型和人类之间的数据,我们进行Jensen-Shannon散度分析,这是一个方法,测量两个分布之间的相似性。这两个发行版之间的分歧强烈,表明ACT-R模型预测人类的数据模式。

5。泛化

确定综合ACT-R模型的普遍性的啊哈任务,导致上述结果相同的模型运行在小说刺激在同一啊哈框架。模型的结果进行比较的结果小说样本来自宾夕法尼亚州立大学的103名学生。之前没有这个新数据集模型来看,和没有改变参数或知识结构,以适应这个数据集。与原45-participant数据集,宾夕法尼亚州立大学的样本只使用那些已经对地理空间情报毕业证书学分。总的来说,秩和适合在S2分数而改善适合在S1分数下降(见表6)。秩的增加主要是由于宾夕法尼亚州立大学人口行为更加理性(即。更高的S1分数;参见图14比人口从最初的数据集)。这是符合宾夕法尼亚州立大学的教育和经验增加样本。说,宾夕法尼亚州立大学样本最有可能使用一些不同的策略在解决任务,trial-by-trial S1适合没有关闭,这意味着一些差异推理ACT-R模式没有捕获。

总的来说,改进后的模型符合表明ACT-R啊哈任务模型能够捕捉平均人类绩效任务级别的S1 trial-by-trial水平的分数和S2的分数。相反,这证明了啊哈任务的可靠性作为衡量人意会任务环境中的性能。

最后,ACT-R模型适合锚固和确认偏见(见图15宾夕法尼亚州立大学的数据集)也类似。模型准确预测的存在和程度的锚定在每一块在随后任务1 - 3和类似trial-by-trial趋势对锚固和确认任务4 - 5。负熵的分数是相似的到原始数据集。

6。结论

决策文学建立了一份冗长的清单,列举认知偏见下,人类经验偏离理论的最优决策。研究了这些偏见的理论(如二进制模式选择)和应用(例如,医学诊断和情报分析)设置。然而,随着偏见和实验结果的列表,我们理解的机制产生这些偏见并没有跟着步伐。偏见已经制定一个特别的、任务和特定领域的方式。解释提出了从使用启发式天生的个人偏好。缺少的是一个明确的、统一的,机械的,认知偏见和理论框架,它提供了一个计算的理解出现的条件和方法,它们是可以克服的。

在本文中,我们提出这样一个框架通过开发统一模型的认知偏差计算认知体系结构。我们的方法结合的结果以及一对正交的维度。首先,认知体系结构提供了一个功能计算桥意会从定性的理论详细的神经大脑功能的模型。第二,结果跨范式的框架允许集成应用领域的基本决策。我们的基本假设是偏见产生互动的三个组件:任务环境,包括可用的信息和反馈以及限制任务执行,认知架构,包括认知机制及其局限性,包括启发式策略的使用以及正式的修复技术。这种方法建立在统一解释神经认知机制与假设启发式的主要作用。目标是获得一个统一的理解认知偏差出现的条件以及那些他们可以克服或无学问的。为了实现这一统一,我们的模型使用一个小的架构机制,利用他们使用一个连贯的任务建模方法(即。,我nstance-based learning), performs a series of tasks using the same knowledge structures and parameters, generalizes across different sets of scenarios and human participants, and quantitatively predicts a number of cognitive biases on a trial-to-trial basis.

特别是,我们显示偏见是普遍在系统1(自动)流程(65年),一个统一的认知理论可以提供一种有原则的方式来了解这些偏见源于基本的认知和神经基质。系统2(协商)过程使用相同的认知架构机制实现获取知识和使用策略,我们也期望偏差发生,特别是当他们与信息流之间的相互作用和结构的架构。然而,与此同时,我们表明,系统2流程可以提供显式方法解决大多数偏见的影响,比如centroid-of-centroid生成策略,一个强大的近因效应”(或近期偏差)被替换为一个(轻微)锚定的偏见。

此外,它是可以预料到的,一个理性的经纪人学习和调整战略和知识,元认知控制(例如,更刻意处理的信息),及其使用的任务环境(例如,使用工具来执行计算或作为内存艾滋病),至少减少恶化这些偏见的影响。然而,偏见总是主观的,它们指的是一个隐式的假设关于世界的本质。例如,概率匹配的出现在以后的任务可以被看作是应对不确定性的任务和早些时候看似任意的自然结果。对冲其赌注因此,人们反应的策略,可以被看作是有偏见的世界里精确计算,但已经显示出其强劲的自适应性等一系列现实的领域为退休投资。通常情况下,偏见是在旁观者的眼睛。

附录

聚合氯化铝手册

数据16,17,18,19,20.的个人页面聚合氯化铝(概率决策规则)手册解释如何更新类别可能基于每个特性透露的信息。

确认

这项工作是支持的情报高级研究项目活动(IARPA)通过内政部(DOI)合同编号。D10PC20021。美国政府授权的复制和分发再版出于政府目的尽管任何版权注释。在此包含的观点和结论是作者和不应被解释为一定代表官方政策或支持,表示或暗示,IARPA, DOI或美国政府。

引用

1. j·r·安德森,<我>人类思维如何发生在物理宇宙吗?英国牛津大学出版社,牛津,2007年。
2. j·r·安德森,d .十分m·d·伯恩s .道格拉斯c . Lebiere y .秦,“一个集成的理论思想,”<我>心理评估,卷111,不。4、1036 - 1060年,2004页。视图:出版商的网站|谷歌学术搜索
3. g . Klein b .月亮,r·r·霍夫曼“意会理解1:另类观点,”<我>IEEE智能系统,21卷,不。4、70 - 73年,2006页。视图:出版商的网站|谷歌学术搜索
4. g . Klein b .月亮,r·r·霍夫曼“意会理解2:macrocognitive模型,”<我>IEEE智能系统,21卷,不。5,88 - 92年,2006页。视图:出版商的网站|谷歌学术搜索
5. p . Pirolli和s . k .卡”,意会过程分析技术和杠杆点,”<我>情报分析的国际会议2005年5月,美国弗吉尼亚州,麦克莱恩。视图:谷歌学术搜索
6. d·m·拉塞尔·m·j . Stefik p . Pirolli和s . k .卡,“意会的成本结构,”<我>程序的交互和人为因素在计算气会议系统1993年4月,页269 - 276。视图:谷歌学术搜索
7. b . Dervin“心灵之眼的用户:摘要方法论的意义构建,”<我>推动实施方法论读者:选择Brenda Dervin的著作b . Dervin, l . Foreman-Wenet和e·劳特巴赫,Eds。,pp. 269–292, Hampton Press, Cresskill, NJ, USA, 2003.视图:谷歌学术搜索
8. k·韦克,<我>在Oragnizations意会美国,鼠尾草,加州千橡市,1995年。
9. 豪雅表(r . j .<我>情报分析心理学情报研究中心,华盛顿特区,美国,1999年。
10. s g·哈钦斯·Pirolli和s . k .卡”,是什么让情报分析困难?认知任务分析情报分析员,”<我>专业知识的背景r·r·霍夫曼,艾德,页281 - 316,劳伦斯Erlbaum Associates Mahwah,新泽西,美国,2007年。视图:谷歌学术搜索
11. l·g·塔基和r·j·b·赫顿”应用认知任务分析(ACTA):一个从业者的工具包对于理解认知任务的要求,“<我>人体工程学第41卷。。11日,第1641 - 1618页,1998年。视图:出版商的网站|谷歌学术搜索
12. 奇普曼j . m . Schraagen s f, v . l . Shalin Eds。<我>认知任务分析美国新泽西,劳伦斯Erlbaum Associates Mahwah, 2000。
13. 波斯纳,r·戈德史密斯和k . e . Welton Jr .)“感知距离和扭曲的分类模式,”<我>实验心理学杂志,卷73,不。1,28-38,1967页。视图:出版商的网站|谷歌学术搜索
14. c . Lefebvre r·戴尔'acqua p . r . Roelfsema和p . Jolicæur“冲浪海浪注意力在视觉曲线跟踪:证据从持续后对侧的消极,“<我>心理生理学,48卷,不。11日,第1516 - 1510页,2011年。视图:出版商的网站|谷歌学术搜索
15. f·g·阿什比和w·t·马德克斯,“复杂的分类决策规则:新手和有经验的性能,对比”<我>实验心理学杂志,18卷,不。1、50 - 71年,1992页。视图:出版商的网站|谷歌学术搜索
16. a . Stocco c . Lebiere r . c . O ' reilly和j·r·安德森”的角色前prefrontal-basal ganglia电路作为一个生物指令解释器,”<我>2010年生物启发的认知结构a . v . Samsonovich k . r . Johannsdottir a .切拉和b . Goertzel写到,Eds。卷,221<我>人工智能前沿和应用程序,第162 - 153页,2010年。视图:出版商的网站|谷歌学术搜索
17. g . Ryle<我>心的概念哈钦森,英国伦敦,1949年。
18. g·a·米勒,“神奇数字7±2:一些我们的信息处理能力的限制,“<我>心理评估,卷63,不。2、81 - 97年,1956页。视图:出版商的网站|谷歌学术搜索
19. h·a·西蒙,“一块有多大?”<我>科学,卷183,不。4124年,第488 - 482页,1974年。视图:谷歌学术搜索
20. c . Lebiere”认知的动力学:ACT-R认知算法,模型”<我>Kognitionswissenschaft,8卷,不。1,5-19,1999页。视图:出版商的网站|谷歌学术搜索
21. n . Taatgen c . Lebiere和j·r·安德森,“在ACT-R建模范例,”<我>认知和多主体互动:从认知社会仿真建模,r .太阳,艾德,剑桥大学出版社。美国,纽约,纽约,2006年。视图:谷歌学术搜索
22. s . k .卡、t·p·莫兰和a·纽厄尔<我>人机交互的心理学美国新泽西,劳伦斯Erlbaum Associates山谷,1983。
23. a·纽厄尔<我>统一理论的认知、哈佛大学出版社、剑桥、质量,美国,1990年。
24. j·r·安德森,“收购的认知技能,”<我>心理评估,卷89,不。4、369 - 406年,1982页。视图:出版商的网站|谷歌学术搜索
25. j·r·安德森,<我>思想的规则美国新泽西,劳伦斯Erlbaum Associates山谷,1993。
26. c·冈萨雷斯,j . f .我们和c . Lebiere“在动态决策、基于实例的学习”<我>认知科学,27卷,不。4、591 - 635年,2003页。视图:出版商的网站|谷歌学术搜索
27. c . Lebiere c·冈萨雷斯和w·沃里克,“元认知和认知模型中的多种策略的在线控制,”<我>人工总体智能杂志》上,卷2,不。2,20-37,2010页。视图:谷歌学术搜索
28. r . c . O ' reilly t.e.朦胧,s . a群”leabra认知架构:如何玩20原则与自然和赢了!,“在<我>认知科学的牛津手册,美国Chipman, Ed,牛津大学出版社,牛津大学,英国。视图:谷歌学术搜索
29. m·齐格勒m .霍华德,a萨尔迪瓦尔et al .,“锚定偏见的模拟空间估计任务由于胆碱能神经调节,”提交。视图:谷歌学术搜索
30. y太阳和h .王”,意会的顶叶皮层:spatio-attentional方面,”新闻。视图:谷歌学术搜索
31. r·汤姆森和c . Lebiere”约束贝叶斯推理与认知架构:一个更新在ACT-R联想学习机制,”<我>学报35认知科学协会的年会(认知科学的13)柏林,德国,2013年7 - 8月。视图:谷歌学术搜索
32. c . Lebiere和j·r·安德森”的联结主义实现ACT-R生产系统中,”<我>学报15年会认知科学协会(认知科学的93),页635 - 640年,劳伦斯Erlbaum Associates 1993年6月。视图:谷歌学术搜索
33. d . j . Jilk c . Lebiere r . c . O ' reilly和j·r·安德森,”萨尔:显式多元认知架构,”<我>实验和理论人工智能杂志》上,20卷,不。3、197 - 218年,2008页。视图:出版商的网站|谷歌学术搜索
34. d·马尔“简单的记忆:旧皮层的理论,”<我>英国伦敦皇家学会哲学学报B,卷262,不。841年,页23 - 81,1971。视图:谷歌学术搜索
35. d . e . Rumelhart, j·l·麦克勒兰德,PDP研究小组,<我>并行分布式处理:探索微观结构的认知,卷1:基础美国剑桥,麻省理工学院出版社,质量,1986年。
36. c . Lebiere j·r·安德森和l . m .红色“ACT-R生产系统误差建模,”<我>《认知科学学会第16届会议559年,页555 - 1994年劳伦斯Erlbaum Associates。视图:谷歌学术搜索
37. j·r·安德森,<我>的自适应特性1990年,劳伦斯Erlbaum Associates。
38. a . Klippel h . Tappe, c . Habel”路线的图像表示:分块路线段在理解,”<我>第三空间认知c . Freksa w·布劳尔,c . Habel, Eds k . f .前进。卷,2685<我>在计算机科学的课堂讲稿,11-33,2003页。视图:出版商的网站|谷歌学术搜索
39. 科斯林s m .,<我>形象和大脑:图像的分辨率的争论美国剑桥,麻省理工学院出版社,质量,1994年。
40. w·c·高哲尔和j·A·达席尔瓦”两个过程理论回应大小和距离,”<我>知觉和心理物理学第41卷。。3、220 - 238年,1987页。视图:谷歌学术搜索
41. w . m .王寅和b·贝尔,”史蒂文斯的指数感知的心理物理扩展,记得,并推断出距离,”<我>心理上的公告,卷98,不。3、457 - 470年,1985页。视图:出版商的网站|谷歌学术搜索
42. j·a·达席尔瓦”尺度上的自我中心的距离在一个大的开放领域:比较三种心理物理方法,”<我>美国心理学杂志》上,卷98,不。1,第144 - 119页,1985。视图:谷歌学术搜索
43. j . a . Aznar-Casanova e·h·Matsushima n . p . Ribeiro-Filho和j·a·达席尔瓦”一维及多维的研究离心的距离估计在前额平行面,虚拟空间,和户外开放的领域,”<我>西班牙心理学杂志》上,9卷,不。2、273 - 284年,2006页。视图:谷歌学术搜索
44. c·a·莱文和r·n·哈伯”视角感知interobject行列式的距离,“<我>知觉和心理物理学,54卷,不。2、250 - 259年,1993页。视图:谷歌学术搜索
45. r·汤姆森<我>对象的作用大小判断的横向分离[博士。论文)。
46. Dehaene和l·科恩,”之间的语言和基本运算:让操作。”<我>大脑和语言,卷69,不。3、492 - 494年,1999页。视图:谷歌学术搜索
47. c。Lebiere、c·冈萨雷斯和m·马丁“基于实例的决策模式重复的二元选择,”<我>《第八届国际会议上认知建模(ICCM ' 07)美国密歇根州安阿伯市,2007年7月。视图:谷歌学术搜索
48. Erev, e, A·e·罗斯et al .,“选择预测竞争:选择从经验和描述,“<我>杂志的行为决策,23卷,不。1,15-47,2010页。视图:出版商的网站|谷歌学术搜索
49. d .瓦拉赫和c . Lebiere有意识和无意识的知识:映射的符号和subsymbolic水平混合架构,”<我>注意力和隐式学习Ed, l·吉梅内斯,约翰•本杰明一起珍藏的东西发布阿姆斯特丹,荷兰,2003年。视图:谷歌学术搜索
50. c . Lebiere、c·冈萨雷斯和w·沃里克”比较的方法来理解一般智力:预测认知能力在开放式动态任务中,”<我>第二届会议上人工总体智能(AGI ' 09),页103 - 107,阿灵顿,弗吉尼亚州,美国,2009年3月。视图:谷歌学术搜索
51. j . Klayman“确认偏误,品种”<我>从认知的角度决策j . Busemeyer r Hastie, d·l·曼迪。32卷<我>学习心理学和动力学术出版社,页365 - 418年,纽约,纽约,美国,1995年。视图:谷歌学术搜索
52. j . Klayman Y.-W。哈,“信息确认,不确认,在假设检验中,“<我>心理评估,卷94,不。2、211 - 228年,1987页。视图:谷歌学术搜索
53. r . s . Nickerson“确认偏误:无处不在的现象在许多形式,“<我>普通心理学评论,卷2,不。2、175 - 220年,1998页。视图:谷歌学术搜索
54. a . Tversky和d·卡尼曼“不确定性条件下的判断:启发式和偏差,”<我>科学,卷185,不。4157年,第1131 - 1124页,1974年。视图:谷歌学术搜索
55. p•沃森”未能消除假设在一个概念性的任务中,“<我>《实验心理学季刊》的,12卷,不。3、129 - 140年,1960页。视图:出版商的网站|谷歌学术搜索
56. c, d . Wickens和j·g .荷兰制杜松子酒<我>工程心理学和人类的性能,Prentice Hall,上台北,美国第3版,2000年版。
57. b . a . Cheikes m·j·布朗·e·雷纳和l·阿德尔曼,“在复杂分析,确认偏误”技术。代表,横切中心集成智能系统、贝德福德,质量,美国,2004年。视图:谷歌学术搜索
58. g . Convertino d . Billman p . Pirolli j . p . Massar和j . Shrager”合作情报分析与缓存:减少偏见和信息报道,“技术。代表,帕洛阿尔托研究中心,帕洛阿尔托,加州,美国,2006年。视图:谷歌学术搜索
59. m·a·Tolcott f·f·马文,p·e·雷纳”专家决策在不断发展的情况下,“<我>IEEE系统,人与控制论,19卷,不。3、606 - 615年,1989页。视图:出版商的网站|谷歌学术搜索
60. c . Grabo和j .高盛<我>期待惊喜,2004年罗曼和Littlefield。
61. j·r·安德森和c . Lebiere<我>思想的原子组件美国新泽西,劳伦斯Erlbaum Associates Mahwah, 1998。
62. k·伯恩斯,“心智模式和正常的错误,”<我>专业人士如何做出决定h·蒙哥马利,r .但,莱梅尔,Eds。,pp. 15–28, Lawrence Erlbaum Associates, Mahwah, NJ, USA, 2004.视图:谷歌学术搜索
63. 横切技术报告,“IARPA伊卡洛斯计划:第一阶段挑战问题的设计和测试规范,“在进步。视图:谷歌学术搜索
64. 横切技术报告,”伊卡洛斯的挑战问题的计算基础设计”。视图:谷歌学术搜索
65. d·卡尼曼和美国弗雷德里克“启发式模型的判断,”<我>剑桥手册的思考和推理k . j . Holyoak和r·g·莫里森。,pp. 267–293, Cambridge University Press, New York, NY, USA, 2005.视图:谷歌学术搜索

版权

版权©2013年基督教Lebiere et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。