Logiki niemonotoniczne w modelowaniu umysłu
Opublikowano
stycznia 3, 2025
Seria
Copyright (c) 2025 Słowniki Społeczne
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License.
Streszczenie
DEFINICJA POJĘCIA: Logiki niemonotoniczne odbiegają od klasycznych zasad wnioskowania, ponieważ nie zachowują zasady, według której jeśli zdanie wynika z pewnego określonego zbioru przesłanek, to wynika również z sumy tego zbioru z dowolnym zbiorem (tzw. zasada monotoniczności). Zadaniem logiki niemonotonicznej w modelach umysłu jest odzwierciedlenie sposobu ludzkiego myślenia. Stanowią one odpowiednie narzędzie do tworzenia formalnych modeli umysłu, ponieważ adekwatnie uchwytują subtelności w potocznym rozumowaniu, takie jak pomijanie przesłanek czy wprowadzanie nowych założeń sprzecznych z poprzednimi.
ANALIZA HISTORYCZNA POJĘCIA: Od początku badań prowadzonych w ramach współczesnej filozofii umysłu, czyli mniej więcej od drugiej połowy XX wieku, modele umysłu oparte były na obliczeniowości. Jednak do opisu mechanizmów działania skomplikowanych procesów mentalnych potrzeba było czegoś więcej niż logiki klasycznej. Analogowe przetwarzanie informacji zastąpiono rozproszonym, a algorytmy wykorzystywane w symulacji ludzkich zdolności, jak uczenie się, stawały się coraz bardziej wyrafinowane. Obecnie renesans przeżywa kodowanie predykcyjne, które jednak często stosuje się w połączeniu z logikami niemonotonicznymi.
UJĘCIE PROBLEMOWE POJĘCIA: Logiki niemonotoniczne można wykorzystać do modelowania zarówno na poziomie przetwarzania informacji neuronalnej, jak i formowania postaw propozycjonalnych. Z jednej strony bowiem niemonotoniczne wnioskowania w sieci neuronalnej są schematami zdefiniowanymi w terminach wektorów aktywności neuronalnej. Z drugiej strony mogą być traktowane jako struktura propozycjonalna, gdyż są powiązane niemonotoniczną relacją konsekwencji.
REFLEKSJA SYSTEMATYCZNA Z WNIOSKAMI I REKOMENDACJAMI: Zaletą korzystania z logik niemonotonicznych do modelowania umysłu jest to, że wspierają one tworzenie formalnych mechanizmów akumulacji wiedzy konceptualnej, czyli propozycjonalnej. Modele takie pokazują, w jaki sposób tworzona jest dynamiczna sieć przekonań podmiotu, np. w metapoznaniu.
Downloads
Download data is not yet available.
Bibliografia
Balkenius, C., & Gärdenfors, P. (1991). Nonmonotonic Inferences in Neural Networks. W: J. Allen, R. Fikes, & E. Sandewall (Red.), Principles of Knowledge Representation and Reasoning. Proceedings of the Second International Conference (KR91) (s. 32–39). California: Morgan Kaufmann Publishers.
Blutner, R. (2004). Nonmonotonic Inferences and Neural Networks. W: W. van der Hoek (Red.), Information, Interaction and Agency (s. 203–234). Berlin: Springer, Dordrecht. DOI: 10.1007/1-4020-4094-6_7.
Churchland, P.M. (2002). Mechanizm rozumu, siedlisko duszy. Filozoficzna podróż w głąb mózgu, Warszawa: Aletheia.
Fodor, J.A. (1999). Jak grać w reprezentacje umysłowe – poradnik Fodora. Przeł. A. Putko. W: Z. Chlewiński (Red.), Modele umysłu. Warszawa: PWN.
Friston, K.J. (2009). The free-energy principle: A rough guide to the brain? Trends in Cognitive Sciences, 13(7), 293–301. DOI: 10.1016/j.tics.2009.04.005.
Gärdenfors, P., & Makinson, D. (1994). Nonmonotonic inference based on expectations. Artificial Intelligence, 65(2), 197–245. DOI: 10.1016/0004-3702(94)90017-5.
Jarmużek, T. (2007). Book Review: David Makinson, “Bridges from Classical to Nonmonotonic Logic”, King’s College Publications, London, 2005, pp. 216, ISBN 1-904987-00-1. Logic and Logical Philosophy, 16, 259–262. DOI: 10.12775/LLP.2007.007.
Makinson, D. (2008). Od logiki klasycznej do niemonotonicznej. Przeł. T. Jarmużek. Toruń: Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika.
Makinson, D. (2005). Bridges from Classical to Nonmonotonic Logic. Text in Computing, 5. London: King’s College Publications.
Malinowski, J., (1997). Logiki niemonotoniczne. Czy logika jest nauką kognitywną? Przegląd Filozoficzny – Nowa seria, R. VI, 1(21), 31–53.
Marciszewski, W. (Red.) (1987). Logika formalna. Zarys encyklopedyczny z zastosowaniem do lingwistyki i informatyki. Warszawa: PWN.
Moore, R.C., (1985). Semantical considerations on nonmonotonic logic. Artifical Intelligence, 25(1), 75–94.
Mota, T., Sridharan, M., & Leonardis, A. (2021). Integrated Commonsense Reasoning and Deep Learning for Transparent Decision Making in Robotics. SN Computer Science, 2(4), 242. DOI: 10.1007/s42979-021-00573-0.
Poole, D. (1988). A logical framework for default reasoning. Artificial Intelligence, 36(1), 27–47.
Przymusinski, T.C. (1997). Autoepistemic logic of knowledge and beliefs. Artificial Intelligence, 95(1), 115–154. DOI: 10.1016/S0004-3702(97)00032-5.
Riley, H., & Sridharan, M. (2019). Integrating Non-monotonic Logical Reasoning and Inductive Learning With Deep Learning for Explainable Visual Question Answering. Frontiers in Robotics and AI, 6(125). DOI: 10.3389/frobt.2019.00125.
Seth, A.K. (2015). The Cybernetic Bayesian Brain – From Interoceptive Inference to Sensorimotor Contingencies. W: T. Metzinger, & J.M. Windt (Red.). Open MIND, 35, 1–24. DOI: 10.15502/9783958570108.
Sequeda, J. (2012, 30 listopada). Introduction to: Open World Assumption vs Closed World Assumption, Dataversity. Pobrano z: https://www.dataversity.net/introduction-to-open-world-assumption-vs-closed-world-assumption/# (dostęp: 30.11.2022).
