АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Когнитивная модель

Когнити́вная моде́ль — в когнитивной психологии и когнитивной науке теоретическая или вычислительная конструкция, предназначенная для формализации, объяснения и прогнозирования структуры и динамики психических процессов, лежащих в основе восприятия, научения, памяти, мышления, принятия решений и речевой деятельности[1].

Общие сведения
Когнитивная модель
Область использования Психология, Когнитивная наука, Когнитивное моделирование

Определение

Когнитивная модель — это структурированное описание процесса обработки информации в когнитивной системе. В отличие от общепсихологических теорий, когнитивные модели обладают тремя отличительными признаками: они формулируются на формальных, математических или компьютерных языках; они строятся на основе эксплицитных допущений о когнитивной архитектуре; они позволяют провести эмпирическую проверку, сопоставляя прогнозы модели с поведением людей в контролируемых экспериментальных ситуациях. Когнитивная модель не ограничивается описанием наблюдаемого поведения, но предлагает механистическое объяснение внутренних процессов. Она отвечает на вопрос «как именно происходит действие». Это отличие когнитивных моделей от более общих концептуальных теорий, таких как гипотеза «уровней обработки» Ф. Крейка (англ. Craik, F. I. M.) и Р. Локхарта (англ. Lockhart, R. S.) (1972), которая представляет собой теоретическую основу, но не имеет практического применения[2].

Отличие от когнитивных архитектур

В науке принято различать когнитивные модели и когнитивные архитектуры, хотя чёткой границы между ними нет. Когнитивные архитектуры (например, ACT‑R, Soar, LIDA) описывают, как устроена вся когнитивная система в целом. Они задают общие правила, внутри которых работают все мыслительные процессы. Это «скелет» или «операционная система» для когнитивной системы. Когнитивные модели, напротив, обычно сосредоточены на чём-то одном. Это может быть:

  • один конкретный процесс (например, как человек запоминает список слов);
  • взаимодействие двух процессов (например, как зрительный поиск связан с принятием решения);
  • поведение в какой-то узкой задаче (например, как осваивают новую компьютерную программу).

Между ними существует взаимная связь: модели помогают обнаружить слабые места в архитектуре, а архитектура даёт основу для создания новых моделей[3][4].

Типология когнитивных моделей

В современной литературе выделяют три основных класса когнитивных моделей, различающихся по принципам организации и способам формализации.

Модели «блок-схема»

Модели этого типа представляют когнитивную систему как совокупность функциональных блоков («ящиков»), соединённых каналами передачи информации («стрелками»). Ключевая идея заключается в том, что переработка информации происходит в дискретных, последовательных этапах. Каждый блок завершает свою операцию прежде, чем передать результат следующему. Наиболее известными примерами являются:

  1. Мультикомпонентная модель памяти Аткинсона — Шиффрина (1968). Первоначально модель включала два компонента: долговременную и кратковременную память. Позже был добавлен третий компонент: сенсорная память (отдельные регистры для каждого органа чувств, служащие буферной зоной перед поступлением информации в кратковременную память). Кратковременная память служит временным хранилищем для новой информации и используется для когнитивных задач, понимания и научения[5].
  2. Модель рабочей памяти Бэддели (1974/2000). В 1974 году была предложена трёхкомпонентная модель: центральный исполнитель, фонологическая петля и визуально-пространственный блокнот. В 2000 году в модель был добавлен четвёртый элемент: эпизодический буфер. Он временно хранит информацию в мультимодальном коде и соединяет данные из вспомогательных систем и долговременной памяти в единое эпизодическое представление. Осознание считается ключевым механизмом извлечения информации из буфера[6].
  3. Модель фильтра Бродбента (1958) представляет собой одну из первых теорий избирательного внимания. Она предполагает, что существует центральный процессор, который может обрабатывать только один сенсорный канал за определённый промежуток времени. При этом пропускная способность процессора ограничена. Фильтрация осуществляется на основе физических характеристик стимула до обработки его значения, что позволяет относить эту модель к «ранней селекции»[7].
  4. Модель супервайзерной системы внимания Нормана и Шаллиса (1986). Модель различает два уровня контроля поведения. Первый: автоматическая подстройка конфликтующих схем (Contention Scheduling). Обеспечивает выполнение рутинных, хорошо отработанных действий без участия сознания. Второй: супервайзерная система внимания (Supervisory Attentional System, SAS). Включается в новых или сложных ситуациях, где автоматических процессов недостаточно, и осуществляет высший контроль, планирование и принятие решений. Допускается возможность дробления SAS на различные субпроцессы[8].

Такие модели эффективны для описания макроструктуры когнитивных процессов и широко используются в педагогической и клинической практике, однако они не объясняют микро-механизмы (например, как именно нейронная активность реализует вычислительные шаги).

Вычислительные модели

Вычислительные модели — это особый вид когнитивных моделей, которые реализованы в виде компьютерных программ или математических уравнений. Их главное преимущество: способность давать точные, количественные прогнозы. Например, предсказывать, сколько времени человеку потребуется на выполнение задания, как часто он будет ошибаться и какие именно ошибки будет совершать[9].

Типы моделей

Внутри этого класса выделяют три основных типа моделей. Символьные модели работают с явными символами и правилами, похожими на те, что используются в логике или программировании. Они имитируют процессы рассуждения, планирования и решения задач. Классические примеры: архитектуры ACT‑R и Soar[10]. В них знания представлены в виде правил вида «если — то» (например: «если цель перейти улицу и горит зелёный свет, то начать движение»). Символьные модели хороши для описания логического мышления и решения задач, где важны чёткие правила[11].

Субсимвольные (коннекционистские) модели устроены иначе. Они основаны на принципах работы мозга и представляют собой искусственные нейронные сети. Знания в них хранятся не в виде отдельных правил или символов, а в виде числовых коэффициентов, которые определяют силу связей между множеством простых элементов-нейронов. Эти модели особенно эффективны там, где нужно научиться распознавать образы на основе примеров. Например, отличать рукописную букву «А» от «Б», классифицировать медицинские снимки или понимать речь. Они устойчивы к помехам и способны обучаться на большом количестве данных.

Гибридные модели пытаются объединить сильные стороны двух предыдущих подходов. Они сочетают способность символьных систем к логическому рассуждению с умением нейронных сетей обучаться на данных и находить статистические закономерности. Подобное сочетание даёт возможность разрабатывать более эффективные и адаптивные модели, способные как применять существующие правила, так и обучаться на основе нового опыта. Выбор между этими типами моделей зависит от того, какой аспект познания изучается. Символьные модели незаменимы при исследовании логического мышления и решения задач, коннекционистские — при изучении научения, распознавания образов и работы памяти, а гибридные подходы перспективны для создания максимально реалистичных моделей сложного поведения[12][13].

Динамические системы

Классические работы в этом направлении включают моделирование ассоциативной (адресуемой по содержанию) памяти с помощью сети Хопфилда. Изучение того, как рекуррентные нейронные сети способны извлекать грамматические и семантические закономерности из временно́й последовательности слов, а также объяснение «А-не-В» ошибки — феномена, при котором дети продолжают искать предмет в том месте, где они его видели в последний раз, даже если они уже знают, что он был перемещён. Это происходит из-за комплексного взаимодействия множества факторов, таких как память, внимание и развитие моторики, в реальном времени, а не из-за какого-либо когнитивного дефицита[14][15].

Философские основания: интернализм и экстернализм

В методологии когнитивного моделирования выделяют два противоположных философских подхода. Интернализм (классическая позиция) утверждает, что процесс познания может быть полностью объяснён с помощью внутренних представлений, без привлечения внешних факторов. Когнитивная модель — это система, которая работает по принципу замкнутого цикла. Она получает информацию извне, обрабатывает её и преобразует в команды, которые затем используются для выполнения задач. Экстернализм, представленный концепцией «расширенного разума», утверждает, что внешние объекты (записи, инструменты, цифровые устройства) являются активными участниками когнитивных процессов, образуя с организмом «связанную систему»[16][17]. Примером экстерналистского подхода служит нейрокогнитивная модель «мать — плод», в которой развитие познания объясняется, в том числе, функцией среды[18].

Процесс разработки и валидации

Построение когнитивной модели — итеративный процесс, включающий несколько этапов.

  1. Феноменологическое наблюдение — выделение устойчивого когнитивного феномена (например, эффекта прайминга или типичных ошибок в силлогизмах).
  2. Формализация гипотезы — перевод психологической гипотезы на формальный язык (математические уравнения, продукционные правила, архитектуру нейронной сети).
  3. Компьютерная симуляция — реализация модели в виде исполняемой программы.
  4. Сравнение с эмпирическими данными — сопоставление предсказаний модели с поведением человека по нескольким критериям: точность воспроизведения результатов, предсказательная сила (способность предвидеть исходы новых экспериментов), бережливость (предпочтение более простой модели при равной объяснительной способности).
  5. Ревизия и уточнение — при обнаружении расхождений модель модифицируется, и цикл повторяется.

Особую ценность представляют модели, которые не только воспроизводят средние показатели, но и предсказывают распределение ошибок, индивидуальные различия и нейрофизиологические корреляты (например, с помощью интеграции данных фМРТ или ЭЭГ). Такие модели называются биологически обоснованными или нейрокогнитивными[19][20].

Прикладное значение

Когнитивные модели применяются в фундаментальных исследованиях для проверки конкурирующих теорий памяти, внимания, мышления и речи. В прикладной области они используются для[21][22][23]:

  1. Прогнозирования эффективности обучения и профессиональной деятельности (модели классификации примеров, зрительного поиска);
  2. Проектирования интерфейсов человек-компьютер и систем поддержки принятия решений (например, в авиации и медицине);
  3. Разработки когнитивных тренажёров и реабилитационных программ (модели нарушений при шизофрении, инсульте, черепно-мозговой травме);
  4. Исследование когнитивных механизмов экспертного распознавания в профессиональных областях (медицинская диагностика, полевая идентификация биологических объектов).

Критика и ограничения

У когнитивных моделей есть не только достоинства, но и недостатки. Модели типа «блок-схема» являются слишком поверхностными. Модели, которые изображают психику в виде блоков и стрелок (например, схема «сенсорная память — рабочая память — долговременная память»), хорошо описывают, какие этапы проходит информация. Однако они не раскрывают нейронные механизмы, лежащие в основе когнитивных процессов.

Модели, используемые в вычислениях, могут быть «перенастроены». Такие модели обычно содержат большое количество настраиваемых параметров. Если параметров слишком много, модель может идеально воспроизвести данные, на которых она была обучена, но при этом не сможет справиться с новыми, неизвестными ей данными. Это явление называется «переподгонкой». В результате модель хорошо описывает прошлые данные, но плохо предсказывает будущие.

Модели, которые описывают психические процессы как непрерывные (например, обучение движениям или развитие речи у детей), хорошо работают в ситуациях, где всё происходит плавно и постепенно. Однако они не могут объяснить сложные процессы, такие как планирование или логическое мышление, где нет простых и непрерывных зависимостей.

Подавляющее большинство когнитивных моделей разработано на основе данных, полученных от взрослых представителей западных, образованных, промышленно развитых, богатых и демократических обществ (так называемые WEIRD-выборки). Это ставит под вопрос универсальность таких моделей и их применимость к представителям иных культурных групп. В связи с этим одним из приоритетных направлений когнитивной науки становится разработка моделей, учитывающих кросс-культурные различия и индивидуальные особенности познавательных процессов[24][25][26].

Примечания

  1. ↑ Jorna, R. J. Cognitive Modeling: Research Logic in Cognitive Science. In N. J. Smelser, P. B. Baltes (Eds.) (англ.) // International Encyclopedia of the Social & Behavioral Sciences, Elsevier Science. — 2001. — P. 2126–2130.
  2. ↑ Craik, F. I. M., Lockhart, R. S. Levels of processing: A retrospective commentary on a framework for memory research. (англ.) // Canadian Journal of Psychology, 44(1). — 1990. — P. 87–112.
  3. ↑ Cerone A. Towards a Cognitive Architecture for the Formal Analysis of Human Behaviour and Learning (англ.) // Software Technologies: Applications and Foundations, Springer International Publishing. — 2018. — P. 216—232.
  4. ↑ Ukov T., Sharabov M., Tsochev G. A Systematic Review of the Need for Conceptual Models of Imagery Experiences (англ.). mdpi.com. Department of Information Technologies in Industry, Faculty of Computer Systems and Technology, Technical University of Sofia (2025).
  5. ↑ Atkinson, R. C., Shiffrin, R. M. Human memory: A proposed system and its control processes. In K. W. Spence & J. T. Spence (Eds.) (англ.) // The psychology of learning and motivation, Academic Press. — 1968. — No. 2. — P. 89–195.
  6. ↑ Alan Baddeley. The episodic buffer: a new component of working memory? (англ.) // Trends in Cognitive Sciences. — 2000-11. — Vol. 4, iss. 11. — P. 417–423. — ISSN 1364-6613. — doi:10.1016/s1364-6613(00)01538-2.
  7. ↑ Broadbent, D. E. Perception and communication. — Pergamon Press, 1958. — ISBN 0198521715.
  8. ↑ Norman, D. A., Shallice, T. Attention to action: Willed and automatic control of behaviour. In G. E. Schwartz, D. Shapiro (Eds.) (англ.) // Consciousness and self-regulation, Plenum Press. — 1986. — No. 4.
  9. ↑ Величковский, Б. М. . Когнитивная наука. Основы психологии познания: учебник для вузов. — 2-е изд. — М.: Юрайт, 2026. — С. 108-126, 141-153, 216-222. — ISBN 978-5-534-18366-5.
  10. ↑ Frank E. Ritter, Farnaz Tehranchi, Jacob D. Oury. ACT‐R: A cognitive architecture for modeling cognition (англ.) // WIREs Cognitive Science. — 2018-12-07. — Vol. 10, iss. 3. — ISSN 1939-5086 1939-5078, 1939-5086. — doi:10.1002/wcs.1488.
  11. ↑ Разумникова, О. М.   Когнитивная архитектура познавательной деятельности при ее моделировании и психофизиологической оценке // Успехи физиологических наук. — 2023. — Т. 54, № 3. — С. 90-104.
  12. ↑ Sébastien Hélie, Ron Sun. Autonomous learning in psychologically-oriented cognitive architectures: A survey (англ.) // New Ideas in Psychology. — 2014-08. — Т. 34. — С. 37–55. — ISSN 0732-118X. — doi:10.1016/j.newideapsych.2014.03.002.
  13. ↑ Suyog Chandramouli, Danqing Shi, Aini Putkonen, Sebastiaan De Peuter, et al. A Workflow for Building Computationally Rational Models of Human Behavior (англ.) // Computational Brain & Behavior. — 2024-08-15. — Vol. 7, iss. 3. — P. 399–419. — ISSN 2522-087X 2522-0861, 2522-087X. — doi:10.1007/s42113-024-00208-6.
  14. ↑ J J Hopfield. Neural networks and physical systems with emergent collective computational abilities. (англ.) // Proceedings of the National Academy of Sciences. — 1982-04. — Vol. 79, iss. 8. — P. 2554–2558. — ISSN 1091-6490 0027-8424, 1091-6490. — doi:10.1073/pnas.79.8.2554.
  15. ↑ Thelen, E., Smith, L. B. A Dynamic Systems Approach to the Development of Cognition and Action. — MIT Press, 1997.
  16. ↑ Clark, A., Chalmers, D. The extended mind (англ.) // Analysis, 58(1). — 1998. — P. 7–19.
  17. ↑ Adams, F., Aizawa, K. The bounds of cognition (англ.) // Philosophical Psychology, 14(1). — 2001. — P. 43–64.
  18. ↑ Igor Val Danilov. Child Cognitive Development with the Maternal Heartbeat: A Mother-Fetus Neurocognitive Model and Architecture for Bioengineering Systems (англ.) // Lecture Notes in Information Systems and Organisation. — Cham: Springer Nature Switzerland, 2024. — P. 216–223. — ISBN 978-3-031-75328-2, 978-3-031-75329-9. — doi:10.1007/978-3-031-75329-9_24.
  19. ↑ G. Strube. Cognitive Modeling: Research Logic in Cognitive Science (англ.) // International Encyclopedia of the Social & Behavioral Sciences. — Elsevier, 2001. — P. 2124–2128. — ISBN 978-0-08-043076-8. — doi:10.1016/B0-08-043076-7/00588-X.
  20. ↑ Laura M. Hiatt, Connor Brooks, J. Gregory Trafton. Validating and Refining Cognitive Process Models Using Probabilistic Graphical Models (англ.) // Topics in Cognitive Science. — 2022-05-24. — Vol. 14, iss. 4. — P. 873–888. — ISSN 1756-8765 1756-8757, 1756-8765. — doi:10.1111/tops.12616.
  21. ↑ Hendriyani, Y., Anwar, M., Hidayat, H., Sabrina, E. Predicting academic performance based on students’ HOTS, cognitive structure, prior knowledge, and trait thinking using ANFIS model (англ.) // TEM Journal, 14(3). — 2025. — P. 2402–2410.
  22. ↑ Marois, A., Labonté, K., Lafond, D., Neyedli, H. F., Tremblay, S. Cognitive and behavioral impacts of two decision-support modes for judgmental bootstrapping (англ.) // Proceedings of the Human Factors and Ergonomics Society, 17(3), Sage Publications. — 2023. — P. 215–235.
  23. ↑ Jastrzembski, T. S., Gluck, K. A. Predicting learning and retention in a complex task. In C. Silbert (Ed.) (англ.) // Proceedings of the 22nd International Conference on Cognitive Modelling (ICCM 2024), Applied Cognitive Science Lab. — 2024. — P. 125–130.
  24. ↑ Pitt, M. A., Myung, I. J., Zhang, S. When a good fit can be bad (англ.) // Trends in Cognitive Sciences, 6(10), PubMed / Elsevier. — 2002. — P. 421–425.
  25. ↑ Joseph Henrich, Steven J. Heine, Ara Norenzayan. The weirdest people in the world? (англ.) // Behavioral and Brain Sciences. — 2010-06. — Vol. 33, iss. 2—3. — P. 61–83. — ISSN 1469-1825 0140-525X, 1469-1825. — doi:10.1017/S0140525X0999152X.
  26. ↑ Sam Whitman McGrath, Jacob Russin, Ellie Pavlick, Roman Feiman. How Can Deep Neural Networks Inform Theory in Psychological Science? (англ.) // Current Directions in Psychological Science. — 2024-09-11. — Vol. 33, iss. 5. — P. 325–333. — ISSN 1467-8721 0963-7214, 1467-8721. — doi:10.1177/09637214241268098.

Литература

Категории