Например, как можно видеть из рис. 8.3, <мар-
гаритка> будет ближе (в смысле близости в иерархической
системе) к <животному>, чем к <рыбе>. Кроме того, если 5
и Р близки, в процессе поиска могут возникать ошибки. При
поиске может быть выявлено отношение, которое окажется
неподходящим. Чем больше класс Р, тем ближе отношение,
тем легче здесь ошибиться и тем больше потребуется вре-
мени, чтобы решить, что, несмотря на близость двух данных
понятий, утверждение ложно. Такое объяснение нельзя, од-
нако, считать адекватным, поскольку было показано (Lan-
dauer a. Meyer, 1972), что при проверке ложных утвержде-
ний эффект величины класса проявляется даже тогда, когда
степень близости двух рассматриваемых понятий во всех
случаях одинакова. Это было бы особенно печально для мо-
дели ОСПЯ, если бы другие модели позволяли без труда объ-
яснить обнаруженный эффект, но они тоже не дают объяс-
нения! Эффект величины класса при проверке ложных утвер-
ждений создает затруднения для многих моделей. Поэтому
мы пока согласимся с тем, что идея, высказанная Коллинзом
и Куиллианом, может в общем служить объяснением зави-
симости ВР от величины класса.
ЭФФЕКТЫ СЕМАНТИЧЕСКОЙ БЛИЗОСТИ
Близость, упомянутая выше в качестве возможной причи-
ны эффектов величины класса при проверке ложных утверж-
дений, сама служит важным объектом исследований, касаю-
щихся семантической памяти, особенно в экспериментах с
предъявлением истинных утверждений. В типичных работах
по изучению этой <близости> испытуемым сначала предъяв-
ляют набор, состоящий из пар слов. В каждой паре одно
слово представляет собой название какого-либо объекта, при-
надлежащего к данному классу, а другое-название этого
класса; например, объектом (представителем класса) может
быть <малиновка>, а классом - <птицы>. Испытуемого про-
сят оценить, .насколько типичен данный представитель для
данного класса или насколько близки два соответствующих
слова (Rips а. о., 1973; Rosch, 1973). Оценки типичности раз-
личных представителей для данного класса варьируют до-
ДП: структура и семантическая переработка информации
вольно сильно. Например, <малиновка> оценивается как го-
раздо более типичная <птица>, чем <курица>. Эти различия
в оценках типичности составляют один из тех фактов, кото-
рым теория семантической памяти должна дать объяснение,
В самом деле, <типичность> оказывается довольно серьез-
ной проблемой для сетевой модели, подобной ОСПЯ. В этой
модели каждый представитель какого-либо класса отделен
от стоящего непосредственно над ним класса одной стрел-
кой. Поскольку все члены данного класса отделены от назва-
ния класса одинаковым (равным одной стрелке) расстояни-
ем, трудно представить себе, отчего возникают различия в
оценках типичности. Модель АПЧ, созданная Андерсоном и
Боуэром, позволяет лучше объяснить эти и другие эффекты,.
которые, как .мы увидим, плохо согласуются с сетевыми мо-
делями. В данном случае модель АПЧ может объяснить яв-
ление типичности или близости как результат происходящего
в ДП процесса поиска (сопоставления). Как вы помните,
отправной точкой процесса сопоставления служит поиск, на-
чинающийся из каждой ячейки ДП, упомянутой во входном
сообщении; цель этого процесса - найти дерево, которое со-
ответствовало бы входному сообщению. Поиск начинается
одновременно с разных ячеек и ведется параллельно; однако
из каждой отдельной ячейки одновременно можно вести по-
иск только по одному пути. А так как обычно от каждой
ячейки ДП идет много путей, предполагается, что среди них
устанавливается некая очередность; она определяет последо-
вательность, в которой производится поиск по разным пу-
тям, идущим от данной ячейки. Наиболее важные пути об-
следуются в первую очередь. Это позволяет модели АПЧ
учесть влияние <типичности> на истинное время реакции, так
как есть определенная зависимость между типичностью и оче-
редностью. Оказывается, чем более типичен данный предста-
витель для данного класса, тем выше вероятность того, что
соединяющие их пути занимают одно из первых мест в спис-
ке очередности. Если допустить, что оценки типичности, или
близости, основываются на отношениях очередности, то эта
модель позволит без труда объяснить причины различий в.
оценках.
Не удивительно, что близость влияет на ВР в задачах по-
проверке истинности утверждений (Smith, 1967; Wilkins,
1971). Чем теснее связаны 5 и Р, тем быстрее проверяется
истинность утверждений типа <некоторое 5 есть Р>. Так, на-
пример, испытуемые проверяют истинность того, что <го-
лубь-птица>, быстрее, чем того, что <курица-птица>.
Удивительно другое: эффекты близости позволяют предска-
зать ситуации, в которых эффект величины класса не будет-
Глава 8
проявляться. Рассмотрим следующий пример (Rips а.. о., 1973).
Класс <.млекопитающие> входит в класс <животные>, так что
класс <животные> больше по своему объему. Однако по
оценкам испытуемых некоторые млекопитающие (например,
<медведь> или <кошка>) более типичны для класса <живот-
ные>, чем для класса <млекопитающие>. И если сравнить
ВР для проверки утверждений <медведь-млекопитающее>
и <медведь-животное>, то окажется, что во втором случае
оно короче. Это расходится с предсказанием о влиянии ве-
личины класса (поскольку класс <животные> более обширен,
ВР при его проверке, казалось бы, должно быть больше), но
соответствует оценкам типичности. Такой результат опять-
таки создает затруднение для модели ОСПЯ (но не для мо-
дели АПЧ, которая позволяет объяснить его на основе оче-
редности при поиске: чем теснее близость между 5 и Р, тем
раньше начнется обследование соответствующих путей и тем
быстрее утверждение может быть проверено).
ТЕОРЕТИКО-МНОЖЕСТВЕННАЯ МОДЕЛЬ ДП
До сих пор мы рассмотрели лишь один тип моделей се-
мантической ДП-сетевые модели. Существуют, однако, мо-
дели иного типа, и мы сейчас рассмотрим одну из них, из-
вестную под названием <теоретикочмножественной> (Meyer,
1970). В основе ее лежит предположение, что семантические
классы представлены в ДП как множества, или совокупно-
сти, элементов информации. Это могут быть множества пред-
ставителей какого-либо класса (например, к классу <птицы>
относятся малиновки, соловьи, воробьи и т. д.). Это могут
быть также множества атрибутов или свойств данного класса
(например, птицы имеют крылья, имеют перья, могут летать
и т. д.). Иными словами, та или иная категория представлена
в ДП в виде некоторого набора информации.
Мейер (Meyer, 1970) использовал теоретико-множествен-
ную модель, чтобы объяснить различия во времени, затра-
чиваемом испытуемыми для проверки утверждений типа <все
5 суть Р> или <некоторые 5 суть Р> (например, <все кам-
ни-рубины> или <некоторые камни-рубины>).
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
гаритка> будет ближе (в смысле близости в иерархической
системе) к <животному>, чем к <рыбе>. Кроме того, если 5
и Р близки, в процессе поиска могут возникать ошибки. При
поиске может быть выявлено отношение, которое окажется
неподходящим. Чем больше класс Р, тем ближе отношение,
тем легче здесь ошибиться и тем больше потребуется вре-
мени, чтобы решить, что, несмотря на близость двух данных
понятий, утверждение ложно. Такое объяснение нельзя, од-
нако, считать адекватным, поскольку было показано (Lan-
dauer a. Meyer, 1972), что при проверке ложных утвержде-
ний эффект величины класса проявляется даже тогда, когда
степень близости двух рассматриваемых понятий во всех
случаях одинакова. Это было бы особенно печально для мо-
дели ОСПЯ, если бы другие модели позволяли без труда объ-
яснить обнаруженный эффект, но они тоже не дают объяс-
нения! Эффект величины класса при проверке ложных утвер-
ждений создает затруднения для многих моделей. Поэтому
мы пока согласимся с тем, что идея, высказанная Коллинзом
и Куиллианом, может в общем служить объяснением зави-
симости ВР от величины класса.
ЭФФЕКТЫ СЕМАНТИЧЕСКОЙ БЛИЗОСТИ
Близость, упомянутая выше в качестве возможной причи-
ны эффектов величины класса при проверке ложных утверж-
дений, сама служит важным объектом исследований, касаю-
щихся семантической памяти, особенно в экспериментах с
предъявлением истинных утверждений. В типичных работах
по изучению этой <близости> испытуемым сначала предъяв-
ляют набор, состоящий из пар слов. В каждой паре одно
слово представляет собой название какого-либо объекта, при-
надлежащего к данному классу, а другое-название этого
класса; например, объектом (представителем класса) может
быть <малиновка>, а классом - <птицы>. Испытуемого про-
сят оценить, .насколько типичен данный представитель для
данного класса или насколько близки два соответствующих
слова (Rips а. о., 1973; Rosch, 1973). Оценки типичности раз-
личных представителей для данного класса варьируют до-
ДП: структура и семантическая переработка информации
вольно сильно. Например, <малиновка> оценивается как го-
раздо более типичная <птица>, чем <курица>. Эти различия
в оценках типичности составляют один из тех фактов, кото-
рым теория семантической памяти должна дать объяснение,
В самом деле, <типичность> оказывается довольно серьез-
ной проблемой для сетевой модели, подобной ОСПЯ. В этой
модели каждый представитель какого-либо класса отделен
от стоящего непосредственно над ним класса одной стрел-
кой. Поскольку все члены данного класса отделены от назва-
ния класса одинаковым (равным одной стрелке) расстояни-
ем, трудно представить себе, отчего возникают различия в
оценках типичности. Модель АПЧ, созданная Андерсоном и
Боуэром, позволяет лучше объяснить эти и другие эффекты,.
которые, как .мы увидим, плохо согласуются с сетевыми мо-
делями. В данном случае модель АПЧ может объяснить яв-
ление типичности или близости как результат происходящего
в ДП процесса поиска (сопоставления). Как вы помните,
отправной точкой процесса сопоставления служит поиск, на-
чинающийся из каждой ячейки ДП, упомянутой во входном
сообщении; цель этого процесса - найти дерево, которое со-
ответствовало бы входному сообщению. Поиск начинается
одновременно с разных ячеек и ведется параллельно; однако
из каждой отдельной ячейки одновременно можно вести по-
иск только по одному пути. А так как обычно от каждой
ячейки ДП идет много путей, предполагается, что среди них
устанавливается некая очередность; она определяет последо-
вательность, в которой производится поиск по разным пу-
тям, идущим от данной ячейки. Наиболее важные пути об-
следуются в первую очередь. Это позволяет модели АПЧ
учесть влияние <типичности> на истинное время реакции, так
как есть определенная зависимость между типичностью и оче-
редностью. Оказывается, чем более типичен данный предста-
витель для данного класса, тем выше вероятность того, что
соединяющие их пути занимают одно из первых мест в спис-
ке очередности. Если допустить, что оценки типичности, или
близости, основываются на отношениях очередности, то эта
модель позволит без труда объяснить причины различий в.
оценках.
Не удивительно, что близость влияет на ВР в задачах по-
проверке истинности утверждений (Smith, 1967; Wilkins,
1971). Чем теснее связаны 5 и Р, тем быстрее проверяется
истинность утверждений типа <некоторое 5 есть Р>. Так, на-
пример, испытуемые проверяют истинность того, что <го-
лубь-птица>, быстрее, чем того, что <курица-птица>.
Удивительно другое: эффекты близости позволяют предска-
зать ситуации, в которых эффект величины класса не будет-
Глава 8
проявляться. Рассмотрим следующий пример (Rips а.. о., 1973).
Класс <.млекопитающие> входит в класс <животные>, так что
класс <животные> больше по своему объему. Однако по
оценкам испытуемых некоторые млекопитающие (например,
<медведь> или <кошка>) более типичны для класса <живот-
ные>, чем для класса <млекопитающие>. И если сравнить
ВР для проверки утверждений <медведь-млекопитающее>
и <медведь-животное>, то окажется, что во втором случае
оно короче. Это расходится с предсказанием о влиянии ве-
личины класса (поскольку класс <животные> более обширен,
ВР при его проверке, казалось бы, должно быть больше), но
соответствует оценкам типичности. Такой результат опять-
таки создает затруднение для модели ОСПЯ (но не для мо-
дели АПЧ, которая позволяет объяснить его на основе оче-
редности при поиске: чем теснее близость между 5 и Р, тем
раньше начнется обследование соответствующих путей и тем
быстрее утверждение может быть проверено).
ТЕОРЕТИКО-МНОЖЕСТВЕННАЯ МОДЕЛЬ ДП
До сих пор мы рассмотрели лишь один тип моделей се-
мантической ДП-сетевые модели. Существуют, однако, мо-
дели иного типа, и мы сейчас рассмотрим одну из них, из-
вестную под названием <теоретикочмножественной> (Meyer,
1970). В основе ее лежит предположение, что семантические
классы представлены в ДП как множества, или совокупно-
сти, элементов информации. Это могут быть множества пред-
ставителей какого-либо класса (например, к классу <птицы>
относятся малиновки, соловьи, воробьи и т. д.). Это могут
быть также множества атрибутов или свойств данного класса
(например, птицы имеют крылья, имеют перья, могут летать
и т. д.). Иными словами, та или иная категория представлена
в ДП в виде некоторого набора информации.
Мейер (Meyer, 1970) использовал теоретико-множествен-
ную модель, чтобы объяснить различия во времени, затра-
чиваемом испытуемыми для проверки утверждений типа <все
5 суть Р> или <некоторые 5 суть Р> (например, <все кам-
ни-рубины> или <некоторые камни-рубины>).
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106