Предисловие редактора перевода (стр. 39 из 67)

Возьмем конкретный пример. Допустим, что Р — это "драгоценные камни". Рассмотрим теперь утверждение "некоторые минералы суть драгоценные камни". На первом этапе проверки просматриваются множества, которые пересекаются с множеством "драгоценные камни" (т. е. имеют с ним общих членов). К их числу относятся такие классы, как "алмазы", а также "минералы", поскольку многие минералы суть одновременно и драгоценные камни. Таким образом, истинность утверждения может быть проверена. Если бы слово S было "птицы" ("некоторые птицы суть драгоценные камни"), первый этап привел бы к отрицательному ответу, поскольку ни один из членов класса "птиц" не является членом также и класса "драгоценных камней". Если же проверяется истинность утверждения "все рубины суть драгоценные камни", то тогда на первом этапе будет обнаружено соответствие. Однако наличие слова "все" потребует проведения также и второго этапа. Для этого придется сравнить все атрибуты драгоценных камней (они дорого стоят, используются в ювелирном деле и т. д.) с атрибутами рубинов. Если атрибуты тех и других совпадают — а в данном случае это так и есть, ибо рубины тоже стоят дорого, используются в ювелирном деле и т. д., — то истинность утверждения установлена. Если же нет, как в случае "все писатели — женщины", то утверждение будет отвергнуто. В последнем случае на первом этапебудет обнаружено соответствие, поскольку множество "писатели" пересекается с множеством "женщины", но на втором этапе будет получен отрицательный ответ.

Теоретико-множественная модель типа мейеровской позволяет объяснить эффекты величины класса, подобные тем, которые были рассмотрены выше. Чтобы это понять, мы должны сначала указать на принятое в этой модели предположение о неслучайности поиска пересекающихся классов, производимого на первом этапе. Классы, пересекающиеся с Р, обследуются в порядке, соответствующем степени пересечения, причем наиболее сильно пересекающиеся классы проверяются в первую очередь. Это означает, что чем меньше число членов, не являющихся общими для S и Р, тем быстрее будет обнаружен на первом этапе факт пересечения S и Р, так как он выявится на более ранней стадии обследования всех тех .классов, которые пересекаются с Р. Тем самым получает объяснение эффект величины класса: чем больше Р по сравнению с S, тем меньше они будут пересекаться и тем больше потребуется времени для нахождения S на первом этапе поисков. Например, если S — "канарейки", а Р — "птицы", то пересечение S и Р сильнее, чем в том случае, если Р — "животные" (этот класс больше, чем класс "птицы"). Таким образом, если Р — "птицы", то при обследовании пересекающихся с Р классов "канарейки" будут обнаружены быстрее и время реакции будет меньше, чем если Р — "животные". Это и приведет к обычному эффекту величины класса. Однако модель Мейера не объясняет нарушения эффектов величины, наблюдаемого в тех случаях, когда величина не соответствует близости (см. Rips а. о" 1973); почему, например, в случае "кошка — млекопитающее" проверка занимает больше времени, чем в случае "кошка — животное"?

МОДЕЛЬ ДП, ОСНОВАННАЯ НА СЕМАНТИЧЕСКИХ ПРИЗНАКАХ

Одна из моделей, порожденных теоретико-множественным подходом, — это модель Смита, Шобена и Рипса, основанная на семантических признаках (Rips а. о., 1973; Smith а. о., 1974). Преимущество ее состоит в том, что она может объяснить обсуждавшиеся выше эффекты близости, т. е. позволяет понять, почему степень близости лучше коррелирует с временем реакции, наблюдаемым при проверке, чем величина класса, и почему "типичность" различных представителей для данного класса, измеряемая по реакции испытуемых, может варьировать. В модели, основанной на семантических признаках, тот или иной семантический класс может быть представлен в ДП как набор атрибутов, или признаков. Кроме того, предполагается, что набор признаков очень обширен и включает как признаки, существенные для определения данного класса, так и относительно маловажные признаки. Скорее всего признаки данного класса образуют непрерывный ряд от очень важных для его определения до несущественных. Возьмем, например, слово "малиновка". Оно может быть представлено в ДП в виде совокупности следующих признаков: "двуногие", "имеют крылья", "имеют красную прудку", "сидят на деревьях", "не приручены". Первые три признака, вероятно, более важны для определения понятия "малиновка", чем два последних. (Конечно, этот перечень неполон, но в принципе мы могли бы иметь исчерпывающий набор признаков, характеризующих значение слова "малиновка".)

Обычно на такой непрерывной шкале признаков можно выбрать произвольную точку, отделяющую более важные (определительные) признаки от менее важных (всего лишь характерных). В модели, основанной на признаках, определительным признакам придается большее значение в задачах проверки истинности, чем характерным признакам. (В нашем примере с "малиновкой" первые три признака можно считать определительными, а остальные-характерными.)

Рассмотрим теперь, как могли бы изменяться наборы признаков при переходе от названия такого класса, как "малиновки", к стоящему над ним классу "птицы". Поскольку понятие "птица" более абстрактное, более общее, у него будет меньше определительных признаков. В самом деле, поскольку все малиновки относятся к птицам, все определительные признаки понятия "птица" должны быть также приложимы к понятию "малиновка", а у малиновки должно быть, кроме того, еще много своих дополнительных признаков. Вообще чем более абстрактна данная категория, тем меньше будет у нее определительных признаков.

Выше были указаны главные предположения о структуре ДП, принимаемые в модели, основанной на признаках. Ее центральная идея -существование семантических признаков, которые могут в сочетании друг с другом передавать смысл понятий, — не нова ни для лингвистов, ни для психологов(см., например, Katz a. Fodor, 1963; Miller, 1972; Osgood, 1952). Новое в модели Смита, Шобена и Рипса — это предполагаемый характер семантических признаков и связанный с ним способ интерпретации данных, получаемых при изучении семантической памяти. Кроме того, авторы модели попытались сами получить экспериментальные результаты, подтверждающие мысль о роли признаков. Рипс и его сотрудники (Rips а. о., 1973) собрали "оценки близости" для групп понятий, т. е. данные о том, насколько тесно ассоциируютсяразличные представители некоторого класса (например, курица, утка, воробей и т.п.) с названием этого класса (птицы) и между собой. Эти оценки можно представить в виде расстояний. Например, высокие оценки близости между двумя понятиями можно отобразить как малые расстояния между ними. Существуют даже машинные методы для перевода таких оценок сходства в расстояния. Эти методы позволяют предста.вить различные понятия точками в гипотетическом многомерном пространстве. Расстояния между точками в этом пространстве можно интерпретировать как "психологические" расстояния между соответствующими понятиями. И действительно, эти расстояния отражают (в обратном соотношении) первоначальные оценки сходства: чем ближе расположены точки для двух понятий, тем более сходными кажутся нам эти понятия. Кроме того, размерность получающегося пространства позволяет судить о психологической основе оценок близости.

На рис. 8.5 показаны двумерные пространства, построенные на основании оценок близости понятий "птица" и "млекопитающее". Рипс и его сотрудники интерпретируют эту схему следующим образом. Они предполагают, что при первоначальных оценках близости испытуемые опирались на хранящиеся в ДП семантические признаки: о близости двух понятий они судили по наличию у них общих признаков. А это в свою очередь означает, что координаты получаемых двумерных пространств могут указывать на те семантические признаки, которые использовались испытуемыми при оценке близости. Создается, например, впечатление, что горизонтальная ось нa рис. 8.5 соответствует величине объекта. В пространстве птиц ястреб и орел — крупные птицы — находятся у левого края, а такие мелкие птички, как малиновка, у правого края. В пространстве млекопитающих крупные животные — олень и медведь — тоже оказываются на одной стороне, а мышь — на другой. Вертикальную ось в обоих пространствах можно связать с чем-то вроде "хищности", понимая под этим степень, в которой данные животные используют в качестве пищи других. В пространстве млекопитающих дикие и домашние животные находятся на противоположных концах этой оси; в пространстве птиц хищные виды отделены от домашних. Поскольку эти два пространства были получены независимо одно от другого, их однотипность — факт весьма примечательный; он говорит в пользу того, что соответствующие координаты служат неизменной основой для оценок близости. В данном случае эти оценки, очевидно, базировались на семантических признаках, связанных с величиной и хищничеством.

Модель, основанная на признаках, позволяет объяснить многие из упоминавшихся нами данных о семантической памяти. Для того чтобы понять это, нужно рассмотреть предполагаемые в этой модели процессы, с помощью которых проверяется истинность утверждений. Сначала, однако, следует напомнить о постулируемой структуре информации в ДП. В модели предполагается, что каждое понятие представлено перечнем признаков. Эти признаки образуют непрерывный ряд от самых важных до наименее существенных. Положение признака в этом ряду мы будем называть его весом (таким образом, вес показывает, насколько важен тот или иной признак для определения данного понятия; его значение тем больше, чем выше вес). На шкале весов можно произвольно выбрать какую-то точку и считать все признаки с большим весом "определительными", а с меньшим — "характерными". Согласно модели, проверка истинности утверждения типа "все S суть Р" происходит следующим образом. Первый этап процесса распадается на три подэтапа. Сначала из ДП извлекаются перечни признаков, соответствующих классам S и Р, хотя эти перечни не обязательно должны быть полными, они содержат как определительные, так и характерные признаки. Затем признаки, входящие в эти два перечня — один для S, а другой для Р, — сравниваются между собой; число совпадающих признаков служит основой для выведения меры общего сходства — назовем ее х. И наконец, х используется для того, чтобы решить, каков результат этого первого этапа. Если значение х очень велико — превышает определенную пороговую величину, — то, значит, S и Р настолько сходны, что система сразу же дает ответ "утверждение истинно". Если значение х очень мало (что говорит об отсутствии сходства между S и Р), модель дает ответ "ложно". Если же х имеет промежуточную — не низкую и не высокую — величину, то проводится второй этап процесса.