Koneksiisme

Daftar Isi:

Koneksiisme
Koneksiisme

Video: Koneksiisme

Video: Koneksiisme
Video: Chapter5 Penjadwalan Prosesor Jamak 2024, Maret
Anonim

Ini adalah file di arsip Stanford Encyclopedia of Philosophy. Kutip entri ini | Pratinjau PDF Teman | Pencarian InPho | Daftar Pustaka PhilPapers

Koneksiisme

Sun pertama kali diterbitkan 18 Mei 1997; revisi substantif Sel 27 Jul 2010

Connectionism adalah gerakan dalam ilmu kognitif yang berharap untuk menjelaskan kemampuan intelektual manusia menggunakan jaringan saraf tiruan (juga dikenal sebagai 'jaringan saraf' atau 'jaring saraf'). Jaringan saraf adalah model otak yang disederhanakan yang terdiri dari sejumlah besar unit (analog neuron) bersama dengan bobot yang mengukur kekuatan koneksi antar unit. Bobot ini memodelkan efek sinapsis yang menghubungkan satu neuron ke neuron lainnya. Eksperimen pada model semacam ini telah menunjukkan kemampuan untuk mempelajari keterampilan seperti pengenalan wajah, membaca, dan mendeteksi struktur tata bahasa yang sederhana.

Para filsuf telah tertarik pada koneksionisme karena menjanjikan untuk memberikan alternatif bagi teori pikiran klasik: pandangan yang dipegang secara luas bahwa pikiran adalah sesuatu yang mirip dengan komputer digital yang memproses bahasa simbolik. Bagaimana dan sejauh mana paradigma koneksionis merupakan tantangan terhadap klasisisme telah menjadi bahan perdebatan hangat dalam beberapa tahun terakhir.

  • 1. Deskripsi Jaringan Saraf Tiruan
  • 2. Pembelajaran Neural Network dan Backpropagation
  • 3. Sampel Apa Yang Dapat Dilakukan Jaringan Saraf
  • 4. Kekuatan dan Kelemahan Model Jaringan Saraf Tiruan
  • 5. Bentuk Kontroversi antara Connectionists dan Klasikis
  • 6. Representasi Connectionist
  • 7. Debat Sistematisitas
  • 8. Connectionism dan Kesamaan Semantik
  • 9. Connectionism dan Eliminasi Psikologi Rakyat
  • Bibliografi
  • Sumber Daya Internet lainnya
  • Entri terkait

1. Deskripsi Jaringan Saraf Tiruan

Jaringan saraf terdiri dari sejumlah besar unit yang bergabung bersama dalam pola koneksi. Unit dalam jaring biasanya dipisahkan menjadi tiga kelas: unit input, yang menerima informasi untuk diproses, unit output tempat hasil pemrosesan ditemukan, dan unit di antaranya disebut unit tersembunyi. Jika jaring saraf memodelkan seluruh sistem saraf manusia, unit input akan analog dengan neuron sensorik, unit output ke neuron motorik, dan unit tersembunyi ke semua neuron lainnya.

Berikut adalah ilustrasi sederhana dari jaring saraf sederhana:

bersih
bersih

Setiap unit input memiliki nilai aktivasi yang mewakili beberapa fitur eksternal ke net. Unit input mengirimkan nilai aktivasi ke masing-masing unit tersembunyi yang terhubung. Setiap unit tersembunyi ini menghitung nilai aktivasi sendiri tergantung pada nilai aktivasi yang diterimanya dari unit input. Sinyal ini kemudian diteruskan ke unit output atau ke lapisan unit tersembunyi lainnya. Unit-unit tersembunyi menghitung nilai aktivasi mereka dengan cara yang sama, dan mengirimkannya ke tetangga mereka. Akhirnya sinyal di unit input merambat ke net untuk menentukan nilai aktivasi di semua unit output.

Pola aktivasi yang diatur oleh jaring ditentukan oleh bobot, atau kekuatan koneksi antar unit. Bobot bisa positif atau negatif. Bobot negatif mewakili penghambatan unit penerima oleh aktivitas unit pengirim. Nilai aktivasi untuk setiap unit penerima dihitung berdasarkan fungsi aktivasi sederhana. Fungsi aktivasi bervariasi dalam detail, tetapi semuanya sesuai dengan rencana dasar yang sama. Fungsi tersebut merangkum kontribusi semua unit pengirim, di mana kontribusi unit didefinisikan sebagai bobot koneksi antara unit pengirim dan penerima dikalikan nilai aktivasi unit pengirim. Jumlah ini biasanya dimodifikasi lebih lanjut, misalnya,dengan menyesuaikan jumlah aktivasi ke nilai antara 0 dan 1 dan / atau dengan mengatur aktivasi ke nol kecuali tingkat ambang batas untuk jumlah tersebut tercapai. Kaum koneksionis menganggap bahwa fungsi kognitif dapat dijelaskan oleh kumpulan unit yang beroperasi dengan cara ini. Karena diasumsikan bahwa semua unit menghitung cukup banyak fungsi aktivasi sederhana yang sama, pencapaian intelektual manusia harus bergantung terutama pada pengaturan bobot antar unit.

Jenis jaring yang digambarkan di atas disebut umpan ke depan. Aktivasi mengalir langsung dari input ke unit tersembunyi dan kemudian ke unit output. Model otak yang lebih realistis akan mencakup banyak lapisan unit tersembunyi, dan koneksi berulang yang mengirim sinyal kembali dari tingkat yang lebih tinggi ke tingkat yang lebih rendah. Pengulangan seperti itu diperlukan untuk menjelaskan fitur kognitif seperti memori jangka pendek. Dalam feed forward net, presentasi berulang dari input yang sama menghasilkan output yang sama setiap kali, tetapi bahkan organisme paling sederhana pun terbiasa (atau belajar untuk mengabaikan) presentasi berulang dari stimulus yang sama. Kaum koneksionis cenderung menghindari koneksi berulang karena sedikit yang dipahami tentang masalah umum pelatihan jaring berulang. Namun Elman (1991) dan yang lainnya telah membuat beberapa kemajuan dengan jaring berulang sederhana,di mana perulangan dibatasi dengan ketat.

2. Pembelajaran Neural Network dan Backpropagation

Menemukan set bobot yang tepat untuk menyelesaikan tugas yang diberikan adalah tujuan utama dalam penelitian koneksionis. Untungnya, algoritma pembelajaran telah dirancang yang dapat menghitung bobot yang tepat untuk melakukan banyak tugas. (Lihat Hinton 1992 untuk ulasan yang dapat diakses.) Salah satu metode pelatihan yang paling banyak digunakan adalah backpropagation. Untuk menggunakan metode ini kita perlu satu set pelatihan yang terdiri dari banyak contoh input dan output yang diinginkan untuk tugas yang diberikan. Jika, misalnya, tugasnya adalah untuk membedakan wajah pria dan wanita, set pelatihan mungkin berisi gambar wajah bersama-sama dengan indikasi jenis kelamin orang yang digambarkan dalam masing-masing wajah. Jaring yang dapat mempelajari tugas ini mungkin memiliki dua unit output (menunjukkan kategori pria dan wanita) dan banyak unit input, satu dikhususkan untuk kecerahan setiap piksel (area kecil) dalam gambar. Bobot jaring yang akan dilatih pada awalnya ditetapkan ke nilai acak, dan kemudian anggota set pelatihan berulang kali terkena jaring. Nilai-nilai untuk input dari anggota ditempatkan pada unit input dan output dari net dibandingkan dengan output yang diinginkan untuk anggota ini. Kemudian semua bobot dalam jaring disesuaikan sedikit ke arah yang akan membawa nilai keluaran jaring lebih dekat ke nilai untuk keluaran yang diinginkan. Misalnya, ketika wajah laki-laki disajikan ke unit input, bobot disesuaikan sehingga nilai unit output pria meningkat dan nilai unit output wanita menurun. Setelah banyak pengulangan proses ini, internet dapat belajar untuk menghasilkan output yang diinginkan untuk setiap input dalam set pelatihan. Jika pelatihan berjalan dengan baik,internet banyak yang telah belajar untuk menggeneralisasi perilaku yang diinginkan untuk input dan output yang tidak ada dalam set pelatihan. Sebagai contoh, itu mungkin melakukan pekerjaan yang baik untuk membedakan laki-laki dari perempuan dalam gambar yang tidak pernah disajikan sebelumnya.

Pelatihan jaring untuk memodelkan aspek kecerdasan manusia adalah seni rupa. Sukses dengan backpropagation dan metode pembelajaran koneksionis lainnya mungkin bergantung pada penyesuaian algoritma dan perangkat pelatihan yang cukup halus. Pelatihan biasanya melibatkan ratusan ribu putaran penyesuaian berat badan. Mengingat keterbatasan komputer yang saat ini tersedia bagi para peneliti koneksionis, pelatihan jaring untuk melakukan tugas yang menarik mungkin memakan waktu berhari-hari atau bahkan berminggu-minggu. Beberapa kesulitan mungkin diselesaikan ketika sirkuit paralel yang dirancang khusus untuk menjalankan model jaringan saraf tersedia secara luas. Tetapi bahkan di sini, beberapa keterbatasan untuk teori koneksionis pembelajaran akan tetap dihadapi. Manusia (dan banyak binatang yang kurang cerdas) menunjukkan kemampuan untuk belajar dari satu peristiwa;misalnya hewan yang makan makanan yang kemudian menyebabkan gangguan lambung tidak akan pernah mencoba makanan itu lagi. Teknik pembelajaran koneksionis seperti backpropagation masih jauh dari menjelaskan pembelajaran 'satu pukulan' semacam ini.

3. Sampel Apa Yang Dapat Dilakukan Jaringan Saraf

Kaum koneksionis telah membuat kemajuan yang signifikan dalam menunjukkan kekuatan jaringan saraf untuk menguasai tugas-tugas kognitif. Berikut adalah tiga percobaan terkenal yang mendorong koneksionis untuk percaya bahwa jaringan saraf adalah model kecerdasan manusia yang baik. Salah satu yang paling menarik dari upaya ini adalah karya Sejnowski dan Rosenberg pada tahun 1987 di internet yang dapat membaca teks bahasa Inggris yang disebut NETtalk. Set pelatihan untuk NETtalk adalah basis data besar yang terdiri dari teks bahasa Inggris ditambah dengan output fonetik yang sesuai, ditulis dalam kode yang sesuai untuk digunakan dengan synthesizer ucapan. Kaset kinerja NETtalk di berbagai tahap pelatihannya sangat menarik untuk disimak. Pada awalnya outputnya adalah noise acak. Kemudian, internet terdengar seperti mengoceh,dan kemudian masih seolah-olah berbicara dalam bahasa Inggris double-talk (ucapan yang terbentuk dari suara yang menyerupai kata-kata bahasa Inggris). Di akhir pelatihan, NETtalk melakukan pekerjaan yang cukup baik untuk mengucapkan teks yang diberikan kepadanya. Selain itu, kemampuan ini menggeneralisasikan dengan cukup baik untuk teks yang tidak disajikan dalam set pelatihan.

Model koneksionis awal yang berpengaruh lainnya adalah jaring yang dilatih oleh Rumelhart dan McClelland (1986) untuk memprediksi bentuk lampau dari kata kerja bahasa Inggris. Tugas ini menarik karena meskipun sebagian besar kata kerja dalam bahasa Inggris (kata kerja reguler) membentuk bentuk lampau dengan menambahkan akhiran '-ed', banyak dari kata kerja yang paling sering adalah tidak teratur ('adalah' / 'adalah', 'datang' / 'Datang', 'Pergi' / 'Pergi'). Jaring pertama kali dilatih pada suatu set yang berisi sejumlah besar kata kerja tidak beraturan, dan kemudian pada set 460 kata kerja yang mengandung kebanyakan pelanggan tetap. Jaring mempelajari bentuk lampau dari kata kerja 460 dalam sekitar 200 putaran pelatihan, dan itu digeneralisasikan dengan cukup baik untuk kata kerja tidak dalam set pelatihan. Ia bahkan menunjukkan apresiasi yang baik terhadap "keteraturan" yang dapat ditemukan di antara kata kerja tidak beraturan ('kirim' / 'terkirim', 'bangun' / 'dibangun' 'tiupan' / 'tiupkan', 'terbang' / 'terbang'). Selama belajar,karena sistem terpapar pada set pelatihan yang mengandung kata kerja yang lebih teratur, ia memiliki kecenderungan untuk mengatur ulang secara berlebihan, yaitu, untuk menggabungkan bentuk tidak teratur dan reguler: ('break' / 'broked', bukannya 'break' / 'broken'). Ini diperbaiki dengan lebih banyak pelatihan. Sangat menarik untuk dicatat bahwa anak-anak diketahui menunjukkan kecenderungan yang sama untuk mengatur secara berlebihan selama pembelajaran bahasa. Namun, ada perdebatan panas tentang apakah Rumelhart dan McClelland's adalah model yang baik tentang bagaimana manusia benar-benar belajar dan memproses akhir kata kerja. Sebagai contoh, Pinker & Prince (1988) menunjukkan bahwa model melakukan pekerjaan yang buruk untuk generalisasi ke beberapa kata kerja reguler baru. Mereka percaya bahwa ini adalah tanda kegagalan dasar dalam model koneksionis. Jaring mungkin bagus dalam membuat asosiasi dan pola yang cocok,tetapi mereka memiliki batasan mendasar dalam menguasai aturan umum seperti pembentukan past past tense. Keluhan ini menimbulkan masalah penting bagi pemodel koneksionis, yaitu apakah jaring dapat digeneralisasikan dengan benar untuk menguasai tugas kognitif yang melibatkan aturan. Meskipun Pinker dan Prince keberatan, banyak koneksionis percaya bahwa generalisasi jenis yang tepat masih dimungkinkan (Niklasson dan van Gelder 1994).

Karya Elman 1991 tentang jaring yang dapat menghargai struktur gramatikal memiliki implikasi penting untuk perdebatan tentang apakah jaringan saraf dapat belajar untuk menguasai aturan. Elman melatih jaringan berulang sederhana untuk memprediksi kata berikutnya dalam kumpulan besar kalimat bahasa Inggris. Kalimat-kalimat dibentuk dari kosakata sederhana dari 23 kata menggunakan subset tata bahasa Inggris. Tata bahasanya, meski sederhana, merupakan ujian berat bagi kesadaran linguistik. Ini memungkinkan pembentukan klausa relatif yang tidak terbatas sementara menuntut persetujuan antara kata benda utama dan kata kerja. Jadi misalnya dalam kalimat

Setiap pria yang mengejar anjing bahwa kucing mengejar … run s.

bentuk tunggal ' man ' harus setuju dengan kata kerja 'run s'terlepas dari kata benda jamak yang mengintervensi (' anjing ',' kucing ') yang mungkin menyebabkan pemilihan' lari '. Salah satu fitur penting dari model Elman adalah penggunaan koneksi berulang. Nilai-nilai pada unit tersembunyi disimpan dalam satu set yang disebut unit konteks, untuk dikirim kembali ke tingkat input untuk putaran pemrosesan selanjutnya. Perulangan ini dari tersembunyi ke lapisan input menyediakan jaring dengan bentuk memori yang belum sempurna dari urutan kata-kata dalam kalimat input. Jaring Elman menunjukkan apresiasi terhadap struktur tata bahasa kalimat yang tidak ada dalam pelatihan. Perintah sintaks jaring diukur dengan cara berikut. Memprediksi kata berikutnya dalam kalimat bahasa Inggris, tentu saja, adalah tugas yang mustahil. Namun, jaring-jaring ini berhasil, paling tidak dengan ukuran berikut. Pada titik tertentu dalam kalimat input,unit output untuk kata-kata yang merupakan kelanjutan tata bahasa dari kalimat pada saat itu harus aktif dan unit output untuk semua kata lain harus tidak aktif. Setelah pelatihan intensif, Elman mampu menghasilkan jaring yang menampilkan kinerja sempurna pada ukuran ini termasuk kalimat yang tidak ada dalam set pelatihan.

Meskipun kinerja ini mengesankan, masih ada jalan panjang dalam jaring pelatihan yang dapat memproses bahasa. Selain itu, keraguan telah diajukan tentang pentingnya hasil Elman. Sebagai contoh, Marcus (1998, 2001) berpendapat bahwa jaring Elman tidak dapat menggeneralisasi kinerja ini ke kalimat yang dibentuk dari kosa kata baru. Ini, katanya, adalah tanda bahwa model koneksionis hanya mengaitkan contoh, dan tidak dapat benar-benar menguasai aturan abstrak. Di sisi lain, Phillips (2002) berpendapat bahwa arsitektur klasik tidak lebih baik dalam hal ini. Ketidakmampuan model koneksionis untuk menggeneralisasi kinerja dengan cara ini telah menjadi tema penting dalam debat sistematisitas. (Lihat Bagian 7 di bawah.)

Kekhawatiran yang agak berbeda tentang kecukupan pemrosesan bahasa koneksionis berfokus pada tugas-tugas yang meniru bayi belajar tata bahasa buatan sederhana. Data tentang waktu reaksi menegaskan bahwa bayi dapat belajar membedakan kalimat yang terbentuk dengan baik dari yang buruk dalam bahasa baru yang diciptakan oleh para peneliti. Shultz dan Bale (2001) melaporkan keberhasilan dalam melatih jaring saraf pada tugas yang sama. Vilcu dan Hadley (2005) berkeberatan bahwa karya ini gagal menunjukkan perolehan tata bahasa yang sebenarnya, tetapi lihat Shultz dan Bale (2006) untuk jawaban terperinci.

4. Kekuatan dan Kelemahan Model Jaringan Saraf Tiruan

Para filsuf tertarik pada jaringan saraf karena mereka dapat memberikan kerangka kerja baru untuk memahami sifat pikiran dan hubungannya dengan otak (Rumelhart dan McClelland 1986, Bab 1). Model koneksionis tampaknya sangat cocok dengan apa yang kita ketahui tentang neurologi. Otak memang merupakan jaring saraf, terbentuk dari banyak unit (neuron) dan hubungannya (sinapsis). Selain itu, beberapa sifat model jaringan saraf menunjukkan bahwa connectionism mungkin menawarkan gambaran yang sangat setia tentang sifat pemrosesan kognitif. Jaringan saraf menunjukkan fleksibilitas yang kuat dalam menghadapi tantangan yang ditimbulkan oleh dunia nyata. Input berisik atau penghancuran unit menyebabkan penurunan fungsi dengan anggun. Respons net masih sesuai, meskipun agak kurang akurat. Sebaliknya,kebisingan dan kehilangan sirkuit di komputer klasik biasanya menghasilkan kegagalan katastropik. Jaringan saraf juga secara khusus diadaptasi untuk masalah yang membutuhkan resolusi dari banyak kendala yang saling bertentangan secara paralel. Ada banyak bukti dari penelitian dalam kecerdasan buatan bahwa tugas kognitif seperti pengenalan objek, perencanaan, dan bahkan gerakan terkoordinasi menghadirkan masalah seperti ini. Meskipun sistem klasik mampu memuaskan banyak kendala, koneksionis berpendapat bahwa model jaringan saraf menyediakan mekanisme yang jauh lebih alami untuk menangani masalah seperti itu. Ada banyak bukti dari penelitian dalam kecerdasan buatan bahwa tugas kognitif seperti pengenalan objek, perencanaan, dan bahkan gerakan terkoordinasi menghadirkan masalah seperti ini. Meskipun sistem klasik mampu memuaskan banyak kendala, koneksionis berpendapat bahwa model jaringan saraf menyediakan mekanisme yang jauh lebih alami untuk menangani masalah seperti itu. Ada banyak bukti dari penelitian dalam kecerdasan buatan bahwa tugas kognitif seperti pengenalan objek, perencanaan, dan bahkan gerakan terkoordinasi menghadirkan masalah seperti ini. Meskipun sistem klasik mampu memuaskan banyak kendala, koneksionis berpendapat bahwa model jaringan saraf menyediakan mekanisme yang jauh lebih alami untuk menangani masalah seperti itu.

Selama berabad-abad, para filsuf telah berjuang untuk memahami bagaimana konsep-konsep kita didefinisikan. Sekarang diakui secara luas bahwa mencoba untuk mengkarakterisasi gagasan biasa dengan kondisi yang diperlukan dan memadai akan gagal. Pengecualian untuk hampir semua definisi yang diusulkan selalu menunggu di sayap. Misalnya, orang mungkin mengusulkan bahwa harimau adalah kucing hitam dan oranye besar. Tapi bagaimana dengan harimau albino? Filsuf dan psikolog kognitif berpendapat bahwa kategori dibatasi dengan cara yang lebih fleksibel, misalnya melalui gagasan kemiripan keluarga atau kesamaan dengan prototipe. Model koneksionis tampaknya sangat cocok untuk mengakomodasi gagasan bertingkat tentang keanggotaan kategori semacam ini. Jaring dapat belajar untuk menghargai pola statistik halus yang akan sangat sulit untuk diungkapkan sebagai aturan yang keras dan cepat. Connectionism berjanji untuk menjelaskan fleksibilitas dan wawasan yang ditemukan dalam kecerdasan manusia menggunakan metode yang tidak dapat dengan mudah diungkapkan dalam bentuk prinsip bebas pengecualian (Horgan dan Tienson 1989, 1990), sehingga menghindari kerapuhan yang muncul dari bentuk standar representasi simbolik.

Terlepas dari fitur-fitur yang menarik ini, ada beberapa kelemahan dalam model koneksionis yang perlu disebutkan. Pertama, sebagian besar penelitian jaringan saraf abstrak dari banyak fitur yang menarik dan mungkin penting dari otak. Sebagai contoh, koneksionis biasanya tidak mencoba untuk secara eksplisit memodelkan berbagai jenis neuron otak, atau efek neurotransmiter dan hormon. Lebih jauh lagi, jauh dari kejelasan bahwa otak mengandung jenis koneksi terbalik yang akan diperlukan jika otak belajar melalui proses seperti backpropagation, dan banyaknya pengulangan yang diperlukan untuk metode pelatihan semacam itu tampaknya jauh dari realistis. Perhatian pada hal-hal ini mungkin akan diperlukan jika model konektifis yang meyakinkan dari pemrosesan kognitif manusia akan dibangun. Keberatan yang lebih serius juga harus dipenuhi. Secara luas dirasakan, terutama di kalangan klasikis, bahwa jaringan saraf tidak terlalu bagus dalam jenis pemrosesan berdasarkan aturan yang dianggap mendasari bahasa, penalaran, dan bentuk pemikiran yang lebih tinggi. (Untuk kritik terkenal tentang hal ini, lihat Pinker dan Prince 1988). Kita akan membahas masalah ini lebih jauh ketika kita beralih ke debat sistematisitas.

5. Bentuk Kontroversi antara Connectionists dan Klasikis

Empat puluh tahun terakhir telah didominasi oleh pandangan klasik bahwa (setidaknya lebih tinggi) kognisi manusia adalah analog dengan perhitungan simbolik dalam komputer digital. Pada akun klasik, informasi diwakili oleh serangkaian simbol, sama seperti kita merepresentasikan data dalam memori komputer atau pada selembar kertas. Sebaliknya, koneksionis mengklaim bahwa informasi disimpan secara non-simbolis dalam bobot, atau kekuatan koneksi, antara unit-unit jaring saraf. Klasikis percaya bahwa kognisi menyerupai pemrosesan digital, di mana string diproduksi secara berurutan sesuai dengan instruksi dari program (simbolis). Koneksionis memandang pemrosesan mental sebagai evolusi dinamis dan bergradasi aktivitas dalam jaringan saraf, aktivasi setiap unit tergantung pada kekuatan koneksi dan aktivitas tetangganya,sesuai dengan fungsi aktivasi.

Secara langsung, pandangan ini tampak sangat berbeda. Namun banyak koneksionis tidak melihat pekerjaan mereka sebagai tantangan untuk klasisisme dan beberapa terang-terangan mendukung gambaran klasik. Yang disebut koneksionis implementasional mencari akomodasi antara dua paradigma. Mereka berpendapat bahwa jaring otak mengimplementasikan prosesor simbolik. Benar, pikiran adalah jaring saraf; tetapi juga merupakan prosesor simbolis pada tingkat deskripsi yang lebih tinggi dan lebih abstrak. Jadi peran untuk penelitian koneksionis menurut implementasional adalah untuk menemukan bagaimana mesin yang diperlukan untuk pemrosesan simbolik dapat ditempa dari bahan jaringan saraf, sehingga pemrosesan klasik dapat direduksi menjadi akun jaringan saraf.

Namun, banyak koneksionis menolak sudut pandang implementasional. Koneksionis radikal seperti itu mengklaim bahwa pemrosesan simbolis adalah tebakan buruk tentang bagaimana pikiran bekerja. Mereka mengeluh bahwa teori klasik melakukan pekerjaan yang buruk untuk menjelaskan penurunan fungsi yang anggun, representasi holistik data, generalisasi spontan, apresiasi konteks, dan banyak fitur lain dari kecerdasan manusia yang ditangkap dalam model mereka. Kegagalan pemrograman klasik untuk mencocokkan fleksibilitas dan efisiensi kognisi manusia adalah dengan lampu mereka gejala perlunya paradigma baru dalam ilmu kognitif. Jadi koneksionis radikal akan menghilangkan pemrosesan simbolik dari ilmu kognitif selamanya.

6. Representasi Connectionist

Model koneksionis memberikan paradigma baru untuk memahami bagaimana informasi dapat direpresentasikan dalam otak. Gagasan yang menggoda tetapi naif adalah bahwa neuron tunggal (atau kumpulan saraf kecil) dapat dikhususkan untuk representasi setiap hal yang perlu dicatat oleh otak. Sebagai contoh, kita dapat membayangkan bahwa ada neuron nenek yang menyala ketika kita memikirkan nenek kita. Namun, perwakilan lokal seperti itu tidak mungkin. Ada bukti bagus bahwa pemikiran nenek kita melibatkan pola aktivitas kompleks yang didistribusikan di sebagian besar korteks.

Sangat menarik untuk dicatat bahwa distribusi, daripada representasi lokal pada unit tersembunyi adalah produk alami dari metode pelatihan koneksionis. Pola aktivasi yang muncul pada unit tersembunyi saat NETtalk memproses teks berfungsi sebagai contoh. Analisis mengungkapkan bahwa jaring belajar mewakili kategori-kategori seperti konsonan dan vokal, bukan dengan menciptakan satu unit yang aktif untuk konsonan dan yang lain untuk vokal, melainkan dalam mengembangkan dua pola karakteristik aktivitas yang berbeda di semua unit yang tersembunyi.

Mengingat harapan yang terbentuk dari pengalaman kami dengan perwakilan lokal di halaman yang dicetak, representasi yang didistribusikan tampaknya baru dan sulit untuk dipahami. Tetapi teknik ini menunjukkan keuntungan penting. Sebagai contoh, representasi terdistribusi, (tidak seperti simbol yang disimpan di lokasi memori tetap terpisah) tetap relatif terawat dengan baik ketika bagian-bagian model dihancurkan atau kelebihan beban. Lebih penting lagi, karena representasi dikodekan dalam pola daripada memecat unit individu, hubungan antara representasi dikodekan dalam persamaan dan perbedaan di antara pola-pola ini. Jadi sifat internal representasi membawa informasi tentang apa itu (Clark 1993, 19). Sebaliknya, perwakilan lokal adalah konvensional. Tidak ada sifat intrinsik dari representasi (unit 's firing) menentukan hubungannya dengan simbol lainnya. Fitur pelaporan diri dari representasi terdistribusi ini berjanji untuk menyelesaikan teka-teki filosofis tentang makna. Dalam skema representasi simbolis, semua representasi tersusun dari atom simbolik (seperti kata-kata dalam bahasa). Makna string simbol yang kompleks dapat didefinisikan dengan cara mereka dibangun dari konstituennya, tetapi apa yang memperbaiki makna atom?tapi apa yang memperbaiki arti atom?tapi apa yang memperbaiki arti atom?

Skema representasional koneksionis menyediakan akhir menjalankan teka-teki dengan hanya mengeluarkan atom. Setiap representasi terdistribusi adalah pola aktivitas di semua unit, sehingga tidak ada cara berprinsip untuk membedakan antara representasi sederhana dan kompleks. Yang pasti, representasi terdiri dari kegiatan masing-masing unit. Tetapi tidak ada satupun dari 'atom' ini yang mengkode simbol apa pun. Representasi tersebut adalah sub-simbolik dalam arti bahwa analisis ke dalam komponennya meninggalkan tingkat simbolik di belakang.

Sifat sub-simbolik dari representasi terdistribusi menyediakan cara baru untuk memahami pemrosesan informasi di otak. Jika kita memodelkan aktivitas setiap neuron dengan angka, maka aktivitas seluruh otak dapat diberikan oleh vektor raksasa (atau daftar) angka, satu untuk setiap neuron. Input otak baik dari sistem sensorik dan outputnya ke neuron otot individu juga dapat diperlakukan sebagai vektor dari jenis yang sama. Jadi otak berjumlah prosesor vektor, dan masalah psikologi diubah menjadi pertanyaan tentang operasi pada vektor yang menjelaskan aspek-aspek berbeda dari kognisi manusia.

Representasi sub-simbolik memiliki implikasi yang menarik untuk hipotesis klasik bahwa otak harus mengandung representasi simbolik yang mirip dengan kalimat bahasa. Gagasan ini, sering disebut sebagai tesis bahasa pemikiran (atau LOT) dapat ditantang oleh sifat representasi koneksionis. Tidak mudah untuk mengatakan dengan tepat seperti apa jumlah tesis LOT, tetapi van Gelder (1990) menawarkan tolok ukur yang berpengaruh dan diterima secara luas untuk menentukan kapan otak harus dikatakan mengandung representasi seperti kalimat. Itu adalah bahwa ketika suatu representasi dipatok satu dengan demikian token konstituen dari representasi itu. Sebagai contoh, jika saya menulis 'John loves Mary' saya telah menulis konstituen kalimat: 'John' 'loves' dan 'Mary'. Representasi terdistribusi untuk ekspresi kompleks seperti 'John loves Mary' dapat dibangun yang tidak mengandung representasi eksplisit bagian mereka (Smolensky 1991). Informasi tentang konstituen dapat diekstraksi dari representasi, tetapi model jaringan saraf tidak perlu secara eksplisit mengekstrak informasi ini sendiri untuk memprosesnya dengan benar (Chalmers 1990). Ini menunjukkan bahwa model jaringan saraf berfungsi sebagai contoh tandingan terhadap gagasan bahwa bahasa pemikiran merupakan prasyarat untuk kognisi manusia. Namun, masalah ini masih menjadi topik perdebatan yang ramai (Fodor 1997).tetapi model jaringan saraf tidak perlu secara eksplisit mengekstraksi informasi ini sendiri untuk memprosesnya dengan benar (Chalmers 1990). Ini menunjukkan bahwa model jaringan saraf berfungsi sebagai contoh tandingan terhadap gagasan bahwa bahasa pemikiran merupakan prasyarat untuk kognisi manusia. Namun, masalah ini masih menjadi topik perdebatan yang ramai (Fodor 1997).tetapi model jaringan saraf tidak perlu secara eksplisit mengekstraksi informasi ini sendiri untuk memprosesnya dengan benar (Chalmers 1990). Ini menunjukkan bahwa model jaringan saraf berfungsi sebagai contoh tandingan terhadap gagasan bahwa bahasa pemikiran merupakan prasyarat untuk kognisi manusia. Namun, masalah ini masih menjadi topik perdebatan yang ramai (Fodor 1997).

Kebaruan penyimpanan informasi koneksionis terdistribusi dan ditumpangkan secara alami menyebabkan orang bertanya-tanya tentang kelayakan gagasan klasik komputasi simbolik dalam menggambarkan otak. Ramsey (1997) berpendapat bahwa meskipun kita dapat mengaitkan representasi simbolis dengan jaring saraf, atribusi tersebut tidak menggambarkan penjelasan yang sah dari perilaku model. Klaim ini penting karena penjelasan klasik dari proses kognitif, (dan intuisi rakyat) menganggap bahwa representasi memainkan peran yang jelas dalam memahami pikiran. Sudah banyak yang berpikir bahwa ilmu kognitif membutuhkan, pada dasarnya, penjelasan yang menarik bagi representasi (Von Eckardt 2003). Jika Ramsey benar, intinya mungkin memotong dua cara yang berbeda. Beberapa mungkin menggunakannya untuk memperdebatkan pemahaman pikiran yang baru dan non-klasik,sementara yang lain akan menggunakannya untuk berpendapat bahwa koneksionisme tidak memadai karena tidak dapat menjelaskan apa yang harus dilakukan. Namun, Haybron (2000) berpendapat melawan Ramsey bahwa ada banyak ruang untuk representasi dengan peran penjelas dalam arsitektur koneksionis radikal. Roth (2005) membuat poin menarik yang bertentangan dengan kesan pertama, mungkin juga masuk akal untuk menjelaskan perilaku jaring dengan merujuk ke program komputer, bahkan jika tidak ada cara untuk membedakan urutan langkah-langkah perhitungan melalui waktu.mungkin juga masuk akal untuk menjelaskan perilaku jaring dengan merujuk ke program komputer, bahkan jika tidak ada cara untuk membedakan urutan langkah-langkah perhitungan melalui waktu.mungkin juga masuk akal untuk menjelaskan perilaku jaring dengan merujuk ke program komputer, bahkan jika tidak ada cara untuk membedakan urutan langkah-langkah perhitungan melalui waktu.

Perdebatan tentang kehadiran representasi klasik dan bahasa pemikiran telah dikaburkan oleh kurangnya kejelasan dalam mendefinisikan apa yang harus dihitung sebagai "kendaraan" representasional dalam model saraf terdistribusi. Shea (2007) menyatakan bahwa individuasi representasi terdistribusi harus didefinisikan dengan cara pola aktivasi pada cluster unit tersembunyi bersama-sama. Ini adalah hubungan antara daerah pengelompokan dalam ruang kemungkinan pola aktivasi yang membawa konten representasional, bukan aktivasi itu sendiri, atau kumpulan unit yang bertanggung jawab untuk aktivasi. Pada pemahaman ini, prospek ditingkatkan untuk menemukan konten representasional dalam jaring saraf yang dapat dibandingkan dalam jaring arsitektur yang berbeda, yang secara kausal terlibat dalam pemrosesan,dan yang mengatasi beberapa keberatan terhadap penjelasan makna secara holistik.

Dalam serangkaian makalah Horgan dan Tienson (1989, 1990) telah memperjuangkan pandangan yang disebut representasi tanpa aturan. Menurut pandangan ini, klasikis benar untuk berpikir bahwa otak manusia (dan model koneksionis yang baik dari mereka) mengandung representasi yang jelas kuat; tetapi mereka salah untuk berpikir bahwa representasi tersebut masuk ke aturan keras dan cepat seperti langkah-langkah program komputer. Gagasan bahwa sistem koneksionis dapat mengikuti keteraturan bertingkat atau perkiraan ("hukum lunak" sebagaimana Horgan dan Tienson menyebutnya) adalah intuitif dan menarik. Namun, Aizawa (1994) berpendapat bahwa dengan memberikan jaringan syaraf yang sewenang-wenang dengan deskripsi level representasi, selalu mungkin untuk mengenakannya dengan aturan level representasi yang keras dan cepat. Guarini (2001) menjawab bahwa jika kita memperhatikan pengertian aturan berikut yang berguna untuk pemodelan kognitif,Konstruksi Aizawa tampaknya tidak penting.

7. Debat Sistematisitas

Poin utama kontroversi dalam literatur filosofis tentang koneksionisme berkaitan dengan apakah koneksionis menyediakan paradigma yang layak dan baru untuk memahami pikiran. Satu keluhan adalah bahwa model koneksionis hanya pandai memproses asosiasi. Tetapi tugas-tugas seperti bahasa dan penalaran tidak dapat diselesaikan dengan metode asosiatif saja dan oleh karena itu koneksionis tidak mungkin cocok dengan kinerja model klasik dalam menjelaskan kemampuan kognitif tingkat tinggi ini. Namun, ini adalah masalah sederhana untuk membuktikan bahwa jaringan saraf dapat melakukan apa saja yang dapat dilakukan oleh prosesor simbolik, karena jaring dapat dibangun yang meniru sirkuit komputer. Jadi keberatannya tidak bisa karena model koneksionis tidak memperhitungkan kognisi yang lebih tinggi; melainkan bahwa mereka dapat melakukannya hanya jika mereka menerapkan klasikis 's alat pengolah simbolis. Koneksionisme implementasional mungkin berhasil, tetapi koneksionis radikal tidak akan pernah bisa menjelaskan pikiran.

Fodor dan Pylyshyn sering mengutip makalah (1988) meluncurkan debat semacam ini. Mereka mengidentifikasi fitur kecerdasan manusia yang disebut sistematisitas yang mereka rasa tidak bisa dijelaskan oleh koneksionis. Sistematika bahasa mengacu pada fakta bahwa kemampuan untuk menghasilkan / memahami / berpikir beberapa kalimat secara intrinsik terhubung dengan kemampuan untuk menghasilkan / memahami / berpikir orang lain dari struktur terkait. Misalnya, tidak ada orang dengan perintah bahasa Inggris yang mengerti 'John loves Mary' dapat gagal memahami 'Mary loves John.' Dari sudut pandang klasik, hubungan antara dua kemampuan ini dapat dengan mudah dijelaskan dengan mengasumsikan bahwa master bahasa Inggris mewakili konstituen ('John', 'loves' dan 'Mary') dari 'John loves Mary' dan menghitung maknanya dari arti dari konstituen ini. Jika demikian,kemudian memahami kalimat novel seperti 'Mary love John' dapat dianggap sebagai contoh lain dari proses simbolik yang sama. Dengan cara yang sama, pemrosesan simbolik akan menjelaskan sistematisitas penalaran, pembelajaran, dan pemikiran. Ini akan menjelaskan mengapa tidak ada orang yang mampu menyimpulkan P dari P & (Q & R), tetapi tidak mampu menyimpulkan P dari P & Q, mengapa tidak ada orang yang mampu belajar untuk memilih kubus merah ke kotak hijau yang tidak dapat belajar untuk lebih memilih kubus hijau daripada kotak merah, dan mengapa tidak ada orang yang dapat berpikir bahwa Yohanes mencintai Maria yang juga tidak dapat berpikir bahwa Maria mencintai Yohanes. Ini akan menjelaskan mengapa tidak ada orang yang mampu menyimpulkan P dari P & (Q & R), tetapi tidak mampu menyimpulkan P dari P & Q, mengapa tidak ada orang yang mampu belajar untuk memilih kubus merah ke kotak hijau yang tidak dapat belajar untuk lebih memilih kubus hijau daripada kotak merah, dan mengapa tidak ada orang yang dapat berpikir bahwa Yohanes mencintai Maria yang juga tidak dapat berpikir bahwa Maria mencintai Yohanes. Ini akan menjelaskan mengapa tidak ada orang yang mampu menyimpulkan P dari P & (Q & R), tetapi tidak mampu menyimpulkan P dari P & Q, mengapa tidak ada orang yang mampu belajar untuk memilih kubus merah ke kotak hijau yang tidak dapat belajar untuk lebih memilih kubus hijau daripada kotak merah, dan mengapa tidak ada orang yang dapat berpikir bahwa Yohanes mencintai Maria yang juga tidak dapat berpikir bahwa Maria mencintai Yohanes.

Fodor dan McLaughlin (1990) berpendapat secara rinci bahwa koneksionis tidak memperhitungkan sistematisitas. Meskipun model koneksionis dapat dilatih untuk menjadi sistematis, mereka juga dapat dilatih, misalnya, untuk mengenali 'John love Mary' tanpa bisa mengenali 'Mary love John.' Karena koneksionisme tidak menjamin sistematisitas, itu tidak menjelaskan mengapa sistematisitas ditemukan begitu luas dalam kognisi manusia. Sistematisitas mungkin ada dalam arsitektur koneksionis, tetapi jika ada, itu tidak lebih dari kecelakaan yang beruntung. Solusi klasik jauh lebih baik, karena dalam model klasik, sistematisitas luas datang secara gratis.

Tuduhan bahwa koneksionis kurang beruntung dalam menjelaskan sistematisitas telah menghasilkan banyak minat. Chalmers (1993) menunjukkan bahwa argumen Fodor dan Pylyshyn terbukti terlalu banyak, karena itu mensyaratkan bahwa semua jaring saraf, bahkan yang menerapkan arsitektur klasik, tidak menunjukkan sistematis. Mengingat kesimpulan yang tidak kontroversial bahwa otak adalah jaringan syaraf, maka akan mengikuti bahwa sistematisitas tidak mungkin dalam pemikiran manusia. Titik bantahan lain yang sering disebutkan (Aizawa 1997; Matthews 1997; Hadley 1997b) adalah bahwa arsitektur klasik tidak lebih baik dalam menjelaskan sistematisitas. Ada juga model klasik yang dapat diprogram untuk mengenali 'John love Mary' tanpa bisa mengenali 'Mary loves John.'Intinya adalah bahwa baik penggunaan arsitektur koneksionis saja maupun penggunaan arsitektur klasik saja tidak memiliki batasan yang cukup kuat untuk menjelaskan sistematisitas luas. Dalam kedua arsitektur, asumsi lebih lanjut tentang sifat pemrosesan harus dibuat untuk memastikan bahwa 'Mary mencintai John' juga diproses.

Sebuah diskusi tentang hal ini harus menyebutkan persyaratan Fodor dan McLaughlin bahwa sistematisitas dijelaskan sebagai masalah kebutuhan nomik, yaitu, sebagai masalah hukum kodrat. Keluhan terhadap koneksionis adalah bahwa sementara mereka dapat menerapkan sistem yang menunjukkan sistematis, mereka tidak akan menjelaskannya kecuali itu mengikuti dari model mereka sebagai kebutuhan nomik. Namun, permintaan akan kebutuhan nomik adalah permintaan yang sangat kuat, dan yang tidak dapat dipenuhi oleh arsitektur klasik. Jadi satu-satunya taktik untuk mengamankan keberatan yang mengatakan kepada koneksionis di sepanjang garis ini adalah dengan melemahkan persyaratan pada penjelasan sistematisitas untuk satu yang arsitektur klasik bisa dan koneksionis tidak bisa bertemu. Kasus meyakinkan semacam ini belum dibuat.

Ketika debat sistematisitas telah berkembang, perhatian telah difokuskan pada penentuan tolok ukur yang akan menjawab tantangan Fodor dan Pylyshyn. Hadley (1994a, 1994b) membedakan tiga merek sistematis. Kaum koneksionis telah dengan jelas menunjukkan yang terlemah ini dengan menunjukkan bahwa jaring saraf dapat belajar mengenali urutan kata-kata baru dengan benar (misalnya, 'Mary mencintai John') yang tidak ada dalam rangkaian pelatihan. Namun, Hadley mengklaim bahwa sanggahan yang meyakinkan harus menunjukkan sistematisitas yang kuat, atau sistematisitas semantik yang lebih baik. Sistematika yang kuat akan mensyaratkan (paling tidak) bahwa 'Mary love John' diakui bahkan jika 'Mary' tidak pernah muncul dalam posisi subjek dalam kalimat apa pun dalam set pelatihan. Sistematika semantik yang kuat akan membutuhkan juga bahwa jaring menunjukkan kemampuan pada pemrosesan semantik yang benar dari kalimat-kalimat baru daripada sekadar membedakan tata bahasa dari bentuk-bentuk yang tidak sesuai tata bahasa. Niklasson dan van Gelder (1994) telah mengklaim sukses dengan sistematisitas yang kuat, meskipun Hadley mengeluh bahwa ini adalah kasus batas terbaik. Hadley dan Hayward (1997) menangani sistematis semantik yang kuat, tetapi menurut pengakuan Hadley sendiri, tidak jelas bahwa mereka telah menghindari penggunaan arsitektur klasik. Boden dan Niklasson (2000) mengklaim telah membangun model yang memenuhi setidaknya semangat sistematis semantik yang kuat, tetapi Hadley (2004) berpendapat bahwa bahkan sistematis yang kuat belum ditunjukkan di sana. Apakah seseorang mengambil pandangan positif atau negatif dari upaya ini,aman untuk mengatakan bahwa tidak ada seorang pun yang memenuhi tantangan menyediakan jaringan syaraf yang mampu mempelajari pemrosesan semantik rumit yang digeneralisasikan ke berbagai masukan yang benar-benar baru.

Kent Johnson (2004) berpendapat bahwa seluruh perdebatan sistematika salah arah. Upaya-upaya untuk mendefinisikan dengan sistimatis bahasa atau pemikiran membuat kita dengan mudahnya hal-hal sepele atau kepalsuan. Kaum koneksionis jelas telah menjelaskan hal yang harus dilakukan, tetapi Johnson merekomendasikan bahwa tidak ada gunanya melihat beban mereka di bawah rubrik sistematisitas. Apa yang dibutuhkan sebagai gantinya adalah pengembangan model jaringan saraf yang mampu memproses bahasa dengan sintaksis rekursif, yang segera bereaksi terhadap pengenalan item baru dalam leksikon. Debat 'sistematisitas' mungkin sudah berjalan seperti yang disarankan Johnson, karena apa yang Hadley sebut sebagai sistematis semantik yang kuat tampaknya merupakan ukuran keberhasilan yang baik ke arah itu.

8. Connectionism dan Kesamaan Semantik

Salah satu daya tarik representasi terdistribusi dalam model koneksionis adalah bahwa mereka menyarankan solusi untuk masalah menentukan makna keadaan otak. Idenya adalah bahwa persamaan dan perbedaan antara pola aktivasi sepanjang dimensi yang berbeda dari aktivitas saraf merekam informasi semantik. Dengan cara ini, sifat kesamaan aktivasi saraf memberikan sifat intrinsik yang memperbaiki makna. Namun, Fodor dan Lepore (1992, Bab 6) menantang akun berdasarkan kesamaan di dua front. Masalah pertama adalah bahwa otak manusia mungkin sangat bervariasi dalam jumlah dan koneksi antara neuron-neuron mereka. Meskipun mudah untuk menentukan ukuran kesamaan pada dua jaring yang berisi jumlah unit yang sama, lebih sulit untuk melihat bagaimana hal ini dapat dilakukan ketika arsitektur dasar dari dua jaring berbeda. Masalah kedua yang dikutip Fodor dan Lepore adalah bahwa meskipun ukuran kesamaan untuk makna dapat dibuat dengan sukses, mereka tidak memadai untuk tugas memenuhi desiderata yang harus dipenuhi oleh teori makna.

Churchland (1998) menunjukkan bahwa yang pertama dari dua keberatan ini dapat dipenuhi. Mengutip karya Laakso dan Cottrell (2000) ia menjelaskan bagaimana kesamaan mengukur antara pola aktivasi dalam jaring dengan struktur yang sangat berbeda dapat didefinisikan. Tidak hanya itu, Laakso dan Cottrell menunjukkan bahwa jaring dari struktur berbeda yang dilatih untuk tugas yang sama mengembangkan pola aktivasi yang sangat mirip sesuai dengan langkah-langkah yang mereka rekomendasikan. Ini menawarkan harapan bahwa langkah-langkah yang didefinisikan secara empiris tentang kesamaan konsep dan pemikiran di antara individu yang berbeda dapat dipalsukan.

Di sisi lain, pengembangan teori makna tradisional berdasarkan kesamaan menghadapi kendala berat (Fodor dan Lepore 1999), karena teori seperti itu akan diperlukan untuk menetapkan kalimat kondisi kebenaran berdasarkan analisis makna bagian mereka, dan tidak jelas bahwa kesamaan saja tergantung pada tugas-tugas seperti memperbaiki denotasi dengan cara yang diminta oleh teori standar. Namun, sebagian besar koneksionis yang mengedepankan kesamaan makna berdasarkan akun menolak banyak anggapan teori standar. Mereka berharap untuk membuat alternatif kerja yang baik menolak atau memodifikasi anggapan-anggapan tersebut sambil tetap setia pada data tentang kemampuan linguistik manusia.

Calvo Garzon (2003) mengeluh bahwa ada alasan untuk berpikir bahwa koneksionis harus gagal. Tanggapan Churchland tidak memiliki jawaban untuk tantangan informasi jaminan. Masalahnya adalah bahwa kesamaan yang diukur antara pola aktivasi untuk suatu konsep (katakanlah: nenek) dalam dua otak manusia dijamin sangat rendah karena informasi (jaminan) dua orang tentang nenek mereka (nama, penampilan, usia, karakter) akan menjadi sangat berbeda. Jika konsep didefinisikan oleh semua yang kita tahu, maka langkah-langkah untuk pola aktivasi konsep kita terikat sangat jauh. Ini adalah masalah yang benar-benar mendalam dalam teori apa pun yang berharap untuk mendefinisikan makna oleh hubungan fungsional antara keadaan otak. Para filsuf dari banyak kalangan harus bergumul dengan masalah ini. Mengingat kurangnya teori konsep yang berhasil dikerjakan baik dalam paradigma tradisional atau koneksionis, hanya adil untuk meninggalkan pertanyaan untuk penelitian masa depan.

9. Connectionism dan Eliminasi Psikologi Rakyat

Aplikasi penting lain dari penelitian koneksionis untuk debat filosofis tentang pikiran berkaitan dengan status psikologi rakyat. Psikologi rakyat adalah struktur konseptual yang kami terapkan secara spontan untuk memahami dan memprediksi perilaku manusia. Misalnya, mengetahui bahwa John menginginkan bir dan bahwa ia percaya ada satu di dalam kulkas memungkinkan kami untuk menjelaskan mengapa John hanya pergi ke dapur. Pengetahuan seperti itu sangat tergantung pada kemampuan kita untuk memahami orang lain sebagai memiliki keinginan dan tujuan, rencana untuk memuaskan mereka, dan keyakinan untuk membimbing rencana itu. Gagasan bahwa orang memiliki keyakinan, rencana, dan keinginan adalah hal yang lumrah dalam kehidupan sehari-hari; tetapi apakah itu memberikan deskripsi yang setia tentang apa yang sebenarnya dapat ditemukan di otak?

Para pembela akan berpendapat bahwa psikologi rakyat terlalu bagus untuk menjadi salah (Fodor 1988, Bab 1). Apa lagi yang bisa kita minta kebenaran sebuah teori selain dari itu memberikan kerangka kerja yang sangat diperlukan untuk negosiasi yang berhasil dengan orang lain? Di sisi lain, eliminativists akan menanggapi bahwa penggunaan yang berguna dan meluasnya skema konseptual tidak memperdebatkan kebenarannya (Churchland 1989, Bab 1). Para astronom kuno menemukan bahwa gagasan tentang bola langit bermanfaat (bahkan penting) untuk pelaksanaan disiplin mereka, tetapi sekarang kita tahu bahwa tidak ada bola angkasa. Dari sudut pandang eliminativis, kesetiaan pada psikologi rakyat, seperti kesetiaan pada fisika rakyat (Aristotelian), menghalangi kemajuan ilmiah. Psikologi yang layak mungkin memerlukan revolusi radikal dalam landasan konseptualnya seperti yang ditemukan dalam mekanika kuantum.

Eliminativists tertarik pada koneksionisme karena menjanjikan untuk memberikan landasan konseptual yang dapat menggantikan psikologi rakyat. Misalnya Ramsey et al. (1991) berpendapat bahwa jaring umpan-maju tertentu menunjukkan bahwa tugas kognitif sederhana dapat dilakukan tanpa menggunakan fitur yang dapat sesuai dengan keyakinan, keinginan dan rencana. Menganggap bahwa jaring seperti itu setia pada cara kerja otak, konsep psikologi rakyat berjalan tidak lebih baik daripada ruang angkasa. Apakah model koneksionis merusak psikologi rakyat dengan cara ini masih kontroversial. Ada dua garis respons utama terhadap klaim bahwa model koneksionis mendukung kesimpulan eliminatif. Salah satu keberatan adalah bahwa model yang digunakan oleh Ramsey et al. adalah feed forward nets, yang terlalu lemah untuk menjelaskan beberapa fitur kognitif yang paling mendasar seperti memori jangka pendek. Ramsey et al. belum menunjukkan bahwa keyakinan dan keinginan harus absen di kelas jaring yang memadai untuk kognisi manusia. Baris kedua bantahan menantang klaim bahwa fitur yang sesuai dengan keyakinan dan keinginan tentu tidak ada bahkan dalam jaring umpan maju yang dipermasalahkan (Von Eckardt 2005).

Pertanyaannya semakin rumit dengan ketidaksepakatan tentang sifat psikologi rakyat. Banyak filsuf memperlakukan keyakinan dan keinginan yang didalilkan oleh psikologi rakyat sebagai keadaan otak dengan isi simbolis. Misalnya, kepercayaan bahwa ada bir di dalam lemari es dianggap sebagai keadaan otak yang berisi simbol-simbol yang terkait dengan bir dan lemari es. Dari sudut pandang ini, nasib psikologi rakyat sangat terkait dengan hipotesis pemrosesan simbolik. Jadi jika koneksionis dapat menetapkan bahwa pemrosesan otak pada dasarnya non-simbolis, kesimpulan eliminativis akan mengikuti. Di sisi lain, beberapa filsuf tidak berpikir psikologi rakyat pada dasarnya simbolis, dan beberapa bahkan akan menantang gagasan bahwa psikologi rakyat harus diperlakukan sebagai teori. Di bawah konsepsi ini,jauh lebih sulit untuk menjalin hubungan antara hasil dalam penelitian koneksionis dan penolakan psikologi rakyat.

Bibliografi

  • Aizawa, K., 1994, “Representasi tanpa Aturan, Koneksiisme dan Argumen Sintaksis,” Synthese, 101: 465–492.
  • Aizawa, K., 1997, “Menjelaskan Sistematisitas,” Pikiran dan Bahasa, 12: 115–136.
  • Aizawa, K., 1997, “Memperlihatkan versus Menjelaskan Sistematisitas: Jawaban untuk Hadley dan Hayward,” Minds and Machines, 7: 39–55.
  • Bechtel, W., 1987, “Connectionism and the Philosophy of Mind: an Overview,” The Southern Journal of Philosophy, 26 (Tambahan): 17–41.
  • Bechtel, W., 1988, “Connectionism and Rules and Representation Systems: Are They Compatible ?,” Philosophical Psychology, 1: 5–15.
  • Bechtel, W., dan Abrahamsen, A., 1990, Connectionism and the Mind: Pengantar Pemrosesan Paralel di Jaringan, Cambridge, Mass.: Blackwell.
  • Boden, M. dan Niklasson, L., 2000, “Sistematisitas Semantik dan Konteks dalam Jaringan Connectionist,” Connection Science, 12: 111–142.
  • Butler, K., 1991, "Menuju Arsitektur Kognitif Connectionist," Pikiran dan Bahasa, 6: 252-272.
  • Calvo Garzon, F., 2003, "Semantic Connectionist dan Tantangan Informasi Jaminan," Pikiran dan Bahasa, 18: 77-94.
  • Chalmers, D., 1990, "Transformasi Sintaksis pada Representasi Terdistribusi," Connection Science, 2: 53-62.
  • Chalmers, D., 1993, "Mengapa Fodor dan Pylyshyn Salah: Sanggahan Yang Paling Sederhana," Philosophical Psychology, 6 (3): 305–319.
  • Christiansen, M., dan Chater, N., 1994, “Generalisasi dan Pembelajaran Bahasa Connectionist,” Pikiran dan Bahasa, 9: 273–287.
  • Churchland, PM, 1995, The Engine of Reason, the Seat of the Soul: Perjalanan Filosofis ke Otak, Cambridge, Mass.: MIT Press.
  • Churchland, PM, 1998, “Kesamaan Konseptual lintas Keragaman Sensorik dan Saraf: The Fodor / Lepore Challenge Dijawab,” Journal of Philosophy, 95: 5–32.
  • Churchland, PM, 1989, A Perspektif Neurocomputational: Sifat Pikiran dan Struktur Ilmu, Cambridge, Mass.: MIT Press.
  • Clark, A., 1989, Microcognition, Cambridge, Mass.: MIT Press.
  • Clark, A., 1993, Mesin Asosiatif, Cambridge, Mass.: MIT Press.
  • Clark, A., 1995, “Connectionist Minds,” dalam McDonald (1995), 339–356.
  • Clark, A., dan Lutz, R. (eds.), 1992, Connectionism in Context, Springer.
  • Cotrell G., dan Small, S., 1983, “Skema Connectionist untuk Pemodelan Disambiguasi Kata Sense,” Cognition and Brain Theory, 6: 89–120.
  • Cummins, R., 1991, “Peran Representasi dalam Penjelasan Connectionist dari Kapasitas Kognitif,” dalam Ramsey, Stich dan Rumelhart (1991), 91–114.
  • Cummins, R., 1996, "Systematicity," Journal of Philosophy, 93 (22): 561–614.
  • Cummins, R., dan Schwarz, G., 1991, "Connectionism, Computation, and Cognition," dalam T. Horgan dan J. Tienson (1991), 60-73.
  • Davies, M., 1989, "Connectionism, Modularity and Tacit Knowledge," Jurnal Inggris untuk Philosophy of Science, 40: 541-555.
  • Davies, M., 1991, "Konsep, Koneksiisme dan Bahasa Pemikiran," dalam Ramsey et al. (1991), 229–257.
  • Dinsmore, J. (ed.), 1992, Paradigma Simbolik dan Connectionist: Menutup Gap, Hillsdale, NJ: Erlbaum.
  • Elman, JL, 1991, "Representasi Terdistribusi, Jaringan Berulang Sederhana, dan Struktur Tata Bahasa," dalam Touretzky (1991), 91-122.
  • Fodor, J., 1988, Psychosemantics, Cambridge, Mass.: MIT Press.
  • Fodor, J., 1997, "Connectionism dan Masalah Sistematisitas: Mengapa Solusi Smolensky Masih Tidak Berfungsi," Cognition, 62: 109–119.
  • Fodor, J., dan Lepore, E., 1992, Holism: A Shopper's Guide, Cambridge: Blackwell.
  • Fodor, J., dan Lepore, E., 1999, "All at Sea di Space Semantic: Churchland on Meaning Similarity," Journal of Philosophy, 96: 381-403.
  • Fodor, J., dan McLaughlin, B., 1990, "Connectionism dan Masalah Sistematisitas: Mengapa Solusi Smolensky Tidak Bekerja," Cognition, 35: 183-204.
  • Fodor, J., dan Pylyshyn, Z., 1988, “Connectionism and Cognitive Architecture: a Critical Analysis,” Cognition, 28: 3–71.
  • Garfield, J., 1997, "Mentalese Not Spoken Here: Computation Cognition and Causation," Philosophical Psychology, 10: 413-435.
  • Garson, J., 1991, “Apa yang Tidak Dapat Dilakukan Para Koneksionis: Ancaman terhadap AI Klasik,” dalam T. Horgan dan J. Tienson (1991), 113–142.
  • Garson, J., 1994, “Kognisi tanpa Arsitektur Klasik,” Synthese, 100: 291–305.
  • Garson, J., 1997, “Sintaksis dalam Otak yang Dinamis,” Synthese, 110: 343–355.
  • Guarini, M., 2001, “Pertahanan Koneksiisme Terhadap Argumen Sintaksis,” Synthese, 128: 287–317.
  • Hadley, R., 1994a, "Sistematisitas dalam Pembelajaran Bahasa Connectionist," Mind and Language, 9: 247-271.
  • Hadley, R., 1994b, "Systematicity Revisited," Mind and Language, 9: 431-444.
  • Hadley, R., 1997a, “Menjelaskan Sistematisitas: Jawaban untuk Kenneth Aizawa,” Minds and Machines, 7: 571–579.
  • Hadley, R., 1997b, “Kognisi, Sistematisitas, dan Kebutuhan Nomik,” Pikiran dan Bahasa, 12: 137–153.
  • Hadley, R., 2004, “Tentang Perlakuan yang Tepat atas Sistematisitas Semantik,” Minds and Machines, 14: 145–172.
  • Hadley, R., dan Hayward, M., 1997, “Sistematisitas Semantik yang Kuat dari Pembelajaran Koneksi Yahudi,” Minds and Machines, 7: 1-37.
  • Hanson, J., dan Kegl, J., 1987, "PARSNIP: Jaringan Connectionist yang Mempelajari Tata Bahasa Bahasa Alami dari Paparan Kalimat Bahasa Alami," Konferensi Tahunan Kesembilan Cognitive Science Society, Hillsdale, NJ: Erlbaum, hlm. 106 –119.
  • Hatfield, G., 1991, "Representasi dalam Persepsi dan Kognisi: Keterkaitan Connectionist," dalam Ramsey et al. (1991), 163–195.
  • Hatfield, G., 1991, "Representasi dan Instansiasi Aturan dalam Sistem Connectionist," di T. Horgan dan J. Tienson (1991), 90-112.
  • Hawthorne, J., 1989, “Tentang Kesesuaian Model Koneksi dan Klasik,” Psikologi Filsafat, 2: 5–15.
  • Haybron, D., 2000, “Peran Kausal dan Penjelasan dari Informasi Yang Disimpan dalam Jaringan Connectionist,” Minds and Machines, 10: 361–380.
  • Hinton, G., 1992, “Bagaimana Jaringan Saraf Belajar dari Pengalaman,” Scientific American, 267 (3): 145–151.
  • Hinton, G. (ed.), 1991, Connectionist Symbol Processing, Cambridge, Mass.: MIT Press.
  • Hinton, G., 1991a, "Memetakan Bagian-Seluruh Hirarki ke dalam Connectionist Networks," dalam Hinton (1991), 47-76.
  • Hinton, G., McClelland, J., dan Rumelhart, D., 1986, "Representasi Terdistribusi," Bab 3 dari Rumelhart, McClelland, et al. (1986).
  • Horgan, T., dan Tienson, J., 1989, “Representations without Rules,” Philosophical Topics, 17: 147–174.
  • Horgan, T., dan Tienson, J., 1990, "Hukum Lunak," Studi Midwest dalam Filsafat, 15: 256-279.
  • Horgan, T., dan Tienson, J. (eds.), 1991, Connectionism and the Philosophy of Mind, Dordrecht: Kluwer.
  • Horgan, T., dan Tienson, J., 1996, Connectionism and the Philosophy of Psychology, Cambridge, Mass.: MIT Press.
  • Johnson, K., 2004, “Tentang Sistematisitas Bahasa dan Pemikiran,” Journal of Philosophy, 101: 111–139.
  • Laakso, A., dan Cotrell, G., 2000, "Konten dan Analisis Cluster: Menilai Representasi Kesamaan dalam Sistem Saraf," Philosophical Psychology, 13: 47-76.
  • Macdonald, C. (ed.), 1995, Connectionism: Debat Penjelasan Psikologis, Oxford: Blackwell.
  • Matthews, R., 1997, "Bisakah Connectionists menjelaskan Systematicity?" Pikiran dan Bahasa, 12: 154–177.
  • Marcus, G., 1998, "Memikirkan Kembali Connectionism Eliminative," Cognitive Psychology, 37: 243-282.
  • Marcus, G., 2001, Pikiran Aljabar, Cambridge, Mass.: MIT Press.
  • McClelland, J., dan Elman, J., 1986, “Model TRACE of Speech Perception,” Cognitive Psychology, 18: 1–86.
  • McClelland, J., Rumelhart, D., et al., 1986, Pemrosesan Terdistribusi Paralel, Volume II, Cambridge, Mass.: MIT Press.
  • McLaughlin, B., 1993, "Pertempuran Connectionisme / Klasisisme untuk Memenangkan Jiwa," Studi Filsafat, 71: 163–190.
  • Miikkulainen, T., 1993, Pemrosesan Bahasa Alam Subsimbbolik: Sebuah Model Naskah, Leksikon dan Memori Terpadu, Cambridge, Mass.: MIT Press.
  • Niklasson, L., dan van Gelder, T., 1994, “On Being Systematically Connectionist,” Mind and Language, 9: 288–302.
  • Phillips, S., 2002, “Apakah Klasisisme Menjelaskan Universalitas?” Pikiran dan Mesin, 12: 423-434.
  • Pinker, S., dan Mehler, J. (eds.), 1988, Connections and Symbols, Cambridge, Mass.: MIT Press.
  • Pinker, S., dan Prince, A., 1988, "Tentang Bahasa dan Connectionism: Analisis Model Pemrosesan Pendistribusian Bahasa yang Didistribusikan Secara Paralel," Cognition, 23: 73–193.
  • Pollack, J., 1989, "Implikasi Representasi Terdistribusi Recursive," dalam Touretzky (1989), 527-535.
  • Pollack, J., 1991a, “Induction of Dynamical Recognizers,” dalam Touretzky (1991), 123–148.
  • Pollack, J., 1991b, “Representasi Terdistribusi Rekursif,” dalam Hinton (1991), 77–106.
  • Port, Robert, F., 1990, "Representasi dan Pengakuan Pola Temporal," Connection Science, 2: 151–176.
  • Port, R., dan van Gelder, T., 1991, "Mewakili Aspek Bahasa," Prosiding Konferensi Tahunan Ketiga Belas dari Cognitive Science Society, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., 1997, "Apakah Representasi Connectionist Mendapatkan Penjelasan Tetap?" Pikiran dan Bahasa, 12: 34-66.
  • Ramsey, W., Stich, S., dan Rumelhart, D., 1991, Teori Filsafat dan Connectionist, Hillsdale, NJ: Erlbaum.
  • Ramsey, W., Stich, S., dan Garon, J., 1991, "Connectionism, Eliminativism, dan Masa Depan Psikologi Rakyat," dalam Ramsey, Rumelhart dan Stich (1991), 199–228.
  • Roth, M., 2005, "Eksekusi Program di Jaringan Connectionist," Pikiran dan Bahasa, 20: 448-467.
  • Rumelhart, D., dan McClelland, J., 1986, "On Learning the Past Tenses of English Verbs," dalam McClelland dan Rumelhart et al. (1986), 216-271.
  • Rumelhart, D., McClelland, J., et al., 1986, Pemrosesan Terdistribusi Paralel, vol. I, Cambridge, Mass.: MIT Press.
  • Schwarz, G., 1992, "Connectionism, Processing, Memory," Connection Science, 4: 207–225.
  • Sejnowski, T., dan Rosenberg, C., 1987, “Jaringan paralel yang Belajar Mengucapkan Teks Bahasa Inggris,” Complex Systems, 1: 145–168.
  • Servan-Schreiber, D., Cleeremans, A., dan McClelland, J., 1991, "Mesin Bertingkat Negara: Representasi Kontinjensi Temporal dalam Jaringan Berulang Sederhana," dalam Touretzky (1991), 57-89.
  • Shastri.
  • Shea, N., 2007, "Konten dan Kendaraannya dalam Sistem Connectionist," Pikiran dan Bahasa, 22: 246-269.
  • Shultz T. dan Bale, A., 2001, "Simulasi Jaringan Syaraf dari Sosialisasi Bayi ke Kalimat Buatan," Infancy, 2: 501-536.
  • Shultz T. dan Bale, A., 2006, "Jaring Saraf Temukan Hubungan Identitas Mendekat dengan Membedakan Bentuk Sintaksis Sederhana," Minds and Machines, 16: 107–139.
  • Smolensky, P., 1987, "Struktur Konstituen Negara Mental Connectionist: A Reply to Fodor dan Pylyshyn," The Southern Journal of Philosophy, 26 (Tambahan): 137–161.
  • Smolensky, P., 1988, “Tentang Perawatan yang Tepat dari Connectionism,” Behavioral and Brain Sciences, 11: 1–74.
  • Smolensky, P., 1991, "Tensor Product Variabel Binding dan Representasi Struktur Simbolik dalam Sistem Connectionist," di Hinton (1991), 159-216.
  • Smolensky, P., 1995, "Struktur Konstituen dan Penjelasan dalam Arsitektur Kognitif Koneksionis Terpadu / Simbolik," dalam MacDonald (1995).
  • St John, M., dan McClelland, J., 1991, “Belajar dan Menerapkan Kendala Kontekstual dalam Pemahaman Kalimat,” dalam Hinton (1991), 217–257.
  • Tomberlin, J. (ed.), 1995, Perspektif Filsafat 9: AI, Connectionism dan Philosophical Psychology, Atascadero: Ridgeview Press.
  • Touretzky, D., 1989, Kemajuan dalam Sistem Pemrosesan Informasi Saraf I, San Mateo, CA: Kaufmann.
  • Touretzky, D., 1990, Kemajuan dalam Sistem Pemrosesan Informasi Saraf II, San Mateo, CA: Kaufmann.
  • Touretzky, D., 1991, Pendekatan Connectionist untuk Belajar Bahasa, Dordrecht: Kluwer.
  • Touretzky, D., Hinton, G., dan Sejnowski, T., 1988, Prosiding 1988 Connectionist Models Summer School, San Mateo: Kaufmann.
  • van Gelder, T., 1990, "Compositionality: Variasi Connectionist pada Tema Klasik," Cognitive Science, 14: 355-384.
  • van Gelder, T., 1991, "Apa 'D' di PDP?" dalam Ramsey et al. (1991), 33–59.
  • van Gelder, T dan Port, R., 1993, "Beyond Symbolic: Prolegomena ke Kama-Sutra Compositionality," dalam V. Honavar dan L. Uhr (Eds.), Pemrosesan Simbol dan Model Connectionist dalam AI dan Kognisi: Langkah Menuju Integrasi, Boston: Academic Press.
  • Vilcu, M., dan Hadley, R., 2005, “Dua Tandingan Contoh 'bagi Marcus: Pandangan yang Lebih Dekat,” Minds and Machines, 15: 359–382.
  • Von Eckardt, B., 2003, "Kebutuhan Penjelasan untuk Representasi Mental dalam Ilmu Kognitif," Mind and Language, 18: 427-439.
  • Von Eckardt, B., 2005, "Koneksiisme dan Sikap Proposisi," dalam C. Erneling dan D. Johnson (eds.), Pikiran sebagai Objek Ilmiah: Antara Otak dan Budaya, New York: Oxford University Press.
  • Waltz, D., dan Pollack, J., 1985, “Parsing Paralel Masifif: Model Interpretasi Bahasa Alam yang Sangat Interaktif,” Cognitive Science, 9: 51-74.

Sumber Daya Internet lainnya

  • Bibliografi tentang Connectionism, disusun oleh David Chalmers (University of Arizona).
  • Connectionism: Daftar Bacaan Pendek, dikelola oleh Ezra van Everbroeck (Universitas California-San Diego).