Meine ursprüngliche Absicht war es, ein konnektionistisches Modell zu ent wickeln, welches für eine möglichst breite Palette von Lernvorgängen, am besten für das gesamte Gebiet des Lernens, angewandt werden kann. Diese Idee wurde relativ schnell wieder verworfen, da die Konsequenz gewesen wäre, viele Bereiche nur oberflächlich zu berühren. Statt dessen wurde mit dem Klassifikationslernen ein begrenzter, aber zentraler Bereich des Lernens herausgegriffen. Ausgehend von einzelnen speziellen empirischen Phänome nen wurde hierzu ein modulares konnektionistisches Modell entwickelt. Da bei habe ich jedoch immer darauf geachtet, jede Modellkomponente so zu konstruieren, daß sie nicht nur für ein einzelnes Phänomen, sondern mög lichst universell einsetzbar ist. Im Nachhinein erwies sich dieses Vorgehen als produktiver Weg für die Modellentwicklung und kann als Beleg für die Annahme gesehen werden, daß verschiedene Anwendungsbereiche zwar unterschiedliche Lemrnechanismen erfordern, die zugrunde liegenden Infor mationsverarbeitungsstrukturen jedoch in wesentlichen Aspekten gleich sind. Das Gebiet des Klassifikationslernens schließlich ist keinesfalls so begrenzt wie zu Beginn angenommen. Daher entstand letztendlich doch ein Modell mit breiter Anwendungspalette - nicht weit von meinem ursprünglichen Ziel entfernt. Die hier vorliegende Arbeit basiert auf meiner Habilitationsschrift. Insbe sondere der zweite Teil ist jedoch gegenüber der ursprünglichen Fassung (Heydemann, 1997) wesentlich verändert. Die Darstellung des Modells in Kapitel 6 wurde geändert. Die Details der Experimente in den Kapiteln 7 und 8 fallen weg, so daß diese Kapitel deutlich gekürzt sind. Die Kapitel 10 und 11 habe ich um wesentliche Punkte erweitert und neu geschrieben.
Lernen von Kategorien jetzt bestellen!
Weitere Infos & Material
1 Überblick über experimentelle Befunde und Modelle zum Lernen von Kategorien beim Menschen.- 1. Einleitung.- 2. Lernen von unabhängigen Reizkomponenten.- 3. Prototypische Reize und Gedächtnisrepräsentationen.- 4. Exemplarorientierte Modelle und Experimente.- 5. Lernen weniger Regeln (Hypothesenmodelle).- 2 Das IAK-Modell und seine experimentelle Prüfung.- 6. Ein Modell des adaptiven konfiguralen Lernens: Das IAK-Grundmodell.- 7. Anwendungen des Grundmodells I: Lernen weniger Exemplare.- 8. Anwendungen des Grundmodells II: Lernen von Prototypen.- 9. Das erweiterte IAK-Modell: Mechanismen zur Beeinflussung von Art und Intensität des Lernens.- 10. Ein umfassendes Modell zum Klassifikationslernen.- 11. Anwendungen des IAK-Modells in den Kognitionswissenschaften.- 12. Schlußbemerkungen.- Anhang A: Simulation der unterschiedlichen Vergessensraten im holographischen Modell CHARM.- Anhang B: Modifikation von ALCOVE.- Anhang C: Berechnung von Modellvorhersagen für das Experiment zur Reizspeicherung (Kapitel 7, S. 113f).- Literatur.- Personenregister.
Dr. Martin Heydemann ist Privatdozent an der Technischen Universität Darmstadt und vertritt zur Zeit eine Professur in Chemnitz. Die hier angezeigte Arbeit wurde 1997 als Habilitationsschrift an der TU Darmstadt angenommen.
