Eine Zusammenfassung des Artikels ”World-Knowledge in Discourse-Comprehension Models” von Frank et al. Erschienen in: Discourse Processes (2008)
Computermodelle in der Kognitionswissenschaft, mit denen kognitive Prozesse (z.B. Textverstehen) simuliert werden, benötigen eine Wissenbasis (ein erwartbares Vorwissen), vor deren Hintergrund die Berechnungen erfolgen. Diskrepanzen zwischen Experiment und Simulation können durch das Modell verschuldet sein, aber auch aus der verwendeten Wissenbasis resultieren.
Dies führt dazu, dass der Implementation themenspezifischen Vorwissens eine größere Bedeutung als bisher beigemessen werden muss, um die bis dato unzureichenden Möglichkeiten zu verbessern, mit geeigneten Korpora kognitive Prozesse tatsächlich zu simulieren.
Frank et al. (2008) diskutieren vier unterschiedliche Strategien (Misschtung von Weltwissen, ad hoc Selektion, Extraktion von Wissen aus Textkorpora, und die Implementationvon Weltwissen durch eine ”Mikrowelt”), wie solches Wissen implementiert werden kann. Hierbei greifen die Autoren auf verschiedene Modelle zurück, um an ihnen die Pros und Cons zu veranschaulichen.
Die vier Modelle sind:
- Reasonance Model (Mayers & O’Brien 1998)
- Construction-and-Integration Model (Kintsch 1998)
- Predication Model (Kintsch 2001)
- Distributed Situation Space Model (Frank et al. 2003 )
Die Autoren zeigen zunächst die Vor- und Nachteile der Modelle auf, für das Construction-and-Integration Modell z.B., dass dort keine kausalen Relationen berücksichtigt werden. Die ”Entscheidung” fällt letztlich zugunstens des Distributed Situation Space Modells, das versucht, das World Knowledge Problem zu lösen, d.i. das Problem, ausreichend große und adäquate Wissenbestände zu implementieren, wie sie für die Simulation von Verstehen (d.h. vom Prinzip her zur Construction and Intergration) benötigt werden.
Eine Lösung bestet darin, alles Wissen in einer vereinfachten ”Microworld” zu implementieren – ohne dabei zu missachten, dass selbst die einfachste Geschichte große Wissensbestände über die Welt erfordert. Wie aber sieht eine solche ”Microworld” dann aus? Frank et. Al geben die Antwort darauf wie wolgt:
Instead of limiting the amount of knowledge, the world itself is limited.
Diese limitierte Welt enthält nur grundlegende Propositionen, die einfache Situationen beschreiben (z.B. Bob is outside, Bob and Jilly play soccer, Jilly wins). Auf diese Weise soll sich jede Situation in einem Text als binärer Vektor mit der Länge der Anzahl an Basispropositionen darstellen lassen – mit einer 0 für jede Basispropositionen, die in der betreffenden (komplexen (d.h. einer Situation, die Basispropositionen mit booleschen Operatoren verknüpft (kann per Hand erstellt werden))) Situation (alle Situationen bilden den Event-Koprus) nicht der Fall ist, andernfalls mit einer 1. Diese geschieht für jede Situation in dem Text (indem von den Autoren verwendeten Beispiel für 250 Situationen), so dass man schließlich eine bestimmte Anzahl von Vektoren hat. Diese Situationen dienen als Input für eine selbstorganisierende Karte (SOM) (hier 0×15 = 150 hexagonalen Zellen), wobei jede Karte die Zugehörigkeit einer einzelnen Propositon auszeigt. Auf diese Weise soll erklärt werden können, wie Inferenzen in komplexen Situatioen anhand einer probabilistischen Verteilung von Basissituationen gezogen werden.
If you enjoyed this article, please consider sharing it!
