Алгоритмічна модель у психології: що це, як описує когнітивний процес і чим відрізняється від алгоритмічного мислення
Оновлено: 16 вер.
Автор: Український психологічний ХАБ · Опубліковано: 16 липня 2023 · Редакційна політика
Алгоритмічна модель у психології — це формалізований опис того, як когнітивна система перетворює вхідну інформацію на певний результат. Така модель намагається вказати, які внутрішні репрезентації використовуються, які операції виконуються над ними, у якій послідовності відбувається обробка та які передбачення з цього випливають для поведінки. У когнітивній науці цей тип моделей часто наближають до поняття процесної моделі — process model.
Йдеться не про одну універсальну «алгоритмічну модель психіки». Це клас наукових моделей для дослідження конкретних когнітивних процесів: категоризації, навчання, пам’яті, вибору, прийняття рішень, сприймання та інших задач. Комп’ютерна програма може реалізувати таку модель, але сама модель є набором теоретичних припущень про процес, а не просто програмним забезпеченням.
Що таке алгоритмічна модель
Найпростіше визначення можна сформулювати через питання «як саме?». Якщо дослідницька теорія стверджує, що людина розпізнає об’єкт, робить вибір або засвоює закономірність, алгоритмічна модель уточнює механізм: що система отримує на вході, як представляє інформацію, які кроки або правила застосовує і який результат виробляє.
У психології слово «алгоритм» тут не означає, що мозок буквально виконує готовий код рядок за рядком. Алгоритмічний опис задає процес на певному рівні абстракції. Один дослідник може описувати послідовність операцій уваги й пам’яті, інший — накопичення доказів перед рішенням, третій — оновлення очікуваної цінності після винагороди. Наукове питання полягає в тому, чи породжує запропонований процес ті закономірності поведінки, які спостерігаються в експериментах.
Три рівні аналізу Девіда Марра
Сучасне вживання поняття алгоритмічної моделі значною мірою пов’язане з трьома рівнями аналізу, які Девід Марр сформулював для пояснення систем обробки інформації. Їх часто використовують у когнітивній науці як спосіб розвести різні питання про один і той самий феномен. Огляд ролі алгоритмічного рівня в сучасній когнітивній науці подає Bradley Love у Topics in Cognitive Science.
Обчислювальний рівень: яку задачу розв’язує система, який результат має отримати і чому саме така задача є функціонально важливою.
Рівень репрезентацій та алгоритму: у якому вигляді представлена інформація і за допомогою яких операцій вона перетворюється з входу на вихід.
Рівень реалізації: якими фізичними або нейронними структурами та процесами реалізується описаний механізм.
Алгоритмічна модель працює насамперед на другому рівні. Вона містить гіпотезу про внутрішній процес. Саме тому дві моделі можуть однаково добре передбачати середню частоту відповідей, але пропонувати різні механізми їх виникнення. Для психології це принципово: збіг передбачень ще не означає, що моделі однаково пояснюють мислення.
Що саме має описувати алгоритмічна модель
Добра алгоритмічна модель повинна робити процес достатньо явним, щоб із нього можна було отримати перевірювані наслідки. Конкретний набір компонентів залежить від задачі, проте зазвичай потрібно визначити кілька речей.
Вхідні дані. Яку інформацію отримує система: стимул, попередній досвід, винагороду, контекст, стан пам’яті або інші змінні.
Репрезентацію. У якому внутрішньому форматі представлена інформація, потрібна для виконання задачі.
Операції та правила. Які перетворення виконуються над репрезентаціями і в якому порядку.
Обмеження та параметри. Які властивості процесу можуть відрізнятися між умовами або людьми: швидкість навчання, поріг рішення, шум, місткість пам’яті та інші величини.
Вихід. Яку спостережувану відповідь породжує процес: вибір, час реакції, оцінку, категорію або іншу поведінкову величину.
Передбачення. Які результати мають з’явитися за нових умов, якщо описаний механізм справді працює так, як стверджує модель.
Ця структура перетворює загальну словесну ідею на модель, яку можна симулювати, зіставляти з даними та порівнювати з альтернативами. Саме в цьому полягає одна з головних цінностей формальних моделей для психологічної теорії.
Алгоритмічна модель і когнітивне моделювання
Когнітивне моделювання — ширша дослідницька методологія, у межах якої припущення про пізнавальні процеси формалізують так, щоб отримувати кількісні або якісні передбачення. Алгоритмічна модель є одним зі способів такої формалізації, коли дослідника цікавить не лише відповідність між входом і результатом, а сам перебіг інформаційних перетворень.
У статті про когнітивні процесні моделі Jana Jarecki, Jolene Tan і Mirjam Jenny підкреслюють, що process model має описувати не тільки входи й виходи, а й перебіг трансформацій інформації на обраному рівні абстракції. Це корисне уточнення: назвати формулу або нейромережу «алгоритмічною моделлю» недостатньо. Потрібно вказати, який психологічний процес вона представляє і як її елементи пов’язані з теоретичними припущеннями.
Алгоритмічна модель і алгоритмічне мислення: різні поняття
Схожість назв легко створює плутанину. Алгоритмічне мислення — це здатність людини будувати, виконувати, перевіряти й удосконалювати впорядковані процедури розв’язання задач. Алгоритмічна модель — інструмент наукового пояснення когнітивного процесу.
Алгоритмічне мислення характеризує спосіб організації діяльності людини під час розв’язання задач.
Алгоритмічна модель характеризує дослідницьке пояснення того, які репрезентації та операції можуть породжувати спостережувану поведінку.
Одна й та сама людина може використовувати алгоритмічне мислення, складаючи чітку процедуру дій, але це ще не створює психологічної моделі її внутрішніх процесів. І навпаки, дослідницька алгоритмічна модель може пояснювати процес, який людина взагалі не переживає як свідому послідовність кроків.
Чим алгоритмічна модель відрізняється від статистичної моделі та машинного навчання
Статистична модель може чудово передбачати, хто обере варіант А, скільки часу триватиме реакція або як змінюється показник залежно від умов. Проте точний прогноз сам по собі не дає алгоритмічного пояснення. Для нього потрібно висунути гіпотезу про процес, який породжує дані.
Так само модель машинного навчання може знаходити закономірності в поведінкових даних, не будучи моделлю людського когнітивного механізму. Щоб використовувати її як психологічну модель, дослідник має обґрунтувати відповідність між елементами штучної системи та досліджуваним процесом, а потім перевірити наслідки цього зіставлення на людських даних. Тому «алгоритмічна» в когнітивному моделюванні означає рівень пояснення процесу, а не автоматично застосування штучного інтелекту.
Як перевіряють алгоритмічні моделі
Модель стає науково корисною тоді, коли її можна поставити під ризик помилки. У практичному обчислювальному моделюванні дослідники використовують кілька взаємодоповнювальних перевірок. Рекомендації щодо моделювання поведінкових даних систематизували Robert Wilson і Anne Collins в eLife.
Спочатку симулюють дані з моделі й перевіряють, чи здатна вона взагалі породити явища, для пояснення яких її запропоновано.
Далі модель зіставляють з експериментальними даними та оцінюють, наскільки добре вона відтворює не тільки середні значення, а й важливі патерни поведінки.
Перевіряють відновлення параметрів: чи можна з даних надійно оцінити ті величини, яким надається психологічна інтерпретація.
Порівнюють альтернативні моделі, бажано такі, що втілюють різні механізми, а не лише відрізняються кількістю параметрів.
Оцінюють передбачення на нових даних, нових учасниках або умовах, які не використовувалися для підгонки.
Коли це доречно, зіставляють приховані змінні моделі з часовими, нейрофізіологічними або нейровізуалізаційними даними, щоб додатково обмежити простір можливих механізмів.
Висока якість підгонки не є остаточним доказом механізму. Кілька різних моделей можуть пояснювати ті самі дані, а надто гнучка модель здатна підлаштуватися під шум. Тому переконливість виникає з поєднання теоретичної ясності, адекватної перевірки, порівняння альтернатив і нових передбачень.
Приклад: моделі категоризації
Категоризація добре показує різницю між рівнями пояснення. Теорія може передбачати, з якою ймовірністю новий стимул буде віднесено до певної категорії. Алгоритмічний опис іде далі: він має показати, які репрезентації зберігаються, як обчислюється схожість, як накопичується інформація і яким правилом формується відповідь.
F. Gregory Ashby і Luke Rosedahl, обговорюючи екземплярну теорію категоризації, прямо розрізняють обчислювальні, алгоритмічні та реалізаційні моделі. У їхньому викладі алгоритмічні моделі близькі до процесних моделей у психології: вони описують алгоритми, що породжують передбачення, тоді як реалізаційний рівень додає конкретну архітектуру, яка може виконувати ці алгоритми.
Приклад: навчання на підкріпленні та вибір
Ще один наочний приклад дає дослідження навчання на підкріпленні. Одна людина може поводитися так, ніби зберігає готові оцінки дій; інша стратегія може використовувати внутрішню модель переходів між станами; проміжний варіант може зберігати структуровані очікування про майбутні стани. Ці підходи здатні давати схожий вибір у звичайній ситуації, але по-різному реагують на зміну винагород або структури задачі.
Саме такі розбіжності дозволяють проектувати експерименти, що розрізняють алгоритми. У дослідженні I. Momennejad та колег 2017 року поведінкові тести використовувалися для порівняння model-based, model-free та successor-representation підходів до людського навчання. Тут алгоритмічна модель цінна не тим, що «вгадує» вибір, а тим, що передбачає характерний патерн помилок і адаптації після зміни задачі.
Чи може алгоритмічна модель прогнозувати поведінку людини
Так, але прогноз має чітку область застосування. Модель може передбачати розподіл відповідей, час реакції, послідовність виборів, помилки або зміну поведінки після навчання в конкретній експериментальній задачі. Це дає змогу перевіряти механізми й порівнювати теорії.
З цього не випливає універсальна здатність прогнозувати людину за набором персональних даних. Психологічні процеси залежать від задачі, контексту, попереднього досвіду, мотивації та інших умов, а модель завжди спрощує реальність. Тому коректне питання звучить так: «Які аспекти поведінки ця модель пояснює і за яких умов її передбачення зберігаються?»
Чи є алгоритмічна модель програмним забезпеченням
Програмне забезпечення може бути способом реалізації моделі, особливо коли вона містить багато обчислень або має генерувати симульовані дані. Проте науковий зміст моделі задають її припущення, репрезентації, операції та зв’язок із психологічним явищем. Один і той самий алгоритмічний опис можна реалізувати різними мовами програмування або навіть частково подати математично.
Тому визначення «алгоритмічна модель — це спеціальне програмне забезпечення» звужує поняття й змішує модель з інструментом її реалізації. У психології важливо знати, що саме модель стверджує про мислення або інший процес, які дані можуть її спростувати та з якими альтернативами вона конкурує.
Основні обмеження алгоритмічних моделей
Недовизначеність: однакові поведінкові результати можуть породжуватися різними внутрішніми процесами.
Ідентифікованість параметрів: параметр із психологічною назвою не завжди можна надійно оцінити з наявних даних.
Надмірна гнучкість: модель з багатьма параметрами може добре описати минулі дані й погано передбачати нові.
Рівень абстракції: алгоритмічний опис не автоматично вказує, як процес реалізований нейронно.
Залежність від задачі: механізм, який працює в лабораторній парадигмі, не обов’язково пояснює поведінку в іншому контексті.
Ці обмеження не роблять моделювання слабким методом. Навпаки, вони визначають вимоги до сильної моделі: явні припущення, прозору процедуру оцінювання, альтернативні пояснення, перевірку на нових даних і обережну інтерпретацію параметрів.
Коли термін «алгоритмічна модель» доречний
Термін доречно використовувати, коли модель претендує на опис процесу перетворення інформації: наприклад, як людина накопичує докази перед вибором, оновлює очікування після зворотного зв’язку, порівнює новий об’єкт із пам’яттю або переходить від репрезентації задачі до відповіді. Для конкретної статті або дослідження ще краще називати саму модель: модель накопичення доказів, модель навчання з підкріпленням, процесна модель категоризації тощо. Так читач одразу бачить, який механізм і яке явище маються на увазі.
Короткий висновок
Алгоритмічна модель у психології — це модель механізму на рівні репрезентацій і процесів. Вона пояснює, як система переходить від входу до виходу, і перетворює теоретичну ідею на набір перевірюваних передбачень. Її сила полягає в можливості порівнювати механізми, симулювати наслідки та ставити теорію під емпіричну перевірку.
Це поняття займає власне місце в графі психологічних знань: воно є частиною ширшого когнітивного моделювання й не дублює алгоритмічне мислення. Для читача головна практична ознака проста: якщо модель пояснює не лише що сталося, а й яким процесом інформація була перетворена на результат, ми наближаємося до алгоритмічного рівня пояснення.
Поширені запитання
Алгоритмічна модель — це одна конкретна психологічна модель?
Ні. Це клас або рівень моделей, які описують процес перетворення інформації через репрезентації та операції. Конкретні алгоритмічні моделі будують для окремих процесів — категоризації, навчання, вибору, пам’яті та інших задач.
Алгоритмічна модель — це те саме, що алгоритм штучного інтелекту?
Ні. Алгоритм штучного інтелекту може бути технічним інструментом. Психологічна алгоритмічна модель має представляти гіпотезу про когнітивний процес і давати перевірювані передбачення щодо людської поведінки або пізнання.
Чим алгоритмічна модель відрізняється від когнітивної моделі?
Когнітивна модель — ширше поняття. Алгоритмічна модель є різновидом когнітивної моделі, коли основний зміст полягає в описі внутрішніх репрезентацій, операцій і послідовності інформаційних перетворень.
Чи описує алгоритмічна модель роботу мозку?
Вона може бути узгоджена з нейронними даними, але алгоритмічний рівень і нейронна реалізація — різні рівні пояснення. Для твердження про мозковий механізм потрібні додаткові нейрофізіологічні або нейровізуалізаційні дані.
Чи можна за алгоритмічною моделлю передбачити поведінку конкретної людини?
Іноді модель може робити індивідуальні передбачення в межах конкретної задачі та за наявності достатніх даних. Це не означає універсального прогнозу поведінки людини поза умовами, для яких модель була побудована й перевірена.