Занятие познавательные мышления внимание презентация: Презентация «Занятие на развитие памяти, внимания, мышления» (12 слайдов)

Слайд 7

— Меня зовут Обобщение. Я объединяю предметы и явления в группы по существенным признакам и владею общими понятиями.

Слайд 8

— Моё задание такое: подберите общее название к каждой группе слов:

1) стол, диван, табурет;

2) собака, баран, свинья;

3) ромашка, василёк, колокольчик;

4) кларнет, скрипка, баян;

5) врач, инженер, механизатор;

6) треугольник, ромб, круг.

Слайд 9

— А в этом задании в каждой группе найдите одно лишнее:

1) гусь, курица, собака, индюк;

2) капуста, яблоко, фасоль, огурец;

3) шкаф, пальто, платье, брюки;

4) шапка, ботинки, шляпа, кепка;

5) Москва, Франция, Лондон, Париж.

Слайд 10

В перёд вышла помощница Мышления и представилась:

— Меня зовут Классификация. Я распределяю имеющиеся в распоряжении Мышления предметы и явления на группы в соответствии с их общими признаками.

Слайд 11

— Распределите, пожалуйста, на две группы эти слова:

Кот, медведь, лиса, лошадь, собака, корова, волк, тигр, овца, лось.

Слайд 12

— А это задание потруднее будет. Разделите на группы слова:

Апельсин, кровать, девочка, слон, этажерка, обезьяна, мандарин, мужчина, стол, лягушка, груша, женщина, бабочка, кресло, персик, мальчик.

Слайд 13

— Меня зовут Абстрагирование, — представился ещё один помощник. – Я выделяю общие важные признаки и свойства предметов и явлений, отвлекаюсь от остальных, признаков, которые мне не нужны, и рассматриваю выделенный признак отдельно. В этом мне помогает Анализ.

Слайд 14

Моё задание следующее: выделите общие признаки следующих объектов:

1) Кинжал, нож, ножницы.

2) Мороженое, лёд, снег.

3) Мяч, апельсин, луна.

4) Вода, молоко, керосин.

5) Уголь, бензин, дерево.

Слайд 15

— А меня зовут Конкретизация, — сказала девушка помощница вышедшая вперёд. – Моё дело – возвращать мысли от абстрактных понятий к конкретным образам. Я помогаю приводить примеры к правилам. И во время этого путешествия я помогаю вам. Ведь легче понять конкретное, чем абстрактное.

Слайд 16

— А это моё задание: назовите три предмета, относящиеся к понятиям.

1) Животные Африки.

2) Культурные растения.

3) Арифметические действия.

4) Познавательные процессы.

Слайд 17

— Последним вышло Сравнение.

— Я устанавливаю сходства и различия, имеющиеся между предметами и явлениями. У меня есть твёрдые правила:

1. Если я сравниваю между собой не конкретные предметы, а отвлечённые понятия, я выбираю признаки, которые свойственны всем предметам, относящимся к этому понятию. Например, если я ищу сходства и различия между собакой и кошкой вообще, я не стану говорить, что собака чёрная, а кошка рыжая.

2. Сходства и различия я ищу только по одинаковым признакам. К примеру: мяч круглый, а кирпич прямоугольный. То есть сравниваю мяч и кирпич по форме. Но нельзя сравнивать “Мяч круглый, а из кирпичей строят дома”. Ведь форма предмета и назначение предмета – это разные признаки, и по ним не может быть сравнения.

Слайд 18

— Моё задание такое, соблюдая мои правила, найдите сходства и различия между:

1) Собакой и белкой.

2) Карандашом и ручкой.

3) Помидором и солнцем.

— Вот вы и познакомились с моими помощниками. А теперь подумайте над моими вопросами:

— Что такое способности?

— Какие бывают способности?

— Для чего они нужны человеку?

— Какие способности должны быть у хорошего врача, учителя, ученика?

Вывод: У каждого человека есть какие-то способности, но некоторые люди ничего о них не знают, либо знают, но не используют их.

— Какие способности помогают Мышлению? (Умственные)

— Умственные способности можно развивать.

Игра “Кто больше?”. Соревнование между группами, кто больше назовёт в которых последняя буква н.

Литература

1. Уколова М. Необыкновенное путешествие обыкновенного мальчика в страну Психику. Газета “Школьный психолог”, №14/2008 г.
2. Хухлаева О.В. Тропинка к своему Я. Начальная школа. – М., 2009 г.

МДОУ №369 — Рекомендации педагогов

5 советов когнитивной психологии, которые привлекут внимание к вашему контенту

Улучшите брендинг вашей компании с помощью Zippia

Примечание редактора: Это гостевой пост Мелани Сованн. Ее мнение принадлежит только ей.

Когда дело доходит до вашего контента, всегда должно быть место для инноваций, новых стратегий и свежих ресурсов. Каждый профессиональный маркетолог знает, как важно смотреть нестандартно и использовать свой творческий потенциал, остроумие и маркетинговые таланты для создания убойного контента. Поэтому неудивительно, что многие авторы контента и маркетологи обращаются к когнитивной психологии за идеями о том, как сделать свой контент еще лучше.

По правде говоря, когнитивная психология может помочь вам выделиться среди конкурентов, произвести лучшее впечатление и выиграть в игре контент-маркетинга. Мы знаем, что вам интересно узнать больше, и мы вас обеспечим.

Что такое когнитивная психология?

Прежде чем мы погрузимся в силу когнитивной психологии в улучшении вашего контента, давайте дадим ей определение и посмотрим, что это такое.

Когнитивная психология определяется как « область психологии, которая фокусируется на внутренних психических процессах. К таким процессам относятся мышление, принятие решений, решение проблем, речь, внимание и память». (Исследуйте психологию)

Другими словами, используя когнитивную психологию, мы можем узнать о том, как люди воспринимают различные понятия, как они запоминают вещи и что привлекает их внимание.

Очевидно, что это очень важно для авторов контента, которые хотят, чтобы их сообщения были поняты, запомнены и приняты широким кругом людей.

Давайте посмотрим, как когнитивная психология напрямую связана с написанием контента и привлечением внимания вашей аудитории. Ниже приведены пять советов из когнитивной психологии, которые помогут вам писать выигрышный контент.

1. Когнитивная беглость

Задумывались ли вы когда-нибудь о важности презентации, дизайна и визуального эффекта вашего контента для общего воздействия, которое он оказывает на вашу аудиторию?

Что ж, связь существует, и она сильнее, чем вы думаете.

Это можно объяснить с помощью концепции когнитивной беглости . Когнитивная беглость определяется как «легкость, с которой наш мозг обрабатывает информацию».

Другими словами, когнитивная беглость объясняет, почему и как мы обрабатываем определенную информацию, основываясь на том, как она нам представлена.

С точки зрения написания контента, когнитивная беглость может помочь вам улучшить ваш контент с помощью:

Используйте четкие и легко читаемые шрифты. Это создаст ощущение легкости у ваших читателей и поможет им принять ваш контент как правдоподобный и заслуживающий доверия.

Если вы сделаете свой контент трудным для чтения, ваша аудитория может бросить читать на полпути или воспринять его как ложь.

Сделайте ваш контент знакомым для ваших читателей. Не используйте сенсационную и сложную лексику.

Используйте повседневную лексику, которую ваши читатели легко поймут и воспримут.

Сделайте свой дизайн понятным и не запутанным. Используйте цветовые контрасты, чтобы выделить наиболее важные части и подчеркнуть свою точку зрения.

Обратите внимание, что то, как вы представляете информацию своей аудитории, имеет значение, и воспользуйтесь подсказкой когнитивной психологии, чтобы сделать ее более беглой и общепринятой.

2. Принятие решений

Когнитивная психология может помочь вам мотивировать ваших читателей к желаемым действиям и незаметно направить их в правильном направлении.

Процесс принятия решений основан на рассуждениях. Другими словами, вам нужно показать своим читателям, почему они должны верить вам и делать то, что вы говорите.

Вот что должен предоставить ваш контент:

Расскажите им, почему им нужно его читать. Объясните им четкую причину, по которой они относятся к целевой категории.

Предоставьте данные обо всем, о чем вы пишете. Предоставьте им твердые доказательства своих знаний.

Попросите их выполнить желаемое действие. Им нужна эта дополнительная мотивация, чтобы заключить сделку и принять окончательное решение делать то, что вы рекомендуете.

Создайте мощный призыв к действию, чтобы завершить свою миссию.

Если вы хотите убедить своих читателей что-то сделать, вам нужно сделать контент убедительным и продуманно структурированным.

Читая контент в Интернете и просматривая веб-страницы, большинство людей понимают, что маркетологи пытаются убедить их купить их продукт или услугу.

Хотя в этой концепции нет ничего плохого, вам все же нужно пройти лишнюю милю и дать им повод доверять вам.

Когнитивная психология рекомендует использовать явление, называемое социальным доказательством или социальным влиянием .

Обычному потребителю или читателю необходимо проверить опыт и мнения других людей, прежде чем предпринимать какие-либо действия.

Для авторов контента это означает, что вы должны:

• обращаться к отзывам и отзывам предыдущих клиентов
• обращаться к примерам из практики
• сотрудничать с надежными лидерами мнений
• отображать пользовательский контент
• поощрять вашу аудиторию оставлять отзывы и комментарии

Убедитесь, что вы показываете своим читателям свою информацию надежен, и другие люди доверяют вам. Таким образом, вы создадите прочную связь со всеми членами вашей аудитории и укрепите с ними связь.

4.

То, как мы воспринимаем определенные вещи, иногда зависит от их преобладающего цвета. Хотя у каждого человека есть свой любимый цвет, все мы склонны испытывать одинаковые эмоции по отношению к определенным цветам.

Взгляните на эти примеры:

• синий: создает ощущение надежности и лояльности
• красный: быстро привлекает внимание и создает ощущение безотлагательности качество
• зеленый: символизирует равновесие, расслабление и здоровье

Вы можете использовать принципы психологии цвета, чтобы усилить посыл вашего контента и заставить его задействовать все нужные кнопки для вашей аудитории.

Используйте его для оформления постов в блогах, постов в социальных сетях, видео и других форм продвижения вашего контента.

5. Объем внимания

Когнитивная психология изучает то, как мы воспринимаем вещи с точки зрения внимания и концентрации. Это может помочь нам лучше понять, какой тип контента поможет нам заинтересовать и сконцентрировать наших читателей, а не скучать.

Существует миф о том, что средняя продолжительность концентрации внимания человека (восемь секунд) меньше, чем у золотой рыбки (девять секунд).

Хотя мы склонны делать поспешные выводы, основываясь на очень небольшом количестве информации, это не означает, что ваш контент должен быть ничем иным, как набором кричащих заголовков и поверхностной информации.

Наоборот, лучший способ заинтересовать аудиторию вашим контентом и помочь ей сохранить внимание — это:

• предоставлять достоверную информацию
• задавать занимательные вопросы
• вовлекать их в активное участие в выводах и обработке информации
• отдавать им должное

Предоставляя ценную информацию и вызывая глубокие размышления у вашей аудитории, вы привлекаете их внимание на пользу.

Более того, вы помогаете им легче запоминать информацию и оставляете неизгладимый след в их сознании.

Поэтому делайте ставку на качество, а не на сенсацию, и вы надолго приобретете лояльную аудиторию, которая оценит каждое ваше слово.

Заключительные мысли

Всегда полезно направить свою энергию на то, чтобы сделать ваш контент более мощным и привлекающим внимание. Когнитивная психология может очень помочь вам в вашей миссии по совершенствованию вашего контента. Все, что вам нужно сделать, это принять правильные подсказки.

Поэтому обязательно внимательно прочитайте приведенный выше список и используйте когнитивную психологию для создания впечатляющего первоклассного контента.

Самостоятельный выбор интересного занятия облегчает когнитивный ответ на задание: исследование потенциала, связанного с событием

Введение

В последние годы в клинических условиях трудотерапии продвигается нисходящий подход, основанный на профессиональной практике (Nielsen et al., 2017; Nagayama et al., 2018; Maruta et al., 2020). Постановка целей считается ключевым компонентом этих подходов, при том понимании, что выбранные цели будут определять процесс принятия клинических решений (Levack and Dean, 2012). Помощь в принятии решений при выборе профессии (ADOC) — это инструмент, способствующий совместному принятию решений при постановке целей на основе занятий (Tomori et al., 2012). Терапевты адаптируют значимые занятия к реабилитации с учетом степени удовлетворения и производительности занятий после того, как терапевты и пациенты выбирают их с помощью ADOC. ADOC позволяет совместно принимать решения между терапевтами и пациентами при постановке целей на основе профессии (Tomori et al., 2012, 2015). Таким образом, для терапевта важно поделиться целями с пациентом и помочь пациенту выбрать занятия с намерением. Более того, мотивационная вовлеченность в занятия необходима для самостоятельного выбора их.

Теория самоопределения обеспечивает комплексную основу для оценки мотивации. Райан и Деси (2000) классифицировали мотивацию на три типа: отсутствие мотивации, внешняя мотивация и внутренняя мотивация. Сообщалось, что внутренняя мотивация улучшает производительность и устойчивость в большей степени, чем внешняя мотивация (Patall et al., 2008; Areepattamannil et al., 2011). Эти мотивы располагаются на континууме по степени самоопределения. Внешняя мотивация приближается к внутренней мотивации, интернализируя внешнюю среду и ценности и интегрируя их в себя (Ryan and Deci, 2000).

Сети мозга были обнаружены в нейропсихологических исследованиях самоотбора. Мураяма и др. (2015) исследовали занятия мозга с помощью фМРТ и сравнили самоопределение (испытуемые сами выбирали дизайн секундомера) с принудительным определением (выбор делал экзаменатор). Это исследование показало, что вентральный стриатум и медиальная префронтальная кора играют важную роль в осуществлении самоотбора (Murayama et al., 2015).

С другой стороны, связанные с событиями потенциалы (ERP) представляют собой средства для оценки когнитивной обработки с высоким временным разрешением (Helfrich and Knight, 2019). Компонент P300, который генерируется примерно через 300 мс после стимуляции в одной из форм волны ERP, запускается задачами, требующими познания и суждения. Латентность P300 отражает время когнитивной обработки (Kutas et al., 1977), а амплитуда отражает распределение ресурсов внимания (Schubert et al., 1998). Таким образом, изучение компонентов ERP и P300 в самоопределении и мотивации может способствовать пониманию когнитивной обработки и деятельности мозга, связанных с выполнением самовыбора. Амплитуда P300 была значительно выше у наиболее мотивированных участников, чем у наименее мотивированных (Kleih et al., 2010). Далее, используя ERP, Tanaka et al. (2014) исследовали реакции когнитивной обработки, связанные с различиями в предпочтениях. Амплитуды P300 для любимых и нелюбимых изображений животных имеют тенденцию к увеличению в большей степени, чем изображения, которые не нравятся или не нравятся. Короче говоря, амплитуды P300 могут способствовать реакции когнитивной обработки на симпатии и антипатии (Tanaka et al. , 2014).

Однако результаты этих исследований трудно применить в клинической трудотерапии с точки зрения значимых профессий из-за фундаментальных исследований самоопределения и простого сравнения различий в предпочтениях. Мы предположили, что изучение компонента Р300 будет учитываться при выборе значимых и интересных занятий с помощью ADOC. Результат когнитивной обработки ответов может способствовать подчеркиванию важности постановки целей в профессиональной практике.

Таким образом, в этом исследовании здоровых испытуемых просили выбрать значимые или нелюбимые занятия с помощью ADOC, и измеряли ERP и время реакции (RT), когда предъявлялись изображения занятий. Целями этого исследования были: (1) выяснить, увеличивает ли самостоятельный выбор как значимых, так и интересных занятий когнитивную обработку задач; и (2) исследовать связь когнитивной обработки, степени удовлетворенности и производительности с профессией и психологическими показателями.

Материалы и методы

Испытуемые

Мы вывесили плакат с подробностями этого исследования на доске объявлений в Университете Кагосима, набрали участников эксперимента и использовали в качестве испытуемых только абитуриентов. В этом исследовании приняли участие 23 здоровых человека из Университета Кагосима (средний возраст = 24,1 года, стандартное отклонение = 5,1, 11 мужчин). Все испытуемые имели нормальное или скорректированное до нормального зрение. Ни у одного из них не было в анамнезе неврологических или психических расстройств, и они не принимали психиатрические препараты. Они дали устное и письменное информированное согласие на участие в исследовании, но им не сообщили цель экспериментов, чтобы избежать влияния информации и преднамеренной предвзятости на все данные. Это исследование было одобрено Комитетом по этике эпидемиологических исследований Университета Кагосима (Ref No. 180157).

Задания и стимулы

Мы использовали задание на визуальную реакцию и выделили 78 видов занятий из всех 95 заданий ADOC с учетом возраста испытуемых. Мы представили визуальные стимулы и измерили RT с помощью системы стимуляции изображения (многотриггерная система MTS0410, Medical Try System, Токио). Зрительные стимулы предъявлялись в течение 500 мс каждый с межстимульным интервалом 2000 мс, целевой стимул составлял 30 %, а нецелевой стимул — 70 %, следуя зрительной парадигме чудаков (Maruta et al. , 2019).). Каждое условие завершалось после предъявления целевых стимулов 35 раз.

Запись и анализ данных

Электроэнцефалограмму и вызванные потенциалы, Neuro Pack X1 (NIHON KOHDEN, Tokyo) контролировали с помощью электромиографического тестера. ЭЭГ регистрировали с трех участков скальпа (Fz, Cz, Pz) по системам 10-20 с частотой дискретизации 1000 Гц (Maruta et al., 2019). Электроды Ag/AgCl были привязаны к мочкам ушей, а сопротивление электродов поддерживалось ниже 5 кОм. Движения глаз контролировали с помощью электроокулограмм (ЭОГ), записанных с электродов сбоку и ниже левого глаза. Для всех ERP применялся полосовой фильтр в диапазоне 0,5–50 Гц. Остальные эпохи проверяли визуально, вручную удаляя из анализа те, которые содержат моргание, движения глаз или другие источники переходного шума. Пиковая задержка компонентов P300 измерялась в диапазоне 250–500 мс. Амплитуда P300 определялась как разница в мкВ от исходного уровня до предъявления визуальных стимулов до наиболее положительного минимума между 250–500 мс. При измерении пиковой амплитуды и латентности компонента P300 у некоторых участников были обнаружены двойные пики P300. В этом случае мы выбрали самый большой пик сигнала. Мы также записывали горизонтальные и вертикальные электроокулограммы для удаления артефактов. Компонент Р300 выявляли после усреднения форм ССП, соответствующих целевым стимулам.

Экспериментальный протокол

Было три экспериментальных условия для различных визуальных стимулов. В первом условии испытуемых просили выбрать занятие, которое они считали значимым и интересным, из списка 78 занятий с использованием ADOC (значительное условие самовыбора: SSMC). Во втором условии их попросили выбрать занятие, которое им не нравилось (условие самовыбора, которое им не нравится: SSDC). В третьем условии мы выбирали занятие, которое испытуемым не нравилось и не не нравилось (условие принудительного выбора: FSC). Три условия выполнялись в случайном порядке. Испытуемых знакомили с экспериментальным методом и просили попрактиковаться 10 раз перед началом эксперимента. Испытуемых проинструктировали как можно точнее и быстрее нажимать кнопку на рукоятке для нацеливания на раздражители доминирующим большим пальцем, сидя примерно в 100 см от 19-сантиметрового стола.-дюймовый ЖК-монитор, и во время выполнения задач измерялась ERP. Каждое условие завершалось после предъявления целевых стимулов 35 раз. Между условиями был предоставлен 3-минутный отдых (рис. 1). В SSMC мы изучили показатели удовлетворенности и производительности при самостоятельном выборе значимой профессии. Участников попросили дать оценку удовлетворенности их значимыми и интересными занятиями в диапазоне от 1 (крайне неудовлетворен) до 10 (очень доволен). Точно так же их попросили предоставить оценку производительности. 10-балльная оценка означала, что испытуемые хорошо владеют выбранной профессией, а 1 балл – что вообще не могли ею заниматься (рис. 2). Испытуемых проинструктировали как можно точнее и быстрее нажимать кнопку на рукоятке, чтобы воздействовать на раздражители ведущим большим пальцем, сидя примерно в 100 см от 19-сантиметрового кресла. -дюймовый ЖК-монитор и просмотр изображений ADOC.

Рисунок 1 . Экспериментальная процедура самоотбора и условия принудительного отбора. Порядок условий был случайным, и между каждым условием был предусмотрен 3-минутный перерыв.

Рисунок 2 . Экспериментальная процедура условий самоотбора и принудительного отбора. Испытуемые выбирали целевые стимулы в состоянии самовыбора. Только в условиях самостоятельного выбора интереса испытуемых просили указать степень их удовлетворенности и работоспособность занятием. Мы выбрали целевой стимул на основе интервью в условиях принудительного выбора. Мы проводили задания на визуальную реакцию после того, как целевые стимулы были подтверждены.

Психологические показатели

Японская версия Опросника личности Модсли (JMPI) применялась к субъектам для изучения связи между интровертным/экстравертным типами личности (показатель E) и когнитивной обработкой. JMPI состоит из экстраверсии-интроверсии (шкала E, 24 пункта), невротической тенденции (шкала N, 24 пункта), ложной шкалы (шкала L, 20 пунктов) и 12 нейтральных пунктов (Iwasaki et al. , 1970). Высокие баллы пропорциональны экстраверсии по шкале Е (Артур и Дженсен, 19 лет).58).

Статистический анализ

Мы провели тест Шапиро-Уилка, чтобы проверить нормальность компонента P300 среди трех условий, и нормальность была подтверждена. Мы использовали ANOVA с повторными измерениями для сравнения амплитуды, латентности и RT P300 в трех условиях, а затем сравнения Bonferroni post hoc при P <0,05 значимости. Кроме того, мы использовали коэффициент ранговой корреляции Спирмена для исследования связи между компонентами P300 в качестве зависимой переменной и показателями удовлетворенности/производительности для занятия, оценкой E в качестве независимых переменных. Статистический анализ был выполнен с помощью SPSS версии 25.0.

Результат

Сводка субъектов исследования

Мы исследовали 22 субъекта (средний возраст = 24,3 года, стандартное отклонение = 5,2, 11 мужчин), поскольку у одного субъекта было менее 20 волновых форм без артефактов в каждом состоянии (Cohen and Polish, 1997). ). На рис. 3 показана усредненная форма волны P300, полученная при каждом условии. Все ошибки (два испытуемых ошибались дважды) при выполнении задания возникали только при предъявлении нецелевых зрительных стимулов, поэтому на результаты не влияли.

Рисунок 3 . Были получены кривые усреднения связанных с событием потенциалов (ERP) между условиями самоотбора и принудительного отбора ( N = 22). Средние кривые ERP, полученные во всех условиях, были показаны для трех участков кожи головы. FSC, условие принудительного отбора; SSDC, состояние неприязни к самовыбору; SSMC, осмысленное условие самовыбора.

Компонент P300 и RT

Основное различие между тремя условиями наблюдалось в амплитуде P300 при Fz ( F _(2,42) = 6,2, P = 0,004). После изучения каждого состояния амплитуда P300 при Fz ( F _(2,42) = 6,2, P = 0,004) в SSMC была более значительно увеличена, чем в двух других условиях (SSMC по сравнению с SSDC; ). P = 0,02, SSMC против FSC, P = 0,04). Не было никакой разницы между SSDC и FSC (рис. 4). При этом достоверной разницы у Cz ( F _(2,42) = 2,1, P = 0,13) или Pz ( F _(2,42) = 3,1, P = 0,06). Разница в латентности P300 и RT между условиями была незначительной (рис. 5, 6).

Рисунок 4 . Сравнение амплитуды P300 в условиях самоотбора и принудительного отбора. Результаты амплитуды P300 были проанализированы с использованием дисперсионного анализа с повторными измерениями с последующими апостериорными тестами Bonferroni . Амплитуда P300 в Fz значительно больше увеличивалась в SSMC. FSC, условие принудительного отбора; SSDC, состояние неприязни к самовыбору; SSMC, осмысленное условие самовыбора; NS, не значимо; ^⋇ P < 0,05.

Рисунок 5 . Сравнение задержки P300 в условиях самовыбора и принудительного выбора. Результаты задержки P300 анализировали с использованием ANOVA с повторными измерениями. Значимого эффекта не обнаружено. FSC, условие принудительного отбора; SSDC, состояние неприязни к самовыбору; SSMC, осмысленное условие самовыбора; НС, не существенно.

Рисунок 6 . Сравнение RT между условиями самовыбора и принудительного выбора. Результаты RT были показаны в ANOVA с повторными измерениями. Основной эффект не обнаружен. FSC, условие принудительного отбора; RT, время реакции; SSDC, состояние неприязни к самовыбору; SSMC, осмысленное условие самовыбора; НС, не существенно.

Связь между компонентом P300, RT, удовлетворенностью, производительностью и психологическим индексом в SSMC

Амплитуда P300 в Pz значимо и положительно коррелировала с оценкой удовлетворенности профессиональной деятельностью (рис. 7). Высокий балл степени успеваемости существенно не увеличился. Нет значимой корреляции между компонентом Р300 и экстраверсией-интроверсией (табл. 1).

Рисунок 7 . Диаграмма рассеяния корреляции между амплитудой P300 в Pz и оценкой удовлетворенности в SSMC. SSMC, осмысленное условие самовыбора.

Таблица 1 . Связь между компонентом P300, RT, удовлетворенностью, производительностью и оценкой E в интересном состоянии самостоятельного выбора.

Обсуждение

Самостоятельный выбор Интересное состояние и амплитуда P300

Мы обнаружили, что амплитуда P300 на Fz в SSMC была более значительно увеличена, чем в SSDC и FSC.

Амплитуда P300 отражает распределение ресурсов внимания на задачу (Kaga et al., 1995) и вызвана такими факторами, как актуальность задачи, мотивация и настороженность (Olofsson et al., 2008). Амплитуда P300 в условиях самоопределения привела к более значительному увеличению, чем в условиях принудительного определения, когда задача чудака выполнялась с использованием изображений персонажей в качестве визуальных стимулов (Maruta et al., 2019).). Кроме того, Suzuki et al. (2005) сообщили, что амплитуда P300 значительно уменьшалась при просмотре интересного видео по сравнению с неинтересным видео в задаче на слуховые стимулы. Следовательно, выбор интересного и значимого занятия в ADOC предполагает, что выделение ресурсов внимания на предъявляемые стимулы увеличивается больше, чем выбор других (SSDC и FSC).

Источник P300 не был точно выявлен различными расследованиями по этому вопросу. Мулерт и др. (2004) предположили, что источник Р300 вовлечен в такие области, как нижняя теменная долька, височно-теменное соединение, дополнительная моторная кора, передняя поясная кора и верхняя височная извилина. В частности, сообщалось, что дорсальная передняя поясная кора активируется, что требует постоянной регулировки распределения внимания (Tops and Boskem, 2011). Кроме того, дорсальная передняя поясная кора, дополнительная моторная зона и передняя островковая доля были значительно более активизированы в условиях самоопределения (испытуемые выбирали дизайн инструментов для выполнения заданий), чем в условиях принудительного определения (в которых экзаменатор делал выбор). ; Мураяма и др., 2015). Эти предыдущие исследования могли предположить, что передняя поясная кора является частью происхождения P300 и активируется во время самоопределения.

В этом исследовании амплитуда P300 могла значительно увеличиться при SSMC из-за того, что самостоятельный выбор интересных занятий повышает мотивацию и облегчает распределение ресурсов внимания на целевые стимулы. Более того, амплитуда P300 в точке Fz увеличилась, что согласуется с результатами Maruta et al. (2019). Возможно, что передняя поясная кора, которая активируется в SSMC, отражала амплитуду P300 в этом исследовании. Однако эта гипотеза не может быть легко принята, потому что мы не анализировали изображения функций мозга.

Самостоятельный выбор Интересное условие и задержка P300 и RT

Мы обнаружили, что задержка P300 и RT не отличались между условиями. Согласно предыдущим исследованиям, они связаны со временем обработки восприятия стимулов (Kutas et al., 1977; Duncan-Johnson, 1981) и зависят от возраста и сложности задачи (McCarthy and Donchin, 1981; Takakura et al., 2016). ).

Результаты настоящего исследования свидетельствуют о том, что самостоятельный выбор интересных занятий не оказал существенного влияния на время обработки восприятия, поскольку между группами нет существенной разницы в возрасте испытуемых, и во всех условиях предъявлялись одни и те же стимулы.

Связь между степенью удовлетворенности интересными занятиями и P300

В настоящем исследовании степень удовлетворенности выбранным интересным занятием и амплитуда P300 в Pz показали умеренную положительную корреляцию в SSMC.

Осмысленная деятельность (интересное занятие) влияет на удовлетворение основных психологических потребностей (автономность, актуальность и способность; Eakman, 2014). Это основные потребности, на которых основана теория самоопределения. Значимые занятия помогают мотивировать, удовлетворяя эти потребности. При этом степень удовлетворенности повседневными занятиями связана с самооценкой качества жизни (Eklund, Leufstadius, 2007).

В этом исследовании самостоятельный выбор интересных и значимых занятий повышал мотивацию за счет удовлетворения основных психологических потребностей, и их удовлетворение могло способствовать большей когнитивной обработке, чем другие условия (SSDC и FSC). В клинической практике постановка цели, которая может повысить удовлетворение от значимых занятий, может способствовать развитию реакции когнитивной обработки, повышению мотивации и улучшению качества жизни.

Связь между психологическими характеристиками и P300

Анализ связи между оценкой Е по личностному тесту Модсли и компонентом Р300 не выявил связи между степенью удовлетворенности и работоспособности профессией и оценкой Е по шкале SSMC.

Кэхилл и Полиш (1992) сообщили, что экстраверты, как правило, демонстрируют более высокую амплитуду Р300, чем интроверты, в необычных задачах.

В отличие от последнего исследования, мы использовали значимые занятия участников в качестве целевых стимулов, а не диапазонов, поэтому свойства стимулов и инструкции были принципиально другими. Таким образом, из-за различий в используемых методах наши результаты экспериментов с использованием визуальных стимулов позволяют предположить, что P300 и психологические характеристики не связаны.

Ограничения и проблемы этого исследования

Что касается ограничений и проблем этого исследования, можно отметить следующие моменты. Субъектами данного исследования были молодые люди, поэтому необходимо исследовать данный феномен в широком диапазоне возрастов и клинических ситуаций. Кроме того, результаты ERP в этом исследовании выявили только тенденцию, а анализ изображений функций мозга не проводился. Это исследование было предварительно проведено только с тремя основными участками мозга в качестве первого шага к установлению моста и фундаментальным исследованиям в области трудотерапии. Дальнейшие исследования должны изучить связь между самостоятельным выбором интересных занятий и работой мозга.

Заключение

Выбор интересного и значимого занятия в ADOC способствует когнитивной обработке за счет повышения мотивации и распределения ресурсов внимания. Более того, поскольку мы обнаружили умеренную корреляцию между степенью удовлетворенности занятием и распределением ресурсов внимания, мы предполагаем, что степень удовлетворенности занятиями влияет на когнитивную обработку. Эрготерапевты должны знать, какие профессии интересны пациенту, и помочь им выбрать одну из них самостоятельно, и, таким образом, могут повысить их удовлетворенность после консультации. Эти вмешательства могут способствовать повышению мотивации и когнитивной обработки. Наш главный вывод заключается в том, что выбор интересного и значимого занятия способствует когнитивной обработке.

Заявление о доступности данных

Все наборы данных, представленные в этом исследовании, включены в статью.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены Комитетом по этике эпидемиологических исследований Университета Кагосима. Пациенты/участники предоставили письменное информированное согласие на участие в этом исследовании.

Вклад авторов

KTok разработал концепцию рукописи. KTok написал первый черновик рукописи. ММ, СС, ГХ, КТом и ТТ писали разделы черновика. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование было поддержано грантом KAKENHI номер JP15K1698.

Конфликт интересов

КТок работал в отделении реабилитации Медицинской корпорации больницы Гёкусёкай Такада.

Остальные авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы хотели бы поблагодарить всех участников исследования в Университете Кагосима и Editage (www.editage.com) за редактирование на английском языке.

Ссылки

Арепаттаманнил, С., Фриман, Дж. Г., и Клингер, Д. А. (2011). Внутренняя мотивация, внешняя мотивация и успеваемость среди индийских подростков в Канаде и Индии. Соц. Психол. Образовательный 14, 427–439. doi: 10.1007/s11218-011-9155-1

CrossRef Полный текст | Google Scholar

Артур Р. и Дженсен Д. (1958). Инвентаризация личности Модсли. Acta Psychol. 14, 314–325. дои: 10.1016/0001-6918(58)

-4

Полнотекстовая перекрестная ссылка | Google Scholar

Кэхилл, Дж. М., и Полиш, Дж. (1992). P300, вероятностный и интровертный/экстравертный типы личности. биол. Психол. 33, 23–35. doi: 10.1016/0301-0511(92)

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Коэн Дж. и Полиш Дж. (1997). О количестве испытаний, необходимых для P300. Междунар. Дж. Психофизиол. 25, 249–255. doi: 10.1016/s0167-8760(96)00743-x

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Дункан-Джонсон, CC (1981). Задержка P300: новый показатель обработки информации. Психофизиология 18, 207–215. doi: 10.1111/j.1469-8986.1981.tb03020.x

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Экман, Массачусетс (2014). Проспективное лонгитюдное исследование, проверяющее взаимосвязь между значимыми занятиями, удовлетворением основных психологических потребностей и смыслом жизни. OTJR: Род занятий, участие и здоровье 34, 93–105. дои: 10.3928/15394492-20140211-01

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Эклунд М. и Леуфстадиус К. (2007). Взаимосвязь между профессиональными факторами и здоровьем и благополучием людей с устойчивыми психическими заболеваниями, проживающих в сообществе. Кан. Дж. Оккуп. тер. 74, 303–313. doi: 10.1177/000841740707400403

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хелфрих, Р. Ф., и Найт, Р. Т. (2019). Когнитивная нейрофизиология: связанные с событиями потенциалы. Справочник. клин. Нейрол. 160, 543–558. doi: 10.1016/B978-0-444-64032-1.00036-9

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ивасаки С., Ояма Т., Сугияма Ю., Кикути М. и Комацу Р. (1970). Разработка и валидация японской версии MPI (личностного опросника Модсли). япон. Психол. Рез. 12, 176–183. doi: 10.4992/psycholres1954.12.176

Полный текст CrossRef | Google Scholar

Кага К., Кога Ю., Осава М. и Хирамацу К. (1995). Руководство по потенциальным возможностям, связанным с событиями. Токио: Sinohara Press.

Клейх, С. К., Нийбур, Ф., Гальдер, С., и Кюблер, А. (2010). Мотивация модулирует амплитуду P300 во время использования интерфейса мозг-компьютер. клин. Нейрофизиол. 121, 1023–1031. doi: 10.1016/j.clinph.2010.01.034

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Кутас М., Маккарти Г. и Дончин Э. (1977). Увеличение умственной хронометрии: P300 как мера времени оценки стимула. Наука 197, 792–795. doi: 10.1126/science.887923

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Левак, В.М.М., и Дин, С. (2012). «Процессы реабилитации», в Межпрофессиональная реабилитация: личностно-ориентированный подход , редакторы С. Дин, Р. Зигерт и В. Тейлор (Сассек: John Wiley and Sons, Limited), 79–108.

Google Scholar

Марута М., Макизако Х., Икеда Ю., Мията Х., Накамура А. и Хан Г. (2020). Связь между депрессивными симптомами и удовлетворенностью значимыми занятиями у пожилых японцев, живущих в обществе. Дж. Клин. Мед. 9:795. doi: 10.3390/jcm95

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Марута М., Такахаши Х., Хан Г., Мията Х., Мацуо Т., Коура С. и др. (2019). Влияние самостоятельно выбранного содержания задачи на компонент P300 и время реакции. Актив. нерв. Супер. Редив. 61, 3–4.

Google Scholar

Маккарти Г. и Дончин Э. (1981). Метрика для размышлений: сравнение задержки P300 и времени реакции. Наука 211, 77–80. doi: 10.1126/science.7444452

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Mulert, C., Pogarell, O., Juckel, J., Rujescu, D., Giegling, I., and Rupp, D. (2004). Нейронная основа потенциала P300. Сосредоточьтесь на временном ходе основных корковых генераторов. евро. Арка Психиатрия клин. Неврологи. 254, 190–198. doi: 10.1007/s00406-004-0469-2

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Мураяма К., Мацумото М. , Изума К., Сугиура А., Райан Р. М., Деси Э. Л. и соавт. (2015). Как самостоятельный выбор облегчает выполнение ключевой роли вентромедиальной префронтальной коры. Церебр. Кортекс 2015, 1241–1251. doi: 10.1093/cercor/bht317

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Нагаяма М., Кобаяши Н., Исибаси Ю., Кобаяши Р., Мураи К. и Ямаути К. (2018). Стоимость и результат профессиональной практики для немощных пожилых людей, живущих в сообществе: пилотное исследование. клин. Интерв. Старение 13, 1177–1182. doi: 10.2147/cia.s163381

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Нильсен Т.Л., Петерсен К.С., Нильсен К.В., Стрём Дж., Элерс М.М. и Бьеррум М. (2017). Каковы краткосрочные и долгосрочные эффекты трудотерапии, ориентированной на профессию и на основе профессий в домашних условиях, на профессиональную эффективность пожилых людей? Систематический обзор. Скан. Дж. Оккуп. тер. 24, 235–248. дои: 10.1080/11038128.2016.1245357

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Олофссон Дж. К., Нордин С., Секейра Х. и Полич Дж. (2008). Эмоциональная обработка изображений: комплексный обзор результатов ERP. биол. Психол. 77, 247–265. doi: 10.1016/j.biopsycho.2007.11.006

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Паталл, Э. А., Купер, Х., и Робинсон, Дж. К. (2008). Влияние выбора на внутреннюю мотивацию и связанные с ней результаты: метаанализ результатов исследований. Псих. Бык. 134, 270–300. doi: 10.1037/0033-2909.134.2.270

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Райан Р. М. и Деси Э. Л. (2000). Теория самоопределения и содействие внутренней мотивации, социальному развитию и благополучию. утра. Психол. 55, 68–78. doi: 10.1037/0003-066x.55.1.68

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Шуберт М. , Йоханнес С., Кох М., Веринга Б. М., Денглер Р. и Мюнте Т. Ф. (1998). Дифференциальное влияние двух моторных задач на ERP в задаче слуховой классификации. Доказательства общих когнитивных ресурсов. Неврологи. Рез. 30, 125–134. doi: 10.1016/s0168-0102(97)00115-6

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Судзуки Дж., Ниттоно Х. и Хори Т. (2005). Уровень интереса к видеоклипам модулирует связанные с событием потенциалы слуховых зондов. Междунар. Дж. Психофизиол. 55, 35–43. doi: 10.1016/j.ijpsycho.2004.06.001

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Такакура К., Йошикава Т. и Фурухаши Т. (2016). «Исследование взаимосвязи между возрастом и сложностью необычных задач при пиковой задержке P300», в International Joint Conference on Neural Networks , (Ванкувер, Британская Колумбия: IEEE), 2076–2080.

Google Scholar

Танака М., Танейке Т. и Ниияма Ю. (2014). Исследование потенциала, связанного с событием, по предпочтениям с использованием изображений животных. Пер. Япония. соц. Мед. биол. англ. 52, 178–179.

Google Scholar

Томори К., Нагаяма Х., Сайто Ю., Оно К., Нагатани Р. и Хигаси Т. (2015). Исследование порогового значения для выражения значимой занятости людей с деменцией с использованием приложения для iPad (ADOC). Инвалид. Реабилит. Ассистент Технол. 10, 126–131. doi: 10.3109/17483107.2013.871074

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Томори К., Уэдзу С., Кинджо С., Огахара К., Нагатани Р. и Хигаси Т. (2012). Использование приложения для iPad: помощь в принятии решения при выборе профессии. Оккупация. тер. Междунар. 19, 88–97. doi: 10.1002/oti.325

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Топс, М., и Боскем, Массачусетс (2011). Потенциальная роль нижней лобной извилины и передней островковой доли в когнитивном контроле, ритмах мозга и потенциалах, связанных с событиями. Фронт. психолог. 2:330. doi: 10.3389/fpsyg.2011.00330

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Подход когнитивного моделирования к формированию стратегии при динамическом принятии решений

Введение

Лыжники (и сноубордисты) стремятся получить уникальные ощущения от катания на лыжах или сноуборде по покрытым порошком горам, прокладывая первую линию по свежевыпавшему снегу. Прежде чем принять решение о спуске с того или иного горного склона, они проверяют снежный покров, температуру и ветровую обстановку, чтобы не сойти лавина. Часто не одна характеристика снега является решающей, а их совокупность может изменить условия безопасного катания. Решение продолжать движение по склону часто пересматривается в зависимости от реакции на снег (например, осыпающийся снег, снежные тормоза или хороший рыхлый снег) и предыдущего опыта.

Описанный сценарий дает хороший пример сложного познания. Комплексное познание (Knauff and Wolf, 2010) исследует, как различные психические процессы влияют на планирование действий, решение проблем и принятие решений. Термин «психические процессы в сложном познании» включает не только когнитивные, но и мотивационные аспекты. Натуралистическое исследование принятия решений исследует, как решения принимаются «в дикой природе». Реальные решения, принимаемые людьми с определенным опытом, исследуются в условиях ограниченного времени, противоречивых целей, динамично меняющихся условий и источников информации разной степени надежности.

Такие сложные ситуации включают дополнительные аспекты, которые невозможно охватить вместе при изучении комплексного мышления. Тем не менее исследователи должны стремиться к описанию, пониманию и прогнозированию человеческого поведения во всей его сложности.

Модель, расположенная в когнитивной архитектуре, может имитировать несколько параллельных процессов, тем самым охватывая многогранные психологические явления и делая прогнозы, иногда даже для сложных задач. Тем не менее, разработка таких моделей требует поэтапной процедуры, позволяющей различать различные влияющие факторы. Для нашего лыжного примера сначала необходимо разработать и протестировать модель основного процесса принятия решений (например, на основе изучения категорий на основе характеристик снега и обратной связи). Впоследствии этот подход может быть расширен подходами к моделированию других процессов, влияющих на принятие решений (например, мотивация), для прогнозирования принятия решений в дикой природе.

Чтобы приблизиться к общей цели понимания познания в целом, изучение динамического принятия решений с помощью когнитивных архитектур представляет собой шаг в правильном направлении. При динамическом принятии решений решения не рассматриваются как фиксированные, но могут быть изменены поступающей информацией. Так, рассматриваются не только единичные аспекты принятия решений, такие как влияние внимания, но и факторы среды, дающие обратную связь о действии или приводящие к серьезным изменениям, требующим приспособления к новым условиям.

Однако в реальных решениях на наш будущий выбор и нашу обработку результатов решений влияет обратная связь из окружающей среды. Это интерактивный взгляд на принятие решений, называемый динамическим принятием решений (Gonzalez, 2017), примером которого является представленный выше сценарий. Согласно Эдвардсу (1962), три аспекта определяют динамическое принятие решений. Во-первых, для достижения определенной цели с течением времени предпринимается ряд действий. Во-вторых, действия зависят друг от друга. Таким образом, на решения влияют более ранние действия. В-третьих, что наиболее трудно исследовать, изменения в окружающей среде происходят как в результате этих действий, так и спонтанно (Эдвардс, 19 лет).62). Согласно Гонсалесу (2017), динамическое принятие решений — это процесс, в котором решения мотивируются целями и внешними событиями. Они зависят от предыдущих решений и результатов. Таким образом, решения принимаются на основе опыта и зависят от обратной связи. В большинстве случаев такие решения принимаются в условиях ограниченного времени. Поэтому длительные умственные проработки невозможны. Подводя итог, исследование динамического принятия решений исследует ряд решений, которые зависят от предыдущих решений и принимаются в условиях временных ограничений в изменяющейся среде.

Другой взгляд на динамическое принятие решений как на непрерывный цикл обновления ментальной модели представлен Ли и Маани (2011). Они описывают этот процесс с помощью цикла CER. CER расшифровывается как Conceptualization-Experimentation-Reflection. Концептуализация — это получение понимания ситуации и мысленное моделирование результатов возможных решений и связанных с ними действий. Таким образом, лицо, принимающее решения, сравнивает данную ситуацию с соответствующей информацией в своей ментальной модели и интегрирует новую информацию, полученную из окружающей среды, для разработки набора решений. Во время экспериментов решения и вмешательства, разработанные на основе ментальной модели лица, принимающего решения, проверяются в динамике реального мира. На этапе отражения результаты этапа экспериментов отражаются, например, обрабатывается обратная связь. Если ожидаемый результат достигнут (например, положительная обратная связь), первоначальные решения остаются в силе. Однако, если результат является неожиданным (например, отрицательная обратная связь) или если полученные результаты отличаются от ожидаемого результата, лицо, принимающее решение, обновляет свою ментальную модель. Для этого он или она выбирает альтернативные действия, такие как поиск новых источников информации для принятия более эффективных решений.

Было предложено, чтобы такие виды процедур принятия решений разделяли многие процессы с процедурой формирования категорий (Seger and Peterson, 2013). Категоризация — это умственная операция, которая группирует объекты на основе их сходных признаков. Когда новые категории формируются из заданного набора элементов без явных инструкций, сначала должны быть извлечены признаки, отличающие разные элементы. Затем должны быть сформированы и проверены гипотезы о релевантных функциях путем принятия последовательных решений.

Эксперименты по изучению категорий в когнитивной науке часто требуют, чтобы участники установили явные правила, определяющие членов целевой категории. Решения о последовательной категоризации подкрепляются обратной связью, указывающей, было ли решение правильным или нет. Успех таких экспериментов по обучению категориям на основе правил в решающей степени зависит от рабочей памяти и исполнительного внимания (Ashby and Maddox, 2011). Тот факт, что решения в реальном мире критически зависят от успеха или неудачи в предыдущих испытаниях, квалифицирует категориальное обучение как модель для динамического принятия решений.

Существует множество продвинутых вычислительных моделей категоризации, которые объясняют поведенческие характеристики субъектов в различных задачах категоризации (например, Nosofsky, 1984; Anderson, 1991; Ashby, 1992; Kruschke, 1992; Nosofsky et al., 1994; Erickson and Kruschke, 1998; Лав и др., 2004; Санборн и др., 2010). Эти конкурирующие модели различаются своими теоретическими предположениями (Lewandowsky et al., 2012), и в настоящее время нет единого мнения о том, как можно сравнивать и тестировать разные модели друг с другом (Wills and Pothos, 2012).

Другим требованием для динамического принятия решений является возникновение изменений в окружающей среде. Хорошо известная задача категоризации с использованием таких изменений реализована в Висконсинском тесте сортировки карточек (WCST; Berg, 1948). В этом тесте участники должны сначала выбрать правило с одной функцией (цвет, форма, количество символов), а затем должны переключиться на другое правило с одной функцией. Это задание проверяет способность проявлять поведенческую гибкость. Еще один экспериментальный подход к проверке поведенческой гибкости у людей и животных — обратное обучение (например, Clark et al., 2004; Jarvers et al., 2016). Здесь субъекты должны адаптировать свое выборочное поведение в соответствии с обратными непредвиденными обстоятельствами подкрепления.

Таким образом, эксперименты по обучению категорий с изменением правил могут служить подходящей парадигмой для изучения динамического принятия решений в лаборатории, хотя и с меньшей сложностью по сравнению с реальными сценариями.

Большинство экспериментов по обучению категорий на основе правил просты и используют только одну соответствующую характеристику стимула (например, определенный цвет предмета) в качестве основы для категоризации. В принципе, однако, такое ограничение не требуется, и эксперименты по обучению категорий на основе правил могут стать более сложными при использовании правил соединения. Их все еще можно легко описать словами (например, ответ А, если стимул мал по размерности x и мал по размерности y). Было показано, что правила конъюнкции можно выучить (например, Salatas and Bourne, 19).74), но гораздо менее заметны и обычно не применяются (Ashby et al., 1998).

Далее основные моменты, упомянутые выше, объединены в нашем примере с беговыми лыжами: Поскольку обратная связь от окружающей среды играет центральную роль в построении правильной мысленной модели, обратная связь в виде большого рыхлого снега указывает на то, что текущая стратегия верна. . Напротив, отрицательная обратная связь, например, снегопад, указывает на то, что следует изменить стратегию, возможно, искать другие спецификации характеристик или даже другую комбинацию характеристик, которые могут обещать лучший результат для катания на лыжах. Кроме того, внезапные изменения условий окружающей среды могут привести к изменению тех комбинаций признаков, которые указывают на положительный результат. В нашем примере изменением может быть другой склон холма с большей экспозицией к солнцу или повышением температуры, что требует, чтобы другие комбинации характеристик были приняты в качестве указания на безопасный спуск. Существует множество возможностей, какие функции и комбинации функций могут указывать на безопасные или небезопасные условия, что усложняет такую ​​задачу.

Таким образом, для изучения динамического принятия решений в эксперименте по обучению категории требуется задание с указанными выше характеристиками (последовательные решения с обратной связью, множественные характерные стимулы и переключение заданий категории). Чтобы определить, как люди изучают принадлежность признаков в динамической среде, и исследовать, как возникают стратегии с возрастающей сложностью, сначала необходимо разработать подход к моделированию, учитывающий эти аспекты. Если эта модель полезна и правдоподобна, она должна соответствовать средним поведенческим данным. Это важная веха на пути к более точной модели, которая, в свою очередь, должна предсказывать более подробные эмпирические данные (например, индивидуальные поведенческие или нейронные данные). Если этот шаг достигнут, то модели можно использовать в качестве систем помощи в принятии решений на индивидуальном уровне.

В этой статье мы используем поведенческие данные эксперимента, описанного ниже, для разработки исходной когнитивной модели, как описано выше. В ходе эксперимента участникам нескольких испытаний предъявлялось большое разнообразие многофункциональных слуховых стимулов. Затем участники должны были узнать методом проб и ошибок, какие комбинации спецификаций функций предсказывают положительный или отрицательный результат. Поскольку перцептивное изучение особенностей стимула не является предметом нашего исследования, мы использовали характерные и легко узнаваемые слуховые признаки. Чтобы соответствовать всем вышеупомянутым критериям динамического принятия решений, мы дополнительно ввели спонтанное изменение в окружающей среде, так что предыдущие решения о комбинациях функций внезапно нуждались в переоценке для получения положительной обратной связи.

В частности, мы хотели бы продемонстрировать, как различные аспекты, влияющие на динамическое принятие решений, могут решаться с помощью комбинации существующих и проверенных когнитивных механизмов в рамках архитектуры. Это: научиться различать положительные и отрицательные сочетания признаков в зависимости от обратной связи; последовательное тестирование сначала простых правил с одной функцией и переключение на более сложные правила с двумя функциями позже, а также использование метапознания для переоценки комбинаций функций после изменений среды. Другие подходы к моделированию также способны воспроизвести такие данные, но наш подход отличается тем, что он имеет основанную на теории интерпретацию правдоподобных когнитивных механизмов.

Зачем использовать когнитивное моделирование?

Метод когнитивного моделирования требует точности расплывчатых теорий. Чтобы научные теории были точными, эти вербальные теории должны быть формально смоделированы (Димов и др., 2013). Таким образом, теории должны быть ограничены поддающимися описанию процессами и научно установленными механизмами. Как заявляют Саймон и Ньюэлл (1971), «программируемость теорий является гарантией их работоспособности и железной страховкой от проникновения в голову магических сущностей» (стр. 148).

Когнитивные модели могут делать прогнозы того, как взаимодействуют несколько аспектов или переменных, и производить поведение, наблюдаемое в эмпирических исследованиях. В реальных жизненных ситуациях поведение порождается множественными влияниями. Когнитивные модели помогают понять, какие взаимосвязанные когнитивные процессы приводят к наблюдаемому поведенческому результату. Когнитивные модели могут выполнять ту же задачу, что и люди-участники, моделируя несколько текущих когнитивных процессов. Таким образом, модели могут дать представление о задачах, которые слишком сложны для анализа с помощью контролируемых экспериментов. Тем не менее изучение такой задачи с участниками обязательно для сравнения результатов моделей и участников. Однако понимание процесса, ведущего к результату, более важно, чем идеальное соответствие модели заданному набору экспериментальных результатов. Наша цель в этом отношении — понять процессы, лежащие в основе принятия решений человеком, не в последнюю очередь помочь людям стать лучше в процессе принятия решений (Wolff and Brechmann, 2015).

Прогнозы, сделанные когнитивными моделями, можно сравнивать не только со средними данными результатов (такими как время реакции или процент правильных решений), но и с данными обработки. Данные процесса представляют собой шаблоны поиска информации, например, нейронные данные. В связи с этим когнитивные модели могут быть проинформированы данными ЭЭГ и фМРТ для эмпирического подтверждения таких процессов (Forstmann et al., 2011; Borst and Anderson, 2015).

Разработка нейробиологически правдоподобных моделей находится в центре внимания обучения с подкреплением (например, Sutton and Barto, 1998). Целью таких вычислительных моделей является лучшее понимание механизмов, задействованных на уровне нейронной сети, которые изучались с использованием инвазивных электрофизиологических измерений в различных областях мозга животных (например, в сенсорной и моторной коре, базальных ганглиях и префронтальной коре). Такие модели нейронных сетей недавно были применены к задачам обучения, требующим гибкого поведения (например, задачи обращения в непредвиденных обстоятельствах). Читатель отсылается к недавней статье Jarvers et al. (2016), который дает обзор литературы по обратному обучению и описывает рекуррентную модель нейронной сети для задачи обучения слуховой категории, такой как та, которая применяется в текущей статье. Эта вероятностная модель обучения хорошо соответствует эмпирическому учебному поведению, но не интерпретирует когнитивные процессы, которые приводят к этому поведению. Он постулирует неопределенный метакогнитивный механизм, контролирующий выбор соответствующей стратегии. Именно здесь в игру вступает сила нашего подхода; Он специфичен в отношении метакогнитивных механизмов, управляющих поведением в таких задачах. Примером могут служить процессы, которые гарантируют, что после ряда отрицательных результатов будет инициировано изменение стратегии.

Подводя итог, можно сказать, что когнитивное моделирование является фальсифицируемой методологией изучения познания. В научной практике это означает, что точные гипотезы реализуются в исполняемых когнитивных моделях. Результаты этих моделей (процесс и продукт) затем сравниваются с эмпирическими данными. Индексы пригодности, такие как r ² и RSME, а также качественные тенденции предоставляют информацию о предсказательной силе когнитивных моделей.

Более конкретно, основные цели когнитивного моделирования заключаются в том, чтобы (а) описать (б) предсказать и (в) предписать поведение человека (Marewski and Link, 2014). Модель, которая описывает поведение , которое может воспроизводить поведение участников-людей. Однако, если модель точно воспроизводит поведение, обнаруженное в человеческих данных, это свидетельствует о переоснащении. В этом случае модель имеет параметры, которые также соответствуют шумам, обнаруженным в эмпирических данных. Для решения таких проблем, связанных с моделями с завышенной спецификацией, важно протестировать модель на новом наборе данных и, таким образом, оценить, насколько хорошо она может предсказывать новые данные. Prescribe означает, что модель должна быть обобщаемой, чтобы она могла предсказывать поведение в различных ситуациях. Более того, предпочтительнее надежные модели, это означает, что на выходные данные модели нелегко повлиять конкретными настройками параметров.

Термин «когнитивная модель» включает все виды моделей познания — от очень конкретных, изолированных когнитивных аспектов, применимых только в определенных ситуациях, до более всеобъемлющих и обобщающих. Последние кандидаты — это когнитивные архитектуры, рассматривающие познание как единое целое. Они нацелены на объяснение не только поведения человека, но и лежащих в его основе структур и механизмов. Поэтому когнитивные модели, написанные на основе когнитивных архитектур, обычно не фокусируются на отдельных когнитивных процессах, таких как какой-то конкретный процесс обучения. Напротив, взаимодействие различных когнитивных процессов и контекст когнитивных процессов моделируются вместе. Моделирование отношений между различными подсистемами особенно актуально для прикладных исследовательских задач. Структуры и механизмы для этого обеспечиваются когнитивной архитектурой и должны быть психологически и нейронно правдоподобными (Thomson et al. , 2015).

Наиболее часто используемые когнитивные архитектуры, такие как ACT-R, предсказывают процессы на мелкозернистом уровне в диапазоне 50 мс. Эти процессы могут быть реализованы вычислительно. Однако они встроены в когнитивные теории — это то, что отличает когнитивные модели, построенные с помощью когнитивных архитектур, от математических моделей, таких как нейронные сети. Последние модели формально объясняют поведение с точки зрения вычислительных процессов. Таким образом, их объяснение поведения можно рассматривать с точки зрения вычислительных процессов, но они не нацелены на когнитивные интерпретации (Бауэрс и Дэвис, 2012).

Когнитивная архитектура ACT-R

Когнитивная архитектура ACT-R (Adaptive Control of Thought—Rational) успешно использовалась для моделирования различных динамических задач принятия решений и является очень полезной архитектурой для моделирования обучения (Anderson, 2007; Гонсалес, 2017). Далее дается технический обзор основных структур и механизмов, управляющих когнитивными моделями в ACT-R. Мы сосредоточимся только на тех аспектах, которые важны для понимания нашего подхода к моделированию. Для более подробного ознакомления с ACT-R мы рекомендуем посетить веб-сайт ACT-R ¹ .

Основной целью ACT-R является моделирование познания в целом с использованием различных модулей, которые взаимодействуют друг с другом для имитации когнитивных процессов. Эти модули взаимодействуют через интерфейсы, называемые буферами. ACT-R представляет собой гибридную архитектуру, поэтому в модулях ACT-R реализованы символьные и субсимвольные механизмы.

В нашей модели используются двигательный, декларативный, имагинальный, целевой, слуховой ² и процедурный модуль. Двигательный модуль представляет собой моторный выход ACT-R. Декларативный модуль — это долговременная память ACT-R, в которой хранятся и извлекаются все информационные единицы (фрагменты). Воображаемый модуль — это рабочая память ACT-R, в которой хранится и модифицируется текущее состояние задачи (промежуточное представление, важное для выполнения задачи). Таким образом, воображаемый модуль играет важную роль в обучении. Модуль цели содержит состояния управления. Это подцели, которые должны быть достигнуты для основной цели. Слуховой модуль — это перцептивный модуль слуха. Процедурный модуль играет центральную роль в ACT-R. Это интерфейс других процессоров, поскольку он выбирает правила производства (см. ниже) на основе текущего состояния модулей.

Для написания модели разработчик модели должен указать символические части ACT-R. Это (а) продукционные правила и (б) куски. Блоки — это наименьшие единицы информации. Вся информация в ACT-R хранится фрагментами. Продукционные правила (например, продукционные) состоят из условия и действия. Производства выбираются последовательно, и в каждый момент времени может быть выбрано только одно производство. Производство может быть выбрано только в том случае, если состояние части производства соответствует состоянию модулей. Затем часть действия изменяет фрагменты в модулях. Если более чем одна продукция соответствует состоянию модулей, то процесс выбора субсимвольной продукции выбирает, какая из совпадающих продукций будет выбрана.

Еще один субсимвольный процесс в ACT-R — активация фрагмента. Он определяет, можно ли извлечь фрагмент из памяти и сколько времени занимает это извлечение. Полезность чанка в прошлом (активация на базовом уровне), актуальность чанка в текущем контексте (ассоциативная активация) и параметр шума в сумме составляют значение активации чанка. Модификация субсимвольных механизмов ACT-R также является частью процедуры моделирования. Это можно сделать с помощью определенных параметров, однако большинство параметров имеют значения по умолчанию, полученные из предыдущих исследований (Wong et al., 2010), которые следует использовать.

Как можно смоделировать принятие решений и изучение категорий в ACT-R?

Существует множество различных стилей написания моделей в ACT-R (Taatgen et al., 2006). Для принятия решений использовались следующие подходы к моделированию: (а) на основе стратегии или правил, (б) на основе образцов или экземпляров и (в) подходы, сочетающие стратегии и образцы. Эти подходы будут сравниваться, чтобы обосновать выбранный нами подход к моделированию.

В стратегиях или моделях, основанных на правилах , различные стратегии решения проблем реализуются с использованием различных правил производства, и успешные стратегии вознаграждаются. Основанные на правилах теории обучения по категориям постулируют, что классификатор должен идентифицировать категорию объекта, проверяя его на соответствие различным правилам. Итак, чтобы найти решение проблемы, используются стратегии в виде правил.

Образцы или модели на основе экземпляров полагаются на предыдущий опыт, хранящийся в декларативной памяти, для решения проблем принятия решений. Содержание и структура экземпляров зависят от индивидуального обрамления. Это не полное представление события, но оно представляет характеристики функций, на которых сосредоточен решатель проблем, вместе с отзывами опытных пользователей. Образцовые теории обучения категориям постулируют, что экземпляры категорий запоминаются. Чтобы решить, принадлежит ли экземпляр к категории, новый экземпляр сравнивается с существующим экземпляром. Обучение на основе примеров (IBL) основано на примерах в контексте динамических процессов принятия решений и включает механизмы обучения, такие как поиск на основе распознавания. Поиск экземпляров зависит от сходства между текущей ситуацией и экземплярами, хранящимися в памяти. В ситуациях IBL наблюдения за результатами сохраняются фрагментами и извлекаются из памяти для принятия решений. Подсимвольная активация извлеченных экземпляров определяет, какие экземпляры могут быть извлечены в данной ситуации. Обучение на основе примеров требует некоторого предшествующего изучения соответствующих примеров. Затем лица, принимающие решения, могут извлекать и обобщать эти примеры (Gonzalez et al., 2003).

Модели смешанного подхода используют как правила, так и экземпляры для решения проблем принятия решений.

Несколько авторов реализовали описанные подходы в категориальном обучении и среде принятия решений. В модели ACT-R, основанной на стратегии, Орендейн и Вуд (2012) реализовали различные стратегии для решения сложных проблем в игре микромира ³ под названием «Вождь огня». Их модель отражала поведение участников игры. Кроме того, можно моделировать различные условия обучения и результирующее поведение участников. Модель выступала более или менее гибко, как и участники, в зависимости от различных условий обучения. Это показывает, что успех в обучении стратегии зависит от последовательности стимулов в условиях обучения. Peebles and Banks (2010) использовали основанную на стратегии модель задачи динамических запасов и потоков (DSF). В этой задаче уровень воды должен поддерживаться постоянным, но приток и отток воды меняются с разной скоростью. Модель стратегий ACT-R для выполнения этой задачи была реализована в виде продукционных правил. Модель точно воспроизвела данные, но менее успешно предсказывала новые данные. Авторы предположили, что, просто расширив модель, чтобы она содержала больше стратегий и гипотез, она также сможет предсказывать такие новые данные. Таким образом, определение адекватных правил имеет решающее значение для моделей, основанных на правилах.

Гонсалес и др. (2009) сравнили производительность двух моделей ACT-R, модели, основанной на экземплярах, и модели, основанной на стратегии, в задаче RADAR. В этом задании участники и модель должны были визуально различать движущиеся цели (самолеты) среди движущихся дистракторов, а затем устранять цели. Обе модели достигли примерно одинакового общего соответствия данным участников, но IBL показала лучшие результаты в задаче переноса.

Лебьер и др. (1998) протестировали две образцовые модели, которые фиксируют обучение во время решения сложной задачи, называемой сахарным заводом (Берри и Бродбент, 19).88). Задача «Сахарная фабрика» исследует, как субъекты учатся управлять сложными системами с лежащим в их основе неизвестным динамическим поведением. Задача требует, чтобы испытуемые произвели определенное количество сахарных изделий. Таким образом, в каждом испытании необходимо соответствующим образом корректировать рабочую силу. Две образцовые модели продемонстрировали адекватное поведение при обучении, аналогичное поведению испытуемых. В последующем исследовании Фум и Стокко (2003) исследовали, насколько хорошо эти оригинальные модели могут предсказать поведение участников в случае гораздо более низкого целевого количества сахарного продукта, чем в исходном эксперименте. Кроме того, они исследовали, могут ли модели воспроизводить поведение в случае переключения с высокого целевого количества продукта на низкое целевое количество продукта и наоборот во время эксперимента. Производительность участников значительно увеличилась в первом случае. Первоначальные модели IBL не могли отразить это поведение. Поэтому авторы разработали модель, основанную на правилах, которая захватила субъекты, меняющие поведение.

Rutledge-Taylor et al. (2012) сравнили модель, основанную на правилах, и модель, основанную на образцах, для задачи категоризации интеллекта, где необходимо было изучить и присвоить усвоенные характеристики. Обе модели одинаково хорошо показали себя в прогнозировании данных участников. Ни одна модель не превосходила другую.

В другом исследовании по категоризации Андерсон и Бетц (2001) изучили три задачи обучения по категориям с тремя разными моделями ACT-R, моделью на основе образцов, моделью на основе правил и смешанной моделью. Смешанная модель подходила лучше всего, воспроизводя эффекты обучения и задержки, обнаруженные в эмпирических данных.

Таким образом, нет четких доказательств того, что тот или иной подход к моделированию лучше. В своей статье Андерсон и Бетц (2001) заявляют, что смешанный подход, вероятно, наиболее близок к тому, как люди категоризируют, потому что предположение, что категоризация основана либо исключительно на образцах, либо исключительно на правилах, вероятно, слишком ограничено. Кроме того, последовательность стимулов и адекватная спецификация правил важны для динамического принятия решений и задач обучения категориям.

Кроме того, модели сложных задач должны включать метакогнитивные процессы, такие как отражение и оценка прогресса выбранного подхода (Roll et al. , 2004; Reitter, 2010; Anderson and Fincham, 2014). Модель Reitter (2010) динамических запасов и потоковых задач исследовала, как субъекты управляют стратегиями конкурирующих задач. Индивидуальный анализ эмпирических данных показал, что участники демонстрировали внезапные заметные изменения в поведении. Механизмы обучения, которые являются чисто субсимволическими, не могут объяснить такое поведение, потому что изменение поведения модели заняло бы слишком много времени. Кроме того, стратегии участников, казалось, менялись в зависимости от сложности водного потока. Таким образом, модель этой задачи должна учитывать изменения в стратегии, а не только постепенное обучение. Рейтер (2010) предполагает, что человеческие решения реальных проблем возникают из комбинации общих механизмов (основных механизмов обучения) и стратегий принятия решений, характерных для многих задач когнитивного моделирования. Его модель реализует несколько стратегий для решения основной задачи управления, а также механизм ранжирования и выбора этих стратегий в соответствии с их уместностью в данной ситуации. Это представляет собой метакогнитивный аспект его модели.

Наша цель

Наша цель — разработать подход к моделированию ACT-R для динамического принятия решений в задаче обучения категории. Подходящая задача для такого подхода к моделированию должна удовлетворять нескольким требованиям. Во-первых, он должен использовать сложные многофункциональные стимулы для модели, чтобы строить категории из комбинированных признаков. Во-вторых, задача должна обеспечивать обратную связь, тем самым позволяя модели обучаться. В-третьих, изменения в среде должны происходить во время выполнения задачи, заставляя модель воздействовать на них путем уточнения однажды изученных наборов категорий.

Чтобы смоделировать производительность такой задачи, подход к моделированию должен включать механизмы обучения стратегии и переключения стратегии. В нем должно быть точно указано, как гипотезы об обучении по категориям могут быть реализованы с помощью ACT-R. Следует использовать смешанный подход к моделированию правил и образцов, поскольку предыдущие работы показывают, что такие модели наиболее подходят для динамических задач принятия решений. Кроме того, поскольку необходимо учитывать переключение в присвоении категорий, а также мониторинг прогресса обучения, метакогнитивные аспекты должны быть включены в подход к моделированию.

Наш подход к моделированию должен предоставлять информацию о реальных когнитивных процессах, лежащих в основе динамического принятия решений человеком. Следовательно, он должен быть в состоянии предсказывать поведение человека и демонстрировать примерно те же эффекты производительности, которые можно найти в эмпирических данных, отражающих процесс принятия решений, например, в частоте ответов. Что еще более важно, мы стремимся разработать общую модель динамического принятия решений. Чтобы модель была общей (например, не подходящей исключительно для одной конкретной экспериментальной установки или набора данных), она должна быть простой. Таким образом, следует использовать только несколько допущений и избегать ненужных. В результате подход к моделированию должен быть способен предсказывать поведение с другими стимулирующими материалами и переноситься на другие аналогичные задачи.

Подводя итог этой статье, предлагаемый нами подход к моделированию направлен на отображение основных процессов принятия решений человеком, таких как включение обратной связи, обновление стратегии и метапознание. Построение модели с когнитивной архитектурой гарантирует использование оцененных когнитивных процессов. Задача состоит в том, чтобы увидеть, могут ли эти когнитивные аспекты, включая процессы архитектуры, привести к эмпирическому обучению:

Во-первых, в модель следует включить улучшение производительности за счет обратной связи. В случае изучения функций и обновления стратегии улучшения стратегии рассматриваются только в случае отрицательной обратной связи (Li and Maani, 2011). Если обратная связь сигнализирует о положительном решении, люди обдумывают выбранную стратегию для последующего использования. Таким образом, люди обновляют свою ментальную модель во время динамического принятия решений только в том случае, если они получают негативную обратную связь (Li and Maani, 2011). Для нашей модели изучения признаков это означает, что после того, как успешная стратегия была выбрана вместо альтернатив, пересмотр этой стратегии потребует отрицательной обратной связи по этой стратегии, а не положительного опыта с другими, поскольку они больше не исследуются.

Во-вторых, модель должна включать переходы от простых стратегий к сложным. Результаты показывают, что люди сначала используют простые решения, а затем переключаются на более сложные (Johansen and Palmeri, 2002). Обсуждаемый подход к моделированию должен быть построен аналогичным образом. Вначале он должен следовать простым стратегиям категоризации с одной функцией, а затем переключаться на более сложные стратегии с двумя функциями.

В-третьих, модель должна использовать метакогнитивные механизмы. Например, ему нужны спецификации, при каких условиях требуется переключение с однофункциональной стратегии на многофункциональную. Кроме того, метакогнитивные аспекты должны отражать предыдущие успехи в обучении. Таким образом, в модели должно быть реализовано отслеживание того, какие подходы были полезными, а какие нет, или того, как часто стратегия была успешной в прошлом. Более того, такие механизмы должны обеспечивать, чтобы, если стратегия была успешной в прошлом и потерпела неудачу в первый раз, она не отбрасывалась напрямую, а тестировалась снова. Кроме того, метакогнитивные механизмы должны не только решать проблему перехода от однофункции к многофункции, но и включать реакцию на изменения в окружающей среде.

Материалы и методы

Далее представлен эксперимент динамического принятия решений и наша модель, выполняющая ту же задачу. Модель включает механизмы интеграции обратной связи, переключения от простых стратегий к сложным и обращения к метапознанию. Модель была построена после получения экспериментальных данных.

Этот раздел подразделяется следующим образом: Во-первых, описывается выборка участников, установка и стимулы эмпирического эксперимента. Затем подробно объясняется подход к моделированию. После этого представлены настройки модели и стимулы. Наконец, описываются аналитические методы для оценки соответствия между моделью и эмпирическими результатами.

Участники эксперимента

55 человек участвовали в эксперименте, который проводился внутри МР-томографа 3 Тесла ⁴ (27 женщин, 28 мужчин, возраст от 21 до 30 лет, все правши, с нормальным слухом). Все испытуемые дали письменное информированное согласие на исследование, которое было одобрено этическим комитетом Магдебургского университета, Германия.

Экспериментальные стимулы

Набор частотно-модулированных различных тонов служил стимулами для задачи категоризации. Тоны различались по продолжительности (короткие, 400 мс, против длинных, 800 мс), направлению частотной модуляции (возрастание или падение), интенсивности (низкой интенсивности, 76–81 дБ, высокой интенсивности, 86–9 дБ).1 дБ), диапазон частот (пять низких частот, 500–831 Гц, против пяти высоких частот, 1630–2639 Гц) и скорость модуляции (медленная, 0,25 октавы/с, против быстрой, 0,5 октавы/с), в результате получается 2 × 2 × 2 × 10 × 2 (160) различных тонов. Свойствами стимула, соответствующими задаче, были направление частотной модуляции и продолжительность звука, в результате чего были определены четыре категории тонов: короткий / восходящий, короткий / падающий, длинный / восходящий и длинный / падающий. Для каждого участника одна из этих категорий составляла целевые звуки (25%), а остальные три категории служили нецелевыми звуками (75%).

В качестве стимулов обратной связи мы использовали естественно произносимые высказывания (например, ja, «да»; nein, «нет»), а также одно высказывание с тайм-аутом (zu spät, «слишком поздно»), взятые из оцениваемого просодического корпуса MOTI. (Вольф и Брехманн, 2012, 2015).

Экспериментальная парадигма

Эксперимент длился около 33 минут, в ходе которого в 240 попытках предъявлялось большое количество частотно-модулированных тонов (см. раздел «Экспериментальные стимулы» выше) в псевдорандомизированном порядке и с дрожащим интервалом между пробами, равным 6, 8 или 10 с. Участникам было предложено указать нажатием кнопки, считают ли они тон в каждом испытании целевым (правый указательный палец) или нецелевым (правый средний палец). Они не были проинформированы о целевой категории, но должны были учиться методом проб и ошибок. За правильными ответами следовала положительная обратная связь, за неправильными ответами следовала отрицательная обратная связь. Если участники не реагировали в течение 2 с после появления тона, предоставлялась обратная связь по тайм-ауту.

После 120 попыток введен перерыв 20 с. В следующем испытании непредвиденные обстоятельства были изменены таким образом, что для целевого стимула требовалось нажатие правой, а не левой кнопки. Участников заранее проинформировали о периоде отдыха после завершения первой половины эксперимента, но им не сообщили об изменении ситуации.

Подробное описание модели

Далее подробное описание модели. Сначала приводится описание основных декларативных представлений (чанков). Они отражают репрезентации стратегии и метакогнитивные процессы. Затем следует описание того, как модель проходит испытания. Наконец, резюмируются правила, управляющие изучением стратегии.

Блоки и правила производства, используемые в модели

Блоки, реализованные в модели, показаны на рис. 1. «Кунки стратегии» содержат стратегии в форме примеров пар характеристик-значений и ответов. Они хранятся в долговременной памяти и извлекаются из нее (декларативный модуль). Текущая стратегия хранится в рабочей памяти (воображаемый модуль). Фрагменты стратегии содержат следующую информацию о стратегии: какие функции и какие соответствующие значения являются релевантными (например, звук громкий или звук громкий и его частотный диапазон высокий), каков предлагаемый ответ ( категоризация, 1 или 0) и степень сложности стратегии (например, одно- или двухфункциональная стратегия). Кроме того, механизм оценки является частью этого фрагмента. Это включает в себя отмечание того, была ли стратегия неудачной, и отслеживание того, как часто стратегия была успешной. Этот механизм отслеживания замечает, была ли первая попытка использовать эту стратегию успешной. Затем он подсчитывает количество успешных применений стратегии; этот явный подсчет продолжается до тех пор, пока не будет достигнуто определенное значение. Мы внедрили такой механизм порогового подсчета, чтобы отразить субъективное ощущение, что стратегия часто бывает полезной. Мы реализовали разные пороговые значения для модели. Мы также различали порог для стратегий с одной функцией (первый счет) и для стратегий с двумя функциями (второй счет). Механизм отслеживания можно рассматривать как метакогнитивный аспект нашей модели. Другие метакогнитивные аспекты реализуются в «управляющей части», которая хранится в целевом буфере модели. К таким метакогнитивным аспектам относятся: во-первых, уровень функциональной сложности стратегии, т. е. пытается ли модель решить задачу с помощью одно- или двухфункциональной стратегии; во-вторых, независимо от того, вызвала ли давняя успешная стратегия ошибку, это означает неопределенность модели в отношении точности текущей стратегии; в-третьих, произошли ли изменения в среде, требующие возобновления поиска адекватной стратегии.

Рисунок 1. Схематическое построение структуры блока управления и стратегии. Nil указывает, что переменная не имеет значения.

Пробная структура

Производственные правила определяют, как модель выполняет задачу. Поток модели через ее продукционные правила показан на рисунке 2. В следующем разделе описывается, как модель проходит испытания, конкретные продукционные правила указаны в скобках.

Рис. 2. Схематический обзор того, как модель проходит испытания. Темно-серые прямоугольники слева представляют продукционные правила, светло-серые овалы справа — основные задействованные буферы.

Тон передается модели и поступает в звуковой буфер (прослушивание) . После окончания тона он кодируется в звуковом буфере (кодирование) . Таким образом, фрагмент со всей необходимой звуковой информацией (длительность, направление изменения высоты тона, интенсивность и частотный диапазон — см. Раздел «Моделирование парадигмы и стимулы» ниже) находится в слуховом буфере, и модели доступны все четыре характеристики тона. Затем звуковой фрагмент в слуховом буфере сравнивается с фрагментом стратегии, хранящимся в воображаемом буфере 9.0270 (сравнить) . Если специфические особенности (например, высокая интенсивность) фрагментов стратегии такие же, как и в звуковом фрагменте, ответ соответствует стратегии, предложенной моделью (реакция-то же самое) , если нет, то противоположный ответ. выбранный (реагировать-другой) . Представленная обратная связь прослушивается и сохраняется в звуковом буфере местоположения (прослушивание-обратная связь) , а затем кодируется в звуковом буфере (кодирование-обратная связь) . Если обратная связь положительна, текущая стратегия сохраняется в воображаемом буфере, а счетчик-слот обновляется (обратная связь-корректная) . Если обратная связь отрицательная, стратегия обновляется в зависимости от предыдущего опыта (неправильная обратная связь) . Таким образом, фрагмент другой стратегии извлекается из декларативной памяти и копируется в воображаемый буфер.

Поиск адекватной стратегии

Все возможные стратегии уже имеются в долговременной памяти модели. Текущая стратегия сохраняется в рабочей памяти и оценивается с учетом обратной связи. При положительных отзывах стратегия сохраняется и подсчитывается, насколько часто она оказывается успешной. Если обратная связь отрицательна, стратегия обычно изменяется. В следующем подразделе кратко описано, как осуществляется обновление стратегии. Для получения дополнительной информации см. рис. 3.9.0003

Рисунок 3. Правила, определяющие, когда и в какой степени стратегии изменяются после получения отрицательной обратной связи.

Модель всегда начинается со стратегии с одной функцией (какая стратегия начинается, определяется случайным образом), а затем переключается на другую стратегию с одной функцией. Характер переключения зависит от того, насколько часто та или иная стратегия оказывалась успешной. Когда модель ищет различные стратегии с одной функцией, она извлекает только те стратегии, которые в последнее время не использовались. В случае немедленного отказа стратегии с одной функцией для пары функция-значение используется другой ответ. В других случаях пара характеристика-значение изменяется, но ответ сохраняется. Если стратегия с одной функцией часто оказывалась успешной, а затем один раз терпела неудачу, стратегия не обменивается напрямую, а переоценивается. Однако также отмечается, что стратегия вызвала ошибку. Две возможности объясняют, почему происходит переключение от стратегии с одной функцией к стратегии с двумя функциями: такое переключение может произойти либо потому, что ни одна стратегия с одной функцией, которая не была оценена отрицательно, не может быть извлечена, либо потому, что часто успешная стратегия с одной функцией неоднократно терпела неудачу. Переключения в двухфичей стратегии моделируются следующим образом: если двухфункция не удалась с первой попытки, используется любая другая двухфункция (какая именно — случайная). Если стратегия с двумя признаками была первоначально успешной, а затем потерпела неудачу, то будет выбрана новая стратегия, которая сохраняет одну из пар признак-значение и ответ. Эта стратегия отличается только другой парой характеристика-значение. Когда среда меняется, ранее часто успешная стратегия с двумя функциями (а также стратегия с одной функцией) потерпит неудачу. Затем предпринимается попытка поиска другой стратегии с двумя признаками. Если в момент изменения среды модель не нашла успешную двухфункциональную стратегию, она продолжит поиск полезной двухфункции и, таким образом, не заметит изменения.

Парадигма моделирования и стимулы

В следующем разделе кратко описывается, как был реализован эксперимент для модели. Это включает в себя краткий обзор того, как представление стимула было изменено для модели.

Задание участников реализовано для модели в ACT-R 7.3 с небольшими изменениями. Те же четыре псевдорандомизации, которые использовались для участников, также использовались для модели. Таким образом, 25% стимулов были целевыми. Суд начинался с тона, который длился 400 мс. Чтобы смоделировать две длительности стимула, мы использовали две разные функции в команде new-other-sound. Как только модель реагировала нажатием кнопки, появлялась звуковая обратная связь. В целом испытание длилось в течение рандомизированного периода 6, 8 или 10 с, аналогично исходному эксперименту. У модели не было разрыва после 120 испытаний, но цели менялись и после 120 испытаний.

Вместо того, чтобы использовать все 160 различных тонов, модели были представлены шестнадцать различных тонов. Каждый из тонов представляет собой комбинацию четырех характеристик четырех бинарных признаков: длительность (длинный или короткий), направление частотной модуляции (возрастающий или падающий), интенсивность (низкая интенсивность или высокая интенсивность) и частотный диапазон ( низкий против высокого). Для модели использовались только бинарные признаки, потому что разница в восприятии между двумя классами каждого выбранного признака была высокой, за исключением скорости модуляции, которая поэтому не была реализована в модели. Для участников использовалось больше вариаций функций, чтобы гарантировать категоричность решений и предотвратить запоминание ими отдельных пар тон-обратная связь. Для модели это не проблема, так как не реализован механизм, позволяющий такое запоминание. Что касается участников, модели была представлена ​​слуховая обратная связь.

Подход к моделированию представляет собой смешанный подход к моделированию, стратегии кодируются как экземпляры, но то, какой именно экземпляр извлекается, в основном регулируется правилами.

Чтобы проверить, является ли модель обобщаемой, были реализованы различные варианты. Кривые обучения, найденные в эмпирических данных, все же должны быть найдены при различных возможных настройках параметров. Однако конкретные настройки параметров должны влиять на прогностическое качество модели. Подход, обычно выбираемый разработчиками когнитивных моделей, заключается в поиске конкретных настроек параметров, которые приводят к оптимальному совпадению, а затем в отчете об этом соответствии. Цель такого подхода — показать, что модель напоминает текущие когнитивные процессы у людей. Мы выбрали другой подход. Наша цель — показать, что наш подход к моделированию может отображать общее поведение, такое как обучение и обратное обучение, а также дисперсию, обнаруженную в данных. Изменяя настройки параметров, мы хотим оптимизировать соответствие модели и проверить устойчивость механизмов модели к изменениям параметров.

Что касается выбора варьируемых параметров, мы используем термин расширенного параметра, который включает не только субсимволические параметры ACT-R (которые обычно рассматриваются как параметры), но и определенные (производственные) правила (Stewart and West, 2010). В случае этой модели продукции, управляющие механизмом отслеживания успешных стратегий, разнообразны. Механизм отслеживания отслеживает, насколько часто стратегия оказывается успешной. Однако модель не увеличивает счет на протяжении всего эксперимента. После достижения порога успешная стратегия помечается как «успешная часто». После этого он не сбрасывается напрямую в случае отрицательной обратной связи, а переоценивается. Итак, чтобы ответить на вопрос, каковы наиболее подходящие значения для порога первого и второго счета, эти значения варьировались. Еще одно реализованное предположение модели заключается в том, что этот порог отличается для стратегий с одной и двумя функциями. Мы предположили, что порог для стратегий с двумя признаками должен быть в два раза больше, чем для стратегий с одним свойством, как если бы модель учитывала каждый признак отдельно. Первый счет менялся на три, четыре и пять, а второй счет на шесть, восемь и десять.

Помимо параметров, управляющих механизмом слежения, мы также исследовали механизм памяти, управляемый параметрами. Последний определяет, как долго модель может помнить, если она уже использовала предыдущую стратегию. Это параметр declarative-finst-span ⁵ ACT-R. Мы предположили, что участники помнят, какую стратегию они использовали ранее примерно 10 раз назад. Поэтому мы протестировали два разных значения (80 и 100 с) для этого параметра, определяя, может ли модель запомнить, был ли этот фрагмент извлечен за последние 80 (или 100) с. Комбинация declarative-finst-span (80, 100), трех значений для первого счета (3, 4, 5) и трех значений для второго счета (6, 8, 10) привела к 18 вариантам моделирования (см. Таблицу). 1).

Таблица 1. Версии моделирования, полученные в результате объединения различных настроек параметров для первого и второго счетчика и декларативного finst-span.

Анализы

Каждая из моделей была запущена 160 раз, по 40 раз для каждого псевдорандомизированного порядка, с использованием ACT-R 7.3. Данные были предварительно обработаны с помощью пользовательских файлов Lisp, а затем проанализированы с помощью Microsoft Excel.

Данные модели и эмпирические данные были разделены на 12 блоков по 20 испытаний в каждом блоке. Средняя доля правильных ответов и стандартное отклонение на блок были рассчитаны для эксперимента, а также для каждой из 18 моделей.

Одной из целей этого исследования было предсказать средние кривые обучения участников. Таким образом, доля правильных ответов участников сравнивалась с долей правильных ответов каждой из моделей. Визуальные графики, сравнивающие смоделированные данные с эмпирическими, были проанализированы в отношении увеличения и уменьшения количества правильных ответов.

В качестве показателя относительной подгонки коэффициент корреляции ( r ) и коэффициент детерминации ( r ² ). Они показывают, насколько хорошо модели отражают тенденции в эмпирических данных.

В качестве показателя абсолютной подгонки была рассчитана среднеквадратическая ошибка (RMSE). RMSE показывает, насколько точно модель предсказывает эмпирические данные. RMSE интерпретируется как стандартное отклонение дисперсии эмпирических данных, которое не объясняется моделью.

Чтобы сравнить дисперсию по участникам, обнаруженную в эмпирических данных, с дисперсией, полученной в результате 160 отдельных прогонов модели, для каждого блока эксперимента был рассчитан критерий Левена (надежный тест для проверки равенства дисперсий).

Результаты

В следующих разделах представлены эмпирические данные, смоделированные кривые обучения и результаты, касающиеся общего соответствия различных версий модели данным.

Эмпирические кривые обучения

Описательный анализ эмпирических данных (см. рис. 4 и табл. 2) показывает, что в среднем в первом блоке участники правильно отвечают в 64,3% (±13,5%) испытаний. Скорость отклика участников увеличивается до шестого блока до 90,4% (±12,2%) правильных испытаний. В седьмом блоке, в котором переключаются целевые и нецелевые, количество правильных попыток падает до 56,5% (±17,7%). Затем она снова увеличивается и достигает 81,0% (±18,5%) правильных попыток в восьмом блоке и 89,7% (±13,9%) правильных попыток в последнем блоке. По всем 12 блокам стандартное отклонение эмпирических данных колеблется от минимума 10,7% до максимума 18,9% при среднем стандартном отклонении 15,1%. Стандартное отклонение участников происходит из-за того, что у разных участников были разные кривые обучения, и не все участники сообщили, что нашли правильную стратегию в пост-интервью. Соответственно, одиннадцать участников (20,0 %) к концу первой части эксперимента (Блок 6) показали результат ниже 85 %, а 12 участников (21,8 %) остались ниже 85 % правильных ответов к концу второй части ( Блок 12).

Рисунок 4. Средние показатели и стандартные отклонения участников-людей, наиболее подходящая модель (3_06_100) и наихудшая подходящая модель (5_10_100) в 12 блоках эксперимента.

Таблица 2. Средняя доля правильных ответов и стандартных отклонений (в %) участников и 18 вариантов модели в 12 блоках эксперимента.

Смоделированные кривые обучения

На рис. 4 дополнительно показаны средние значения и стандартные отклонения доли правильных ответов для наилучшей (3_06_100) и наихудшей (5_10_100) моделей (см. ниже, раздел «Подбор модели»). Кроме того, в таблице 2 перечислены средние значения производительности модели и стандартные отклонения для каждого из двенадцати блоков для всех 18 моделей, а на рисунке 5 показаны кривые обучения для всех 18 моделей.

Рис. 5. Средняя производительность 18 вариантов модели в 12 блоках эксперимента, (А) моделей с декларативным финст-размахом 80 с, (Б) моделей с декларативным -конечный размах 100 с.

Как наилучшая, так и наихудшая подходящая модель (как и все остальные) отражают общую форму кривой обучения, обнаруженную в данных. Оба они показывают увеличение скорости обучения в первых шести блоках. Точно так же все модели показывают падение производительности в седьмом блоке, за которым следует очередной рост производительности. Однако даже в наиболее подходящей модели 3_06_100 доля правильных ответов недооценивается моделью, особенно в первых блоках. Кроме того, участники демонстрируют более серьезный спад после переключения, но затем восстанавливаются быстрее, в то время как модели требуется больше времени, пока ее производительность снова не возрастет. Тем не менее, для наилучшей подходящей модели смоделированные данные всегда находятся в пределах диапазона стандартного отклонения эмпирических данных.

Как видно из Таблицы 2, каждая из моделей показывает большую степень дисперсии на протяжении 160 прогонов. Стандартное отклонение, усредненное по всем 12 блокам, колеблется от 18,9 до 20,4% в зависимости от настроек параметров модели. Для наиболее подходящей модели стандартное отклонение в отдельных блоках колеблется от 11,6 до 23,4 % и значительно превышает стандартное отклонение, найденное в эмпирических данных, за исключением первых двух блоков эксперимента и первых двух блоков после переключатель (для всех блоков, кроме блоков 1, 2, 7 и 8: все F с > 6,79, все р с < 0,010). Такая большая вариативность прогонов отдельных моделей указывает на то, что один и тот же базовый набор правил с одинаковыми настройками параметров может привести к очень разным кривым обучения, в зависимости от того, какие именно стратегии выбираются в каждый момент, когда выбирается новая стратегия (например, начальная стратегия, изменение однофункции, изменение двухфункции). Кроме того, как и в случае с неучащимися среди участников, описанных выше (см. Раздел «Эмпирические кривые обучения»), не каждый запуск модели был успешным, в результате чего (для модели с наилучшей подгонкой) производительность ниже 85% в 35,6% запусков для Блока. 6 и в 30,0% запусков для Блока 12.

Подгонка модели

Средняя корреляция модели и эмпирических данных составляет 0,754. От 43,9% до 67,1% дисперсии данных объясняется разными моделями. Среднее стандартное отклонение необъяснимой дисперсии составляет 0,136. Все значения r, r ² и СКО для 18 версий модели представлены в таблице 3.

Таблица 3. модель.

Как видно из таблицы 3 и рисунка 5, модель демонстрирует относительную устойчивость к влиянию различных настроек параметров. Для первого подсчета более низкое значение несколько лучше для подгонки — в первой части эксперимента (до блока 6) наблюдается более сильное увеличение для более низкого, чем для более высокого значения первого подсчета. Для второго подсчета более низкое значение также приводит к лучшему соответствию. Влияние параметра declarative-finst-span на индексы соответствия очень мало, что приводит к немного лучшему соответствию либо для declarative-finst-span в 80 с, либо в 100 с, в зависимости от настроек первого и второго счета. .

Наилучшее соответствие с точки зрения корреляции было достигнуто для модели со значением declarative-finst-span, равным 100 (т. е. модель могла вспомнить, использовала ли она уже предыдущую стратегию в течение 100 с), первый подсчет из трех (т. е. стратегия с одной функцией должна быть успешной по крайней мере три раза, чтобы считаться «часто успешной») и второй счет из шести (т. е. стратегия с двумя функциями должна быть успешной по крайней мере шесть раз, чтобы можно считать «часто успешным»). Наихудшее соответствие наблюдалось для модели со значением declarative-finst-span, равным 100, с первым числом, равным пяти, и вторым числом, равным десяти.

RMSE варьируется от минимума 0,106 (3_06_100) до максимума 0,164 (5_08_100). Таким образом, модель с первым счетчиком, равным трем, вторым счетчиком, равным шести, и параметром declarative-finst-span, равным 100, работает лучше всего как с точки зрения корреляции ( r ), так и с точки зрения абсолютного предсказания (RMSE).

Сводка

В целом модели хорошо предсказывают данные. Смоделированные кривые обучения напоминают форму средней эмпирической кривой обучения с увеличением в первой половине эксперимента, коротким снижением в начале второй половины, за которым следует еще одно увеличение производительности. Индексы корреляции модели наилучшего соответствия показывают хорошее соответствие, при этом 67,2% дисперсии данных объясняется моделью с декларативным размахом 100 с, первым порогом счета, равным трем, и вторым порогом счета, равным шести. Обратите внимание, что это также модель с наиболее близким абсолютным соответствием (RSME составляет 0,109).).

Однако в абсолютных процентах правильных ответов все модели показывают результаты ниже участников во всех блоках (кроме блока 7). Кроме того, модели показывают большую общую дисперсию, чем эмпирические данные. Кроме того, модели изначально менее подвержены влиянию переключения стратегий, но им требуется больше времени, чтобы «восстановиться» после переключения стратегий.

Таким образом, модель воспроизводит средние кривые обучения и большую часть дисперсии. Это достигается с помощью ограниченного набора правил и заданных примеров, охватывающих процессы обучения и переобучения, происходящие в динамичной среде. Более того, мы обнаружили различия в подгонке модели в зависимости от точной спецификации параметров, при этом наилучшая подгонка достигается, если модель запоминает ранее использовавшиеся стратегии в течение 100 с, отмечает стратегию с одним признаком как «часто успешную» после трех успешных применений и двух -функция после шести успешных использований. Тем не менее, все 18 различных параметров, которые мы протестировали, напоминали основной курс эмпирических данных, что указывает на то, что механизмы модели устойчивы к изменениям параметров.

Обсуждение

Обсуждение охватывает три основные главы. Сначала обсуждается соответствие модели и даются предложения по возможным улучшениям. Во-вторых, разрабатываются более широкие последствия нашего подхода. Наконец, намечена дальнейшая работа.

Обсуждение подхода к моделированию

Наш отчет о моделировании охватывает соответствующие поведенческие данные динамической задачи принятия решений, в которой требуется обучение категории. Для решения задачи необходимо совместить два признака, а соответствующую комбинацию признаков необходимо изучить методом проб и ошибок с использованием обратной связи. Модель использует обратную связь из среды, чтобы найти правильные категории и включить переключатель в назначении кнопок ответа на целевые и нецелевые категории. Метапознание встроено в модель через процессы, которые определяют, при каких условиях происходят стратегические изменения, такие как переход от стратегий с одной функцией к стратегиям с двумя функциями.

В целом индексы соответствия показывают, что эта модель решает задачу так же, как и участники. Это включает в себя успешное начальное обучение, а также успешное обучение обращению присвоения категорий. Более того, было сделано наблюдение, что не все участники способны решить задачу, и то же самое наблюдается в поведении моделирующего подхода. Таким образом, модель способна генерировать выходные данные, которые на феноменологическом уровне напоминают данные субъектов, выполняющих динамическую задачу принятия решений, которая включает сложные процессы изучения правил и обращения. Хотя общие тенденции обучения, обнаруженные в данных, могут быть хорошо воспроизведены с помощью общих правил, реализованных в нашей модели, есть два ограничения: дисперсия модели больше, чем у участников, а общая производительность модели ниже, чем у участников. выступление участников.

Вполне вероятно, что участники имеют другой и, возможно, более конкретный набор правил, чем модель. Например, участникам сказали, какую из двух клавиш нажимать для целевого звука. Однако неясно, использовали ли они эти знания для решения задачи. Для простоты модели эта дополнительная информация не предоставлялась, поэтому кнопкам не присваивалось никакого значения. Это одна из возможностей объяснить более низкую производительность модели, особенно в первом блоке. Другой пример более конкретных правил, используемых участниками по сравнению с моделью, заключается в том, что четыре различных характеристики стимулов могут быть неодинаково заметными для испытуемых, что могло привести к более высокой производительности по сравнению с моделью. Например, вполне возможно, что направление частотной модуляции целевого элемента (вверх или вниз) было выбрано в эксперименте раньше, чем частотный диапазон нецелевого элемента, в то время как модель обрабатывала все элементы одинаково, чтобы модель была максимально простой. возможный. Наконец, после изменения правила нажатия кнопки некоторые участники могли следовать правилу, которое гласит, что нужно нажимать противоположную клавишу, если стратегия была правильной много раз, а затем внезапно нет, вместо того, чтобы пробовать разные одно- или двухкратные попытки. особенность стратегии, тогда как модель пошла по второму пути.

Добавление таких дополнительных правил и предпосылок к модели, возможно, уменьшит несоответствие между производительностью модели и поведенческими данными. Однако цель этой статьи состояла в том, чтобы разработать подход к моделированию, который включает общие процессы, важные для всех видов динамического принятия решений. Это подразумевает использование только абсолютно необходимых предположений (мета-познание, переход от однофункции к двухфункции, обучение через обратную связь) и максимальное упрощение модели в других отношениях. Как следствие, добавление дополнительных правил не приведет к улучшению общей модели динамического принятия решений, а только приведет к лучшему соответствию модели конкретному эксперименту, сделав ее склонной к переобучению. Как упоминалось ранее, хорошие описательные модели как можно точнее фиксируют поведенческие данные и поэтому всегда нацелены на максимальное соответствие описываемым данным. С другой стороны, хорошие прогностические модели должны быть обобщаемыми, чтобы также предсказывать поведение в разных, но структурно сходных ситуациях, а не только для одной конкретной ситуации с одним набором субъектов. На наш взгляд, это более желательный поиск с большим потенциалом для понимания основных процессов динамического принятия решений человеком. Это подтверждают Гигеренцер и Брайтон (2009 г.).), которые утверждают, что модели, которые фокусируются на основных аспектах принятия решений, например, учитывают лишь несколько аспектов, ближе к тому, как люди принимают решения. Они также утверждают, что такие упрощенные предположения делают решения более эффективными, а также более действенными (Gigerenzer and Brighton, 2009).

Как указывалось ранее, одним из способов моделирования динамического принятия решений в ACT-R с использованием лишь нескольких допущений является обучение на основе экземпляров (IBL). Этот подход использует пары «ситуация-результат» и субсимволические механизмы усиления для обучения. Однако IBL недостаточно для моделирования задач, связанных с переключением в среде (Fum and Stocco, 2003). Такие задачи требуют добавления явных правил переключения. Помимо этих правил, нашей задаче требовались механизмы, контролирующие, когда переходить от простых стратегий с одной функцией к более сложным стратегиям. Поскольку метакогнитивные рефлексии не являются частью IBL, мы использовали смешанный подход к моделированию, который включает в себя явные правила и метакогнитивные рефлексии. IBL является частью нашего подхода, поскольку стратегии закодированы как пары ситуация-результат, и используются субсимволические усиливающие механизмы ACT-R.

Чтобы оценить, соответствует ли наш подход к моделированию формирования стратегии и переключения правил тому, как участники выполняют такие задачи, необходимо рассмотреть данные, отражающие успехи в обучении. Такими данными являются кривые обучения, представленные в этой статье. Мы считаем, что модель IBL сама по себе не может обеспечить сильное увеличение производительности после изменения окружающей среды в эмпирических данных.

Для лучшего понимания сложного процесса принятия решений можно также смоделировать другие поведенческие данные, такие как время реакции. Однако не все процессы, которые, вероятно, влияют на время реакции, являются частью нашего общего подхода к моделированию. Это особенно касается моделирования подробных аспектов слухового кодирования с помощью ACT-R; например, можно ожидать, что точное кодирование слуховых событий будет включать различное увеличение времени реакции на короткие тона по сравнению с более длинными тонами. Однако наш подход к моделированию расширяем, позволяя включать другие когнитивные процессы, такие как более конкретное слуховое кодирование или внимание. Эта расширяемость является одной из сильных сторон когнитивных архитектур и особенно актуальна для натуралистического принятия решений, когда в конечном итоге необходимо учитывать множество дополнительных процессов.

Объем модели

Формальная модель была построена с помощью ACT-R, она определяет предположения динамического принятия решений при обучении по категориям. Эта модель была протестирована на эмпирических данных и показала сходное поведение при обучении. Предположения о том, как происходят динамические решения в обучении по категориям, например, путем обучения на основе обратной связи и переключения от простых стратегий к более сложным, и метакогнитивные механизмы были смоделированы вместе. ACT-R направлен на моделирование познания в целом, таким образом одновременно затрагивая различные когнитивные процессы, что является важным аспектом для моделирования реалистичных когнитивных задач. Кроме того, модель гибкая. Таким образом, модель выбирает из доступных стратегий в соответствии с предыдущим опытом и случайными воздействиями.

Наш подход к моделированию прост в том смысле, что он включает лишь несколько правдоподобных предположений, не зависит от дополнительных параметров и, тем не менее, является достаточно гибким, чтобы справляться с динамически меняющимися условиями.

Чтобы проверить предсказательную силу модели, ее необходимо дополнительно протестировать и сравнить с новыми эмпирическими данными, полученными с использованием немного других настроек задачи. Нашей целью было разработать первую модель динамического принятия решений в категориальном обучении. Таким образом, в модель включаются релевантные когнитивные процессы, происходящие между предъявлением стимула и фактической реакцией выбора. Кроме того, мы хотели показать, как в погоне за конечной целью возникает ряд решений. Таким образом, в качестве первого шага нам понадобилась задача решения, которая демонстрирует характеристики, аналогичные естественным динамическим параметрам. К таким аспектам относятся сложные многофункциональные стимулы, обратная связь с окружающей средой и меняющиеся условия. Поскольку в неэкспериментальных ситуациях явных указаний на принадлежность к категориям обычно нет, более разумно использовать задачу без явных указаний относительно того, на каких признаках (или стимулах) следует сосредоточить внимание. Недостатком использования неспецифических инструкций, как это сделано в нашем исследовании, является то, что из поведенческих данных останется неясным, как именно отдельные участники выполняют такую ​​задачу, поскольку такие аспекты, как то, какие именно правила соблюдаются или какие особенности учитываются в начале задача, являются неопределенными.

В качестве следующего шага мы стремимся к моделированию и прогнозированию динамического хода принятия решений отдельными участниками. В целом большое преимущество подходов к когнитивному моделированию заключается в том, что они могут прогнозировать текущие когнитивные процессы в любой момент времени. Для оценки достоверности таких прогнозов можно использовать различные подходы.

Одним из подходов к построению моделей в соответствии с когнитивными процессами участников является парадигма «поезд-ограничение» (Димов и др., 2013). Эта парадигма требует подробного пошагового обучения участников тому, как применять определенные стратегии в задачах принятия решений. Этот подход дает разработчику модели представление о стратегиях, которые участники используют в данный момент времени. Это снова можно использовать для ограничения моделей ACT-R при реализации этих стратегий. В будущих исследованиях мы планируем принять эту парадигму, (а) проинструктировав участников и (б) соответствующим образом скорректировав нашу модель. Чтобы убедиться, что парадигма «обучение-ограничение» была успешно реализована, следует использовать самоотчеты участников.

Другой подход заключается в проведении интервью во время выполнения задания участником. Таким образом, чтобы подтвердить предсказания модели о предполагаемом поведении участников, испытуемых будущих эмпирических исследований следует спросить об их решениях в ходе эксперимента. Можно ожидать, что первые несколько решений участников будут сильно зависеть от случайных аспектов (например, какая функция будет рассмотрена первой), но после некоторых испытаний подход к моделированию должен быть в состоянии предсказать следующие шаги участников. Таким образом, он должен позволять точно прогнозировать последующие когнитивные процессы. Чтобы сделать такие прогнозы, пересмотренная модель должна будет использовать первую пару испытаний в качестве информации о стратегии, которой изначально следует отдельный участник.

На следующем этапе точные когнитивные процессы, предлагаемые моделью, должны быть проверены на индивидуальном уровне на более мелких данных (например, фМРТ), а затем соответствующим образом скорректированы. В настоящее время были предложены различные методы сопоставления когнитивных моделей с более мелкими данными, такими как данные фМРТ или ЭЭГ (Borst and Anderson, 2015; Borst et al., 2015; Prezenski and Russwinkel, 2016a). Эти методы в настоящее время исследуются и применяются для основных исследовательских вопросов. Тем не менее сопоставление когнитивных моделей с нейронными данными представляет собой сложную задачу. Необходимы дополнительные исследования, особенно для прикладных задач. Чтобы дополнить нейронные данные, можно добавить дополнительные поведенческие данные, такие как динамика нажатия кнопки (например, интенсивность нажатия кнопки), как непосредственное измерение того, насколько уверен отдельный участник в принятии решения (Kohrs et al., 2014).

Помимо использования когнитивных моделей для прогнозирования индивидуального поведения, мы стремимся разработать более общие когнитивные механизмы для моделирования обучения, повторного обучения и метапознания, которые применимы в широком диапазоне ситуаций. Чтобы проверить применимость нашего подхода к моделированию в более широком контексте и различных ситуациях, следует протестировать варианты эксперимента с разными задачами и материалами. Например, предложенная здесь модель должна быть способна прогнозировать данные экспериментов по категоризации с использованием визуальных стимулов, таких как различные типы ламп (Zeller and Schmid, 2016), с некоторыми изменениями сенсорной обработки нашей модели. Кроме того, модель должна быть способна прогнозировать данные из разных типов задач категоризации, например задачи, использующие разное количество признаков категоризации, большее количество переключений или разные последовательности. Такая задача была бы прогностической задачей для нашей модели; в случае успеха ее можно рассматривать как прогностическую модель.

Разработанные общие механизмы можно использовать и в задачах осмысления. Такие задачи требуют «активного процесса построения осмысленного и функционального представления некоторых аспектов мира» (Lebiere et al. , 2013, стр. 1). Осмысление — это процесс поиска и интерпретации соответствующих фактов среди моря поступающей информации, включая обновление гипотез. Производительность в нашей задаче близка к тому, как люди понимают смысл в реальном мире, потому что она включает в себя большое количество различных стимулов, каждый из которых несет в себе различные спецификации различных функций. Таким образом, «осмысление стимулов» требует от участников проверки каждого стимула категорическим образом и использования извлеченной категории стимула в сочетании с выбранным нажатием кнопки и последующей обратной связью в качестве информации для будущих решений.

Таким образом, такая когнитивная модель, которая включает общий механизм обучения, повторного обучения и метапознания, может оказаться чрезвычайно полезной для прогнозирования индивидуального поведения в широком диапазоне задач. Однако остается неопределенность в отношении того, отражает ли это фактические процессы человеческого познания. Это связано не только с тем, что поведение человека подвержено разнообразным случайным воздействиям, но и с тем ограничением, что модель всегда соответствует редуцированному представлению реальности. Разработчик модели решает, какие аспекты реальности охарактеризованы в модели. Marewski и Mehlhorn (2011) протестировали разные подходы к моделированию для одной и той же задачи принятия решений. Хотя они обнаружили, что их модели различаются с точки зрения того, насколько хорошо они предсказывали данные, в конечном итоге они не смогли показать, что наиболее подходящая модель определенно напоминает когнитивные процессы людей. Насколько нам известно, ни один научный метод никогда не сможет ответить, как определенно работает человеческое познание. Как правило, модели можно сравнивать только с точки зрения их прогностического качества (например, объясненная дисперсия, количество свободных параметров, обобщаемость). С другой стороны, какая модель в конечном счете соответствует человеческой реальности, установить невозможно.

Outlook

Одной из причин для моделирования в когнитивных архитектурах является реализация когнитивных механизмов в системах поддержки для сложных сценариев. Такие системы поддержки в основном используют алгоритмы машинного обучения. К сожалению, эти алгоритмы зависят от многих испытаний, чтобы научиться, прежде чем они преуспеют в категоризации или обучении в целом. С другой стороны, подходы, вдохновленные когнитивной архитектурой, также могут учиться на нескольких примерах. Кроме того, подходы, основанные на когнитивных архитектурах, представляют собой информированные модели, которые предоставляют информацию о вовлеченных процессах и причинах, которые приводят к успеху и неудаче.

Когнитивные модели можно применять к множеству реальных задач, например, для прогнозирования удобства использования смартфона (Prezenski and Russwinkel, 2014, 2016b), управления воздушным движением (Taatgen, 2001; Smieszek et al., 2015), или поведение при вождении (Salvucci, 2006). Более того, подходы к когнитивному моделированию также могут использоваться в сценариях микромира (Halbrügge, 2010; Peebles and Banks, 2010; Reitter, 2010). Мало того, что сценарии микромира могут имитировать сложность реального мира, они также имеют то преимущество, что могут контролировать переменные. Это означает, что для проверки рассматриваемого теоретического подхода или модели могут быть вызваны определенные вариации (как показано в Russwinkel et al., 2011).

Многие прикладные когнитивные модели представляют собой модели конкретных задач. Наша модель, напротив, направлена ​​на захват основных механизмов, используемых в различных реальных задачах. Как следствие, он имеет потенциал для применения во многих областях. Итак, наша модель динамического принятия решений в задаче на обучение по категориям делает прогнозы о когнитивном состоянии людей во время такой задачи. Это включает в себя предсказания стратегий (например, стратегии с одним или двумя признаками), концептуальное понимание (например, предположения о релевантных комбинациях признаков) и метакогнитивные аспекты (например, информацию об успехе текущего предположения лица, принимающего решения). являются аспектами познания во множестве задач и областей применения.

Таким образом, наш общий подход к моделированию имеет потенциал для поддержки пользователей во многих областях и в долгосрочной перспективе может быть использован для помощи в принятии решений. Для этого решения отдельных пользователей в ходе выполнения задачи можно сравнить с когнитивными процессами, активными в данный момент в модели. Если, например, пользователь слишком долго придерживается стратегии с одной функцией или бессистемно меняет правила, система может предоставить пользователю подсказку. В отличие от обычных вспомогательных систем, такая система поддержки, основанная на нашей модели, будет имитировать когнитивное состояние пользователя. Например, эта система онлайн-поддержки сможет предсказать влияние повторяющихся отрицательных отзывов на пользователя, например, побудит его попытаться изменить стратегию. Если, однако, отрицательный отзыв был вызван внешним источником, например, технической ошибкой подключения, изменение стратегии приведет к разочарованию пользователя. Предлагаемая система поддержки сможет здесь вмешаться. В зависимости от внутреннего состояния пользователя система поддержки будет рассматривать, какая информация является наиболее полезной или уместно ли вообще не предоставлять информацию (например, в случае умственной перегрузки пользователя). Пока не нужна поддержка, подобные системы будут молча следовать решениям, принятым человеком.

Более того, если цель пользователя известна и решения, принятые пользователем, сопровождались системой, можно было бы предсказать следующие решения пользователя, а также оценить, являются ли эти решения все еще разумными для достижения цели. Цель. Многие лавины были вызваны неоднократными неправильными решениями лыжников, застрявших в своем неправильном представлении о ситуации (Atkins, 2000). Система поддержки, способная понять, когда и почему человек принимает необоснованные решения в критических для безопасности ситуациях, также сможет предоставить правильную информацию для преодоления непонимания. Системе технической поддержки лыжников-бэккантри потребуется информация о текущей лавинной опасности, потенциально безопасных маршрутах и ​​других факторах. Такая информация уже предоставляется приложениями для смартфонов, которые используют GPS в сочетании с прогнозами погоды и показателями крутизны склонов. В будущем, когда эта информация станет доступной для вспомогательной системы на основе когнитивных моделей, которая предсказывает решения пользователей, она потенциально может помочь лыжникам. Системы поддержки на основе когнитивных моделей, разработанные аналогичным образом, могут с равным успехом использоваться в других областях, важных для безопасности, а также для помощи велосипедистам, водителям или пилотам.

Вклад авторов

AB и SW разработали эксперимент по обучению слуховой категории. SW провела эксперименты на людях и проанализировала данные. SP и NR разработали модель ACT-R. SP внедрил моделирование ACT-R и проанализировал данные. SP, SW и AB подготовили рисунки. SP, NR и AB подготовили рукопись. SP, NR, AB и SW отредактировали, отредактировали и утвердили рукопись.

Финансирование

Эта работа была выполнена в рамках Межрегионального центра совместных исследований SFB/TRR 62 «Компаньон-технология для когнитивных технических систем», финансируемого Немецким исследовательским фондом (DFG) и поддерживаемого программой BCP. 9Параметр declarative-finst-span определяет, как долго finst (отпечатки экземпляра) может указывать на то, что фрагмент был недавно извлечен. Количество элементов и время, в течение которого элемент может быть помечен как посещенный, ограничены. Эти маркеры внимания основаны на работе Зенона Пилишина.

Ссылки

Андерсон, Дж. Р. (1991). Адаптивный характер категоризации человека. Психология. Ред. 98, 409–429. doi: 10.1037/0033-295X.98.3.409

Полный текст CrossRef | Академия Google

Андерсон, Дж. Р. (2007). Как человеческий разум может появиться в физической вселенной? Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета.

Google Scholar

Андерсон Дж. Р. и Бетц Дж. (2001). Гибридная модель категоризации. Психон. Бык. Ред. 8, 629–647. doi: 10.3758/BF03196200

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Андерсон, Дж. Р., и Финчем, Дж. М. (2014). Расширение процедур решения проблем посредством рефлексии. Познан. Психол. 74, 1–34. doi: 10.1016/j.cogpsych.2014.06.002

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Эшби, Ф. Г. (1992). «Многомерные модели категоризации», в Многомерных моделях восприятия и познания , изд. Ф. Г. Эшби (Хиллсдейл, Нью-Джерси: Эрлбаум), 449–483.

Google Scholar

Эшби Ф. Г., Альфонсо-Риз Л. А., Туркен А. У. и Уолдрон Э. М. (1998). Нейропсихологическая теория множественных систем в категориальном обучении. Псих. Ред. 105, 442–481.

Реферат PubMed | Google Scholar

Эшби Ф. Г. и Мэддокс В. Т. (2011). Обучение человеческой категории 2.0. Энн. Н. Я. акад. науч. 1224, 147–161. doi: 10.1111/j.1749-6632.2010.05874.x

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Аткинс, Д. (2000). «Человеческий фактор при сходе лавин», Материалы . Международный семинар по науке о снеге (Big Sky: MT), 46–51.

Google Scholar

Берг, Э. А. (1948). Простая объективная методика измерения гибкости мышления. J. Общая психология. 39, 15–22. doi: 10.1080/00221309.1948.9

9

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Берри, округ Колумбия, и Бродбент, округ Колумбия (1988). Интерактивные задачи и неявное-явное различие. руб. Дж. Психол. 79, 251–272. doi: 10.1111/j.2044-8295.1988.tb02286.x

Полный текст CrossRef | Google Scholar

Борст, Дж. П., и Андерсон, Дж. Р. (2015). «Использование когнитивной архитектуры ACT-R в сочетании с данными фМРТ», в An Introduction to Model-Based Cognitive Neuroscience , eds B.U. Forstmann, and E.-J. Вагенмакерс (Нью-Йорк, штат Нью-Йорк: Springer), 339–352.

Google Scholar

Борст Дж. П., Ниджбур М., Таатген Н. А., Ван Рейн Х. и Андерсон Дж. Р. (2015). Использование карт модели-мозга, управляемых данными, для ограничения формальных моделей познания. PLoS ONE 10:e0119673. doi: 10.1371/journal. pone.0119673

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Bowers, JS, and Davis, CJ (2012). Байесовские истории в психологии и неврологии. Псих. Бык. 138, 389–414. doi: 10.1037/a0026450

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Кларк Л., Кулс Р. и Роббинс Т. В. (2004). Нейропсихология вентральной префронтальной коры: принятие решений и обратное обучение. Познание мозга. 55, 41–53. doi: 10.1016/S0278-2626(03)00284-7

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Димов, К.М., Маревски, Дж.Н., и Шулер, Л.Дж. (2013). «Ограничение моделей ACT-R стратегий принятия решений: экспериментальная парадигма», в Совместное мышление: социальное взаимодействие и групповая динамика. Материалы 35-й ежегодной конференции Общества когнитивных наук , редакторы М. Кнауфф, М. Пауэн, Н. Себанц и И. Ваксмут (Остин, Техас: Общество когнитивных наук), 2201–2206.

Google Scholar

Эдвардс, В. (1962). Теория динамических решений и вероятностная обработка информации. Гул. Факторы 4, 59–73. doi: 10.1177/001872086200400201

Полный текст CrossRef | Академия Google

Эриксон, М. А., и Крушке, Дж. К. (1998). Правила и примеры в обучении по категориям. Дж. Экспл. Психол. 127, 107–140. doi: 10.1037/0096-3445.127.2.107

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Форстманн, Б.У., Вагенмакерс, Э.-Дж., Эйхеле, Т., Браун, С., и Серенс, Дж.Т. (2011). Взаимные отношения между когнитивной нейронаукой и формальными когнитивными моделями: противоположности притягиваются? Тенденции Cogn. науч. 15, 272–279. doi: 10.1016/j.tics.2011.04.002

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Фум Д. и Стокко А. (2003). «Экземпляр против обучения на основе правил при управлении динамической системой», в материалах Proceedings of the Fifth International Conference on Cognitive Modeling (Bamberg: Universitaets-Verlag Bamberg), 105–110.

Google Scholar

Гигеренцер Г. и Брайтон Х. (2009). Homo heuristicus: почему предвзятые умы делают более точные выводы. Верх. Познан. науч. 1, 107–143. doi: 10.1111/j.1756-8765.2008.01006.x

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Гонсалес, К. (2017). «Принятие решений: точка зрения когнитивной науки», в The Oxford Handbook of Cognitive Science (том 1). ed SEF Chipman (Oxford: Oxford University Press), 249–263.

Google Scholar

Гонсалес С., Датт В., Хили А. Ф., Янг М. Д. и Борн Л. Э. мл. (2009). «Сравнение моделей экземпляров и стратегий в ACT-R», в материалах 9-й Международной конференции по когнитивному моделированию — ICCM2009., редакторы А. Хоуз, Д. Пиблз и Р. Купер (Манчестер).

Google Scholar

Гонсалес К., Лерх Дж. Ф. и Лебьер К. (2003). Обучение на основе примеров в динамическом принятии решений. Познан. науч. 27, 591–635. doi: 10.1207/s15516709cog2704_2

CrossRef Полный текст | Google Scholar

Хальбрюгге, М. (2010). Будь проще — пример разработки модели в контексте задачи Dynamic Stocks and Flows (DSF). Дж. Артиф. Генерал Интел. 2, 38–51. doi: 10.2478/v10229-011-0008-2

Полный текст CrossRef | Google Scholar

Jarvers, C., Brosch, T., Brechmann, A., Woldeit, M.L., Schulz, A.L., Ohl, F.W., et al. (2016). Обратное обучение у людей и песчанок: динамическая сеть управления облегчает обучение. Фронт. Неврологи. 10:535. doi: 10.3389/fnins.2016.00535

Полный текст CrossRef | Google Scholar

Йохансен М.К. и Палмери Т.Дж. (2002). Есть ли репрезентативные сдвиги во время изучения категорий? Познан. Психол. 45, 482–553. doi: 10.1016/S0010-0285(02)00505-4

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Кнауфф М. и Вольф А. Г. (2010). Комплексное познание: наука о человеческом мышлении, решении проблем и принятии решений. Познан. Процесс. 11, 99–102. doi: 10.1007/s10339-010-0362-z

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Корс, К. , Грабал, Д., Ангенштейн, Н., и Брехманн, А. (2014). Задержка времени отклика системы влияет на немедленную физиологию и динамику последующего поведения при нажатии кнопки. Психофизиология 51, 1178–1184. doi: 10.1111/psyp.12253

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Крушке, Дж. К. (1992). ALCOVE: коннекционистская модель обучения категориям, основанная на примерах. Психология. Ред. 99, 22–44. doi: 10.1037/0033-295X.99.1.22

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лебьер К., Пиролли П., Томсон Р., Пайк Дж., Рутледж-Тейлор М., Сташевски Дж. и др. (2013). Функциональная модель осмысления в нейрокогнитивной архитектуре. Вычисл. Интел. Неврологи. 2013, 1–29. doi: 10.1155/2013/

5

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Лебьер К., Уоллах Д. и Таатген Н. А. (1998). «Неявное и явное обучение в ACT-R», в Proceedings of the Second European Conference on Cognitive Modeling , eds F. Ritter and R. Young (Nottingham: Nottingham University Press), 183–193.

Google Scholar

Левандовски С., Палмери Т.Дж. и Вальдманн М.Р. (2012). Введение в специальный раздел, посвященный теории и данным в категоризации: интеграция вычислительных, поведенческих и когнитивных нейробиологических подходов. Дж. Эксп. Психол. Учиться. Мем. Познан. 38, 803–806. doi: 10.1037/a0028943

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ли, А., и Маани, К. (2011). «Динамическое принятие решений, обучение и ментальные модели», в материалах Proceedings of the 29th International Conference of the System Dynamics Society (Вашингтон, округ Колумбия), 1–21.

Google Scholar

Лав, Б. К., Медин, Д. Л., и Гуреккис, Т. М. (2004). SUSTAIN: сетевая модель обучения по категориям. Псих. Ред. 111, 309–332. doi: 10.1037/0033-295X.111.2.309

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Маревски, Дж. Н., и Линк, Д. (2014). Выбор стратегии: введение в задачу моделирования. Wiley Interdiscipl. 5, 39–59. doi: 10.1002/wcs.1265

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Маревски, Дж. Н., и Мелхорн, К. (2011). Использование архитектуры ACT-R для определения 39 количественных моделей процессов принятия решений. Суд. Реш. Мак. 6, 439–519.

Google Scholar

Нософски, Р. М. (1984). Выбор, сходство и контекстная теория классификации. Дж. Экспл. Психол. 10, 104–114. doi: 10.1037/0278-7393.10.1.104

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Нософски Р. М., Палмери Т. и МакКинли С. (1994). Модель обучения классификации «правило плюс исключение». Психология. Ред. 101, 53–79. doi: 10.1037/0033-295X.101.1.53

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Orendain, ADO, and Wood, S. (2012). «Учет когнитивной гибкости и негибкости для сложной динамической задачи», в материалах Proceedings of the 11th International Conference on Cognitive Modeling (Берлин), 49–54.

Google Scholar

Пиблз Д. и Бэнкс А. П. (2010). Моделирование принятия динамических решений с помощью когнитивной архитектуры ACT-R. Дж. Артиф. Генерал Интел. 2, 52–68. дои: 10.2478/v10229-011-0009-1

Полнотекстовая перекрестная ссылка | Google Scholar

Презенски С. и Рассвинкель Н. (2014). Сочетание когнитивных моделей ACT-R с юзабилити-тестированием выявляет ментальную модель пользователей при совершении покупок с помощью приложения для смартфона. Междунар. Дж. Адв. Интел. Сист. 7, 700–715.

Google Scholar

Презенски С. и Руссвинкель Н. (2016a). «Предложенный метод сопоставления данных ACT-R и ЭЭГ», в , в материалах 14-й Международной конференции по когнитивному моделированию 9.0271, редакторы Д. Рейтер и Ф. Э. Риттер (Университетский парк, Пенсильвания: штат Пенсильвания), 249–251.

Google Scholar

Презенски С. и Руссвинкель Н. (2016b). «На пути к общей модели многократного использования приложений», В материалах 14-й Международной конференции по когнитивному моделированию , редакторы Д. Рейтер и Ф. Э. Риттер (Университетский парк, Пенсильвания: штат Пенсильвания), 201–207.

Google Scholar

Рейтер, Д. (2010). Метапознание и множественные стратегии в когнитивной модели онлайн-контроля. Дж. Артиф. Генерал Интел. 2, 20–37. doi: 10.2478/v10229-011-0007-3

Полный текст CrossRef | Google Scholar

Ролл И., Бейкер Р.С., Алевен В. и Кёдингер К.Р. (2004). «Метакогнитивная модель ACT-R стратегий обучения учащихся в интеллектуальных системах обучения», в материалах 7-й Международной конференции по интеллектуальным системам обучения , под ред. Дж. К. Лестер, Р. М. Викари и Ф. Парагуасу (Масейо), 854–856. .

Академия Google

Руссвинкель, Н., Урбас, Л., и Тюринг, М. (2011). Прогнозирование временных ошибок в сложных средах задач: вычислительный и экспериментальный подход. Познан. Сист. Рез. 12, 336–354. doi: 10.1016/j.cogsys.2010.09.003

Полный текст CrossRef | Google Scholar

Ратледж-Тейлор М., Лебьер К. , Томсон Р., Сташевски Дж. и Андерсон Дж. Р. (2012). «Сравнение категоризации на основе правил и категоризации на основе образцов с использованием архитектуры ACT-R», в Proceedings of 21st Annual Conference on Behavior Representation in Modeling and Simulation, BRiMS 2012 (Амелия-Айленд, Флорида), 44–50.

Салатас, Х., и Борн, Л. Е. мл. (1974). Изучение концептуальных правил: III. Процессы, способствующие усложнению правил. Мем. Познан. 2, 549–553. doi: 10.3758/BF03196919

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Salvucci, DD (2006). Моделирование поведения водителя в когнитивной архитектуре. Гул. Факторы 48, 362–380. doi: 10.1518/001872006777724417

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Санборн, А. Н., Гриффитс, Т. Л., и Наварро, Д. Дж. (2010). Рациональные приближения к рациональным моделям: альтернативные алгоритмы обучения по категориям. Психология. Ред. 117, 1144–1167. doi: 10.1037/a0020511

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Сегер, К.А., и Петерсон, Э.Дж. (2013). Категоризация = принятие решения + обобщение. Неврологи. Биоповедение. Ред. 37, 1187–1200. doi: 10.1016/j.neubiorev.2013.03.015

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Саймон Х.А. и Ньюэлл А. (1971). Решение человеческих проблем: состояние теории в 1970 г. Am. Психол. 26, 145–159. doi: 10.1037/h0030806

Полный текст CrossRef | Google Scholar

Смишек Х., Джорес Ф. и Руссвинкель Н. (2015). «Рабочая нагрузка диспетчеров вышки аэропорта: эмпирическая проверка макрокогнитивной модели», в Online Journal Kognitive Systeme , редакторы Д. Соффкер и А. Клюге (Дуйсбург: DuEPublico). дои: 10.17185/duepublico/37699

Полнотекстовая перекрестная ссылка | Google Scholar

Стюарт, Т. К., и Уэст, Р. (2010). Тестирование на эквивалентность: методология вычислительного когнитивного моделирования. Дж. Артиф. Генерал Интел. 2, 69–87. doi: 10.2478/v10229-011-0010-8

Полный текст CrossRef | Google Scholar

Саттон Р.С. и Барто А.Г. (1998). Обучение с подкреплением: введение . Лондон: Массачусетский технологический институт Press.

Google Scholar

Таатген, Северная Каролина (2001). «Модель индивидуальных различий в обучении управлению воздушным движением», в Материалы четвертой Международной конференции по когнитивному моделированию , редакторы Э. М. Альтманн, А. Клиреманс, К. Д. Шунн и В. Д. Грей (Махва, Нью-Джерси: Эрлбаум), 211–216.

Google Scholar

Таатген, Н. А., Лебьер, К., и Андерсон, Дж. Р. (2006). «Моделирование парадигм в ACT-R», в Познание и многоагентное взаимодействие: от когнитивного моделирования к социальному моделированию , изд. Р. Сан (Кембридж: Издательство Кембриджского университета), 29–52.

Академия Google

Томсон, Р., Лебьер, К., Андерсон, Дж. Р., и Сташевски, Дж. (2015). Общая структура обучения на основе экземпляров для изучения интуитивного принятия решений в когнитивной архитектуре. Дж. Заявл. Рез. Мем. Познан. 4, 180–190. doi: 10.1016/j.jarmac.2014.06.002

Полный текст CrossRef | Google Scholar

Уиллс, А. Дж., и Потос, Э. М. (2012). Об адекватности современных эмпирических оценок формальных моделей категоризации. Психология. Бык. 138, 102–125. дои: 10.1037/a0025715

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Вольф С. и Брехманн А. (2012). «MOTI: мотивационный свод просодии для систем обучения на основе речи», в материалах 10-й конференции ITG по речевой коммуникации (Берлин: IEEE), 1–4.

Google Scholar

Вольф С. и Брехманн А. (2015). Кнут и пряник 2.0: преимущества естественной и мотивационной просодии в компьютерном обучении. Вычисл. Гум. Поведение 43, 76–84. doi: 10.1016/j.chb.2014.10.015

Полнотекстовая перекрестная ссылка | Google Scholar

Вонг Т. Дж., Кокли Э.Т. и Скулер Л.Дж. (2010). «Онлайн-база данных параметров ACT-R: на пути к прозрачному общественному подходу к разработке моделей», в Proceedings of the 10th International Conference on Cognitive Modeling , eds DD Salvucci, and G. Gunzelmann (Philadelphia, PA: Drexel University ), 282–286.

Google Scholar

Целлер, К., и Шмид, У. (2016). «Изучение правил на основе постепенного представления обучающих примеров: повторный анализ эксперимента по категоризации», в Материалы 13-й двухгодичной конференции Немецкого общества когнитивных наук . (Бремен), 39–42.

Google Scholar

15 Когнитивные искажения виноваты в вашем негативном мышлении

Искаженное мышление или когнитивное искажение — а их много — это преувеличенная модель мышления, не основанная на фактах. Следовательно, это приводит к тому, что вы смотрите на вещи более негативно, чем они есть на самом деле.

Другими словами, когнитивные искажения — это ваш разум, убеждающий вас верить в негативные вещи о себе и своем мире, которые не обязательно являются правдой.

Наши мысли сильно влияют на то, как мы себя чувствуем и как себя ведем. Когда вы относитесь к этим негативным мыслям как к фактам, вы можете видеть себя и действовать таким образом, который основан на ошибочных предположениях.

Каждый человек время от времени страдает от когнитивных искажений. Это часть человеческого опыта. Это происходит, особенно когда мы чувствуем себя подавленными.

Но если вы слишком часто погружаетесь в негативные мысли, ваше психическое здоровье может пострадать.

Вы можете научиться определять когнитивные искажения, чтобы понимать, когда ваш разум играет с вами злую шутку. Затем вы сможете переформулировать и перенаправить свои мысли так, чтобы они оказывали меньше негативного влияния на ваше настроение и поведение.

The most common cognitive distortions or distorted thoughts include:

1. filtering
2. polarization
3. overgeneralization
4. discounting the positive
5. jumping to conclusions
6. catastrophizing
7. personalization
8. control fallacies
9. fallacy of fairness
10. blaming
11. должны
12. эмоциональные рассуждения
13. ошибочность изменений
14. глобальное навешивание ярлыков
15. всегда быть правым

Вы можете отождествлять себя с одними в большей степени, чем с другими, или осознавать, что склонны использовать какой-то конкретный тип в определенных ситуациях. Это естественно.

Самоанализ может быть первым шагом к обращению вспять негативного мышления и некоторых из этих моделей мышления.

Вот более подробный список когнитивных искажений:

Фильтрация

Ментальная фильтрация истощает и напрягает все положительное в ситуации и вместо этого зацикливается на ее отрицательном.

Даже если в ситуации или человеке больше положительных сторон, чем отрицательных, вы фокусируетесь исключительно на отрицательных сторонах.

Пример

В вашей компании настало время аттестации, и ваш руководитель несколько раз хвалит вашу работу. В конце они делают одно предложение по улучшению. Вы уходите с собрания в подавленном настроении и целый день размышляете над одним предложением.

Поляризация или мышление по принципу «все или ничего»

Поляризованное мышление — это мышление о себе и мире по принципу «все или ничего».

Когда вы думаете о черном или белом, без оттенков серого, это тип когнитивного искажения ведет вас.

Пример

Ваша коллега была святой, пока не съела ваш бутерброд. Теперь ты терпеть ее не можешь. Или вы получили четверку на последнем тесте, значит, вы не смогли быть хорошим учеником, несмотря на то, что до этого получали только пятерки.

Мышление по принципу «все или ничего» обычно приводит к крайне нереалистичным стандартам для себя и других, которые могут повлиять на ваши отношения и мотивацию.

Черно-белые мысли также могут привести вас к неудаче.

Пример

Вы решили есть здоровую пищу. Но сегодня у вас не было времени приготовить еду, поэтому вы едите бургер с беконом. Это немедленно приводит вас к выводу, что вы разрушили свой режим здорового питания, поэтому вы решаете больше даже не пытаться.

Когда вы занимаетесь поляризованным мышлением, все находится в категориях «или/или». Это может заставить вас упустить сложность большинства людей и ситуаций.

Чрезмерное обобщение

Когда вы что-то чрезмерно обобщаете, вы берете изолированное негативное событие и превращаете его в нескончаемую картину потерь и поражений.

При чрезмерном обобщении такие слова, как «всегда», «никогда», «все» и «ничего», часто встречаются в вашем потоке мыслей.

Пример

Вы выступаете на собрании группы, и ваши предложения не учитываются в проекте. Вы уходите с собрания с мыслью: «Я разрушил свои шансы на повышение. я никогда не говори правильных вещей!»

Чрезмерное обобщение также может проявляться в ваших мыслях о мире и его событиях.

Пример

Вы опаздываете на работу и по дороге проехали на красный свет. Вы думаете: « Ничто из никогда не пойдет мне навстречу!»

Дисконтирование позитива

Дисконтирование позитива похоже на ментальную фильтрацию. Главное отличие состоит в том, что вы отбрасываете это как нечто бесполезное, когда думаете о положительных аспектах.

Пример

Если кто-то делает комплимент тому, как вы сегодня выглядите, вы думаете, что он просто ведет себя хорошо.

Если ваш начальник говорит вам, насколько исчерпывающим был ваш отчет, вы не принимаете его во внимание, как это мог бы сделать любой другой человек.

Если вы хорошо прошли это собеседование, вы думаете, это потому, что они не поняли, что вы не так хороши.

Поспешные выводы

Когда вы делаете поспешные выводы, вы негативно интерпретируете событие или ситуацию без доказательств, подтверждающих такой вывод. Затем вы реагируете на свое предположение.

Пример

Ваш партнер приходит домой с серьезным видом. Вместо того, чтобы спросить, как они, вы сразу предполагаете, что они злятся на вас. Следовательно, вы держите дистанцию. На самом деле у вашего партнера был плохой день на работе.

Поспешные выводы или «чтение мыслей» часто являются ответом на настойчивую мысль или беспокойство.

Пример

Вы не уверены в своих отношениях. Итак, когда вы видите, что ваш партнер выглядит серьезно, вы предполагаете, что он может потерять к вам интерес.

Катастрофизация

Катастрофизация связана с поспешными выводами. В этом случае вы делаете наихудший из возможных выводов в каждом сценарии, каким бы невероятным он ни был.

Это когнитивное искажение часто сопровождается вопросами «что, если». Что, если он не позвонил, потому что попал в аварию? Что, если она не пришла, потому что очень не хотела проводить со мной время? Что, если я помогу этому человеку, а он в конечном итоге предаст или бросит меня?

В ответ на одно событие может последовать несколько вопросов.

Пример

Что, если будильник не сработает? Что, если я опоздаю на важную встречу? Что, если меня уволят после того, как я так усердно работал на этой работе?

Персонализация

Персонализация заставляет вас думать, что вы несете ответственность за события, которые в действительности полностью или частично находятся вне вашего контроля.

Это когнитивное искажение часто приводит к тому, что вы чувствуете себя виноватым или возлагаете вину на себя, не учитывая всех вовлеченных факторов.

Пример

Ваш ребенок попал в аварию, и вы вините себя за то, что позволили ему пойти на эту вечеринку.

Вам кажется, что если бы ваш партнер проснулся раньше, вы были бы готовы к работе вовремя.

При персонализации вы также принимаете вещи лично.

Пример

Ваш друг говорит о своих личных взглядах на воспитание детей, и вы воспринимаете их слова как нападки на ваш стиль воспитания.

Ошибки управления

Слово «ошибка» относится к иллюзии, неправильному представлению или ошибке.

Ошибки контроля могут проявляться двумя противоположными путями: либо вы чувствуете ответственность или контроль над всем в своей жизни и жизни других людей, либо вы чувствуете, что вообще ничего не контролируете в своей жизни.

Пример

Вы не смогли заполнить отчет, который нужно было сдать сегодня. Вы сразу думаете: «Конечно, я не мог это сделать! Мой босс перегружает меня работой, а сегодня в офисе все так шумели. Кто может сделать что-нибудь подобное?»

В этом примере вы возлагаете весь контроль над своим поведением на кого-то другого или внешние обстоятельства. Это ошибка внешнего контроля.

Другой тип заблуждения о контроле основан на убеждении, что ваши действия и присутствие влияют на жизнь других людей или контролируют их.

Пример

Вы думаете, что делаете кого-то счастливым или несчастным. Вы думаете, что все их эмоции прямо или косвенно контролируются вашим поведением.

Ошибка справедливости

Это когнитивное искажение относится к оценке каждого поведения и ситуации по шкале справедливости. Обнаружение того, что другие люди не придают той же ценности справедливости событию, вызывает у вас возмущение.

Другими словами, вы считаете, что знаете, что справедливо, а что нет, и вас расстраивает, когда другие люди не согласны с вами.

Ошибочная справедливость приведет вас к конфликту с определенными людьми и ситуациями, потому что вы чувствуете необходимость, чтобы все было «справедливо» в соответствии с вашими собственными параметрами.

Но справедливость редко бывает абсолютной и часто может быть корыстной.

Пример

Вы ожидаете, что ваш партнер придет домой и помассирует вам ноги. Это «справедливо», потому что ты весь день готовила им ужин.

Но они приходят уставшие и хотят только помыться. Они считают, что «справедливо» уделить минутку отдыху от дневного хаоса, чтобы они могли уделить вам все внимание и насладиться ужином, а не отвлекаться и уставать.

Обвинение

Обвинение означает возложение ответственности на других за то, что вы чувствуете.

«Ты заставил меня чувствовать себя плохо» — вот что обычно определяет это когнитивное искажение. Однако, даже когда другие ведут себя оскорбительно, вы все равно контролируете свои чувства в большинстве ситуаций.

Искажение возникает из-за веры в то, что другие могут влиять на вашу жизнь даже больше, чем вы сами.

Пример

Ваш партнер комментирует ваше новое платье, и вы расстроены до конца дня. «Ты заставляешь меня чувствовать себя плохо», — говорите вы им.

Должен

Являясь когнитивным искажением, «должен» является субъективным железным правилом, которое вы устанавливаете для себя и других без учета специфики обстоятельств.

Вы говорите себе, что вещи должны быть определенным образом без исключений.

Пример

Вы думаете, что люди должны всегда приходить вовремя, или что тот, кто независим, должен также быть самодостаточным и никогда не просить о помощи.

Когда дело касается тебя самого, ты можешь думать, что всегда должен заправлять свою постель или всегда должен смешить людей.

«Тебе следует стать лучше», — постоянно говорите вы себе.

Когда эти вещи не происходят — они действительно зависят от многих факторов — вы чувствуете вину, разочарование, разочарование или разочарование.

Вам может показаться, что вы пытаетесь мотивировать себя такими утверждениями, как «Я должен ходить в спортзал каждый день».

Однако, когда обстоятельства меняются, и вы не можете сделать то, что должны , вы злитесь и расстраиваетесь. Например, вы поздно вышли с работы и не смогли попасть в спортзал.

Эмоциональное мышление

Эмоциональное мышление заставляет вас поверить, что то, что вы чувствуете, является отражением реальности. «Я так отношусь к этой ситуации, следовательно, это должно быть фактом», — определяет это когнитивное искажение.

Пример

Чувство неадекватности ситуации превращается в «Я никуда не принадлежу».

Это когнитивное искажение может также заставить вас поверить, что будущие события зависят от того, как вы себя чувствуете.

Пример

Вы можете твердо верить, что сегодня произойдет что-то плохое, потому что проснулись в тревоге.

Вы также можете оценить случайную ситуацию, основываясь на своей эмоциональной реакции. Если кто-то говорит что-то, что вас злит, вы сразу делаете вывод, что этот человек плохо с вами обращается.

Ошибка перемен

Ошибка перемен заставляет вас ожидать, что другие люди изменят свой образ жизни в соответствии с вашими ожиданиями или потребностями, особенно когда вы оказываете на них достаточное давление.

Пример

Вы хотите, чтобы ваш партнер сосредоточился только на вас, несмотря на то, что он всегда был очень общительным и ценил время с друзьями.

Итак, каждый раз, когда они уходят, ты даешь им понять, что с тобой не все в порядке. В конце концов, вы, , знаете, что изменят свой образ жизни и захотят все время оставаться дома.

Глобальная маркировка

Маркировка или неправильная маркировка относится к взятию одного атрибута и превращению его в абсолют.

Это происходит, когда вы судите, а затем определяете себя или других на основе отдельного события.

Назначаемые метки обычно отрицательные и крайние.

Пример

Вы видите, как ваш новый товарищ по команде наносит макияж перед встречей, и вы называете его «поверхностным». Или они не сдают отчет вовремя, и вы называете их «бесполезными».

Это крайняя форма чрезмерного обобщения, которая заставляет вас судить о действии без учета контекста. Это, в свою очередь, приводит к тому, что вы видите себя и других неточно.

Назначение ярлыков другим может повлиять на то, как вы взаимодействуете с ними. Это, в свою очередь, может добавить трения в ваши отношения.

Когда вы навешиваете на себя эти ярлыки, это может повредить вашей самооценке и уверенности в себе, вызывая чувство неуверенности и беспокойства.

Всегда быть правым

Это желание превращается в когнитивное искажение, когда оно превосходит все остальное, включая доказательства и чувства других людей.

В этом когнитивном искажении вы видите свои собственные мнения как факты жизни. Вот почему вы пойдете на многое, чтобы доказать, что вы правы.

Пример

Вы ссоритесь со своим братом или сестрой из-за того, что ваши родители недостаточно поддерживали вас. Вы убеждены, что так было всегда, в то время как ваш брат или сестра считает, что это менялось в зависимости от ситуации.

Поскольку ваш брат или сестра не чувствует того же, вы злитесь и говорите вещи, которые раздражают вашего брата или сестру.

Вы знаете, что они расстроены, но продолжаете спор, чтобы доказать свою точку зрения.

Большинство иррациональных моделей мышления можно изменить, как только вы о них узнаете. Это относится и к негативному мышлению.

Тем не менее, когнитивные искажения иногда сопровождаются расстройствами психического здоровья, такими как расстройства личности. Это усложняет рефрейминг.

Обращение к специалисту по психическому здоровью может помочь, если вы чувствуете, что процесс слишком утомительный.

А пока постарайтесь помнить, что во многих случаях вас расстраивают не события, а ваши мысли.

Возможно, вы не сможете изменить ход событий, но вы можете поработать над тем, чтобы перенаправить свои искаженные мысли.

Может быть полезно начать с небольших изменений. Вот несколько советов:

1. Думайте о своих мыслях

Если какое-то событие расстраивает вас, по возможности отойдите от него и постарайтесь сосредоточиться на том, что вы говорите себе об этом событии.

2. Замена абсолютов

После того, как вы сосредоточитесь на своих мыслях и распознаете закономерность, попробуйте заменить такие утверждения, как «всегда» и «ничего», на «иногда» и «это».

3. Определение себя и других

Попробуйте обозначить поведение. Вместо того, чтобы называть себя «ленивым» из-за того, что вы сегодня не убирались, подумайте: «Я просто сегодня не убирался». Одно действие не должно определять вас.

4. Поиск положительных сторон

Даже если поначалу это сложно, что, если вы найдете хотя бы три положительных примера в каждой ситуации. Это может показаться неестественным, но со временем это может стать спонтанной привычкой.

5. Подтверждают ли доказательства ваши негативные мысли?

Прежде чем сделать заключение, рассмотрите вопрос, расследование и опрос себя и других, чтобы убедиться, что у вас есть как можно больше фактов. Если можете, приложите дополнительные усилия, чтобы поверить в эти факты.

Когнитивные искажения — это негативные фильтры, влияющие на то, как вы видите себя и других.

Когда наши мысли искажаются, наши эмоции тоже. Осознавая и перенаправляя эти негативные мысли, вы можете значительно улучшить свое настроение и качество жизни.

Когнитивная эргономика — OSHWiki

▼ Когнитивная эргономика

Когнитивная эргономика

Вирпи Калакоски , Финский институт гигиены труда, Финляндия

Содержание

• 1 Введение
• 2 Что такое когнитивная эргономика?
  • 2.1 Когнитивные процессы
  • 2.2 Изучение познания
    • 2.2.1 Методы когнитивной науки
    • 2.2.2 Изучение познания в повседневных контекстах
• 3 Познание в действии
  • 3.1 Восприятие и внимание на работе
  • 3.2 Рабочая память на работе
  • 3.3 Память и обучение на работе
  • 3.4 Мыслительные и языковые процессы на работе
  • 3.5 Опыт работы
• 4 Познавательные потребности работы
  • 4.1 Особые требования к работе
  • 4. 2 Работа в динамичных средах
  • 4.3 Информационные технологии и автоматизация
  • 4.4 Характер работы в будущем
• 5 Выводы: На пути к оптимальному когнитивному функционированию на работе
  • 5.1 Когнитивные способности и навыки человека ограничены, но адаптивны
  • 5.2 Изменить условия труда легче, чем когнитивную систему человека
  • 5.3 Лучшая работа для всех
• 6 Каталожные номера
• 7 Ссылки для дальнейшего чтения

Введение

Когнитивная эргономика — это дисциплина, направленная на то, чтобы сделать взаимодействие человека и системы совместимым с когнитивными способностями и ограничениями человека, особенно на работе. Когнитивная эргономика использует знания когнитивных наук о психических процессах, таких как восприятие, внимание, память, принятие решений и обучение. Методы этих областей исследования применяются для лучшего понимания факторов, влияющих на когнитивную функцию. Практическая цель состоит в том, чтобы улучшить условия труда и производительность труда, а также безопасность и здоровье, а также избежать человеческих ошибок и ненужной нагрузки и стресса.

Что такое когнитивная эргономика?

Когнитивная эргономика — это подразделение эргономики (или человеческого фактора): дисциплины и методов, направленных на обеспечение «надлежащего взаимодействия между работой, продуктом и окружающей средой, а также человеческими потребностями, возможностями и ограничениями» ^[1] . В этом взаимодействии человека и системы когнитивная эргономика фокусируется на психических процессах, особенно на когнитивных функциях и взаимодействиях на психологическом/поведенческом уровне.

Теоретическая основа основана на когнитивной психологии, а также на других когнитивных науках. Цель состоит в том, чтобы выяснить природу человеческих способностей и ограничений в обработке информации. В когнитивной эргономике эти аспекты изучаются в контексте работы и других систем. В последние годы также наметилась тенденция использовать методы нейронауки и в области эргономики. Термин нейроэргономика используется, когда основное внимание уделяется неврологическим и физиологическим функциям и биологическим объяснениям. ^[2]

Когнитивные процессы

В эргономике и психологии познание относится к психическим процессам, связанным с обработкой и обращением с информацией, т. е. кодированием, сохранением, повторением, вспоминанием и преобразованием информации в человеческом уме и мозге. Человеческое познание можно разделить на несколько функций, лежащих в основе оптимальной работы человека. ^[3] Важно распознавать когнитивные функции, относящиеся к конкретной задаче или работе, и обеспечивать соответствие рабочей среды требованиям этих задач.

• Ощущение и восприятие относится к восприятию стимулов, получаемых посредством органов чувств, таких как зрение, слух, вкус, обоняние и/или осязание. Например, в строительных работах нужно слышать предупреждающие сигналы, а в медицинском обслуживании нужно уметь различать символы на мониторе.
• Внимание — это этап, на котором обработка сосредоточена на определенных аспектах воспринимаемой информации, или обработка может быть разделена между двумя или несколькими аспектами. Например, в диспетчерской нужно заметить, произошло ли существенное изменение ситуации; в детском саду медсестре может потребоваться сосредоточить свое внимание на нескольких детях одновременно.
• Рабочая память включает в себя краткосрочную память хранилище, в котором информация доступна до 30 секунд. Это также относится к процессам, с помощью которых информация активно репетируется и обрабатывается в уме. Например, телефонистке приходится репетировать имя нужного человека до тех пор, пока она не соединит вызов, а лаборанту — следить за порядком расположения при работе с несколькими образцами.
• Долговременная память — постоянное хранилище разной информации. Семантическая память относится к хранению знаний об окружающем мире, символах и понятиях. Эпизодическая память содержит информацию о событиях и эпизодах, тогда как события личной жизни человека называются автобиографическими воспоминаниями. Процедурные знания касаются «знания как» и навыков. Например, вся работа требует определенных знаний в данной области и определенных навыков, т.е. как безопасно пользоваться машиной или как организовать встречу.

Эти основные когнитивные процессы и представления также важны, если рассматривать когнитивные функции более высокого уровня, такие как понимание и воспроизведение речи и мыслительные процессы , такие как решение проблем , принятие решений и рассуждение . Например, работа коммуникатора требует постоянного чтения и написания текстов, в то время как рабочий, выполняющий ремонтные работы, должен следовать инструкциям, которые необходимо читать время от времени. Кроме того, потребность решать проблемы и принимать решения различается в зависимости от задач и занятий. Познание также включает в себя обучение относится к постоянным или долговременным изменениям в знаниях и/или навыках, которые относятся ко всем профессиям. В когнитивной науке опыт относится к некоторым превосходным человеческим способностям в решении сложной когнитивной задачи и может рассматриваться как отражение максимальной адаптации к конкретной среде.

Изучение познания

Исследование человеческого познания описывает природу когнитивной системы человека. Это знание человеческой части системы необходимо при проектировании оборудования, приборов и т. д. Оно полезно для оценки критических аспектов, когда кто-то пытается приспособить среду к когнитивным функциям человека, которые имеют отношение к конкретной работе или задаче.

Методы когнитивной науки

Когнитивная эргономика использует не только общие знания, полученные в результате фундаментальных и прикладных исследований, но и специальные знания, полученные при изучении конкретной задачи и ситуации. Основным методом, используемым в когнитивной психологии, является экспериментальный и поведенческий: интересующий вопрос изучается в контролируемой (лабораторной) среде с использованием тщательно отобранного стимульного материала и обеспечением сбалансированного порядка изучаемых условий. Поведенческие показатели, такие как время отклика и процент правильных ответов, предоставляют информацию о способности человека эффективно работать в различных условиях. Методы визуализации мозга могут помочь прояснить лежащие в основе биологические и физиологические аспекты познания. Экспериментальная нейропсихология стремится понять принципы когнитивной обработки как в здоровых, так и в поврежденных системах. Вычислительное и математическое моделирование человеческого познания также является методом, который можно применять в когнитивной науке.

Целью экспериментального исследования является получение надежных результатов о конкретных механизмах, объясняющих человеческое познание. Одним из нежелательных последствий такого тщательного экспериментального контроля является то, что в рамках одного эксперимента может быть изучено лишь ограниченное число вопросов. Таким образом, существуют сотни тысяч исследований, иногда с явно противоречивыми результатами по множеству вопросов. Получить полное представление о природе человеческого познания и применить это знание непросто. Поэтому надежные знания о познании требуют дополнительных теорий и воспроизведения экспериментальных результатов.

Изучение познания в повседневном контексте

Когда результаты, касающиеся природы человеческого познания, применяются в повседневном контексте, решающее значение имеют два вопроса. в области эргономики. ^[4] Во-первых, экологическая достоверность, которая означает, что полученные результаты применимы и за пределами лаборатории. Это требует, чтобы методы, материалы и условия исследования были приближены к реальной задаче, которая исследуется. Во-вторых, обобщаемость результатов, которая относится к концепции, что результаты также могут быть применены вне конкретного контекста, в котором они были получены. Это требует тщательного контроля над экспериментами, чтобы гарантировать, что они основаны на действительно обобщаемых принципах человеческого познания и деятельности. Оптимальная ситуация состоит в том, что исследование должно использовать экологически обоснованные методы и давать обобщаемые результаты.

В дополнение к объективным поведенческим и физиологическим методам существуют и другие методы, которые могут пролить свет на когнитивные функции. Например, надежные анкеты можно использовать для изучения частоты когнитивных сбоев или проблем с памятью на работе или рабочей нагрузки, которую испытывает сотрудник. Методы анализа когнитивных задач пытаются уловить мысли людей, фокус внимания, стратегии принятия решений и основу для квалифицированной работы.

Существуют различные методы анализа когнитивных задач, напр. извлечение знаний и когнитивная инженерия. Эти методы направлены на то, чтобы понять, что люди знают и как они это знают. Анализ когнитивных задач собирает данные с помощью интервью, самоотчетов, наблюдений и автоматизированного сбора поведенческих данных. Они могут сосредоточиться на настоящем, на произошедших событиях или на будущих перспективах. Данные можно собирать в реальном мире или в смоделированных, даже виртуальных средах. Целью могут быть как типичные рутинные события, так и редкие или сложные события. Данные можно анализировать и представлять различными способами. Цель состоит в том, чтобы получить глубокое представление о когнитивном явлении, лежащем в основе реальных задач в сложных и динамичных рабочих условиях. ^[5]

Когниция в действии

Когнитивные функции подвержены своим ограничениям так же, как и физические характеристики. Даже самый искусный жонглер не может подбросить в воздух десять яблок и поймать их все двумя руками. Однако пределы функциональных возможностей мозга не видны и обычно не могут быть осознанно распознаны. Поэтому важно применять надежные знания об этих аспектах человеческих характеристик, чтобы мы могли гарантировать, что они не будут перегружены на работе. Важно отметить, что когнитивные ограничения будут иметь менее существенное влияние на производительность, если выполняемая задача усвоена до такого уровня, что она становится автоматизированным навыком, поскольку автоматизированные процессы не нагружают ограниченные возможности внимания и рабочей памяти.

Восприятие и внимание на работе

Человеческие существа обладают ограниченной способностью воспринимать окружающую среду, особенно воспринимать все детали. Люди не замечают всего, что было бы актуально в их работе, и легко отвлекаются на коллег.

Многие условия труда, такие как плохое освещение, могут ухудшить способность работника воспринимать объекты и концентрировать внимание на соответствующих аспектах. Для хорошего визуального восприятия необходимо, чтобы символы были четко различимы: т. е. размер текста был достаточно большим, а между символами и фоном был достаточный контраст. Таким образом, хорошие условия освещения улучшат видимость и влияние размера и контраста.

Хорошие условия восприятия делают цели видимыми. Кроме того, они сокращают время, необходимое для визуального поиска, когда определенный символ ищется среди других целей. Цели, которые появляются из окружающей среды, обнаруживаются легче и быстрее, чем сложные цели, требующие последовательного сканирования региона. Если уменьшить количество фоновых объектов или сгруппировать цели вместо их равномерного распределения, это также поможет направить внимание на соответствующие объекты, например. на рабочем столе оператора или в щите управления транспортным средством. Эффективный способ направить внимание и улучшить восприятие состоит в том, чтобы предупредить о входящем релевантном стимуле или его пространственном местоположении в окружающей среде до того, как объект появится.

Важно отметить, что есть несколько условий, которые отвлекают и направляют внимание на посторонние объекты. ^[6] Например, способность концентрировать зрительное внимание и удерживать информацию активной в зрительно-пространственной рабочей памяти легко отвлекается на движущиеся объекты и мигающие огни. ^[7] В слуховой области шум, который включает в себя распознаваемые звуки речи, может ухудшить восприятие, внимание и другие формы обработки лингвистической информации. ^[8] Кроме того, способность слышать и следить за разговором ухудшается в шумных условиях; это факт, который следует учитывать при разработке сигналов связи и предупреждения.

Новые технологии также используют другие способы восприятия, такие как осязание. В принципе, включение мультимодальной информации может быть эффективным способом разделения внимания или направления фокуса внимания на соответствующие объекты. Однако каждая чувственная модальность имеет свои ограничения, которые необходимо учитывать при проектировании работы. ^[9] Лучшие практики когнитивной эргономики включают:

• оптимизация размера символов и текста, контраста между объектами и фоном и условий освещения.
• различимость целей, группировка целей, небольшое количество фоновых объектов, оповещение о соответствующем стимуле.
• снижение слухового и визуального шума.

Рабочая память на работе

При выполнении любой задачи очень важно эффективно сохранять и обрабатывать всю необходимую информацию. Человеческие существа имеют ограниченную способность обрабатывать информацию в фокусе внимания, т. е. существуют пределы системы рабочей памяти. Емкость оперативной памяти составляет около 4 элементов и без репетиции информация стирается из рабочей памяти менее чем за 30 секунд. ^[10]

Некоторых ограничений емкости рабочей памяти можно избежать, уменьшив количество шума и ненужной визуальной информации, а также ограничив объем запоминаемой информации. Если задача или система требуют активного обслуживания и обработки кодов или других деталей, это приводит к ненужной загрузке оперативной памяти. Напротив, если нет необходимости мысленно репетировать тривиальные детали, объем рабочей памяти можно использовать для решения проблем, принятия решений и других важных задач. Таким образом, хорошая визуализация и другие вспомогательные средства внешней памяти могут улучшить когнитивные функции и производительность.

В то время как существует общая способность обрабатывать информацию в рабочей памяти, возможности рабочей памяти и внимания также зависят от модальности. Таким образом, система, которая позволяет использовать несколько модальностей, т. е. визуальный и слуховой, а не только визуальный режим, помогает разделить требования к вниманию и мощности, чтобы можно было улучшить производительность. Модель ^[11] Викена — это практический способ реализовать перекрывающиеся требования к обработке информации и разработать работу и системы, которые пытаются уменьшить когнитивную нагрузку за счет распределения нагрузки между непересекающимися ресурсами.

Рисунок 1: Модель Wicken (2008) о перекрывающихся требованиях к обработке информации определяет четыре дихотомии непересекающихся ресурсов : 1) Модальности: слуховое и зрительное восприятие используют разные ресурсы, 2) Стадии: восприятие/познание и реакция/действие использовать разные ресурсы, 3) коды: пространственная и вербальная/языковая деятельность используют разные ресурсы, 4) визуальная обработка: фокальное и периферическое зрение используют разные ресурсы.
Источник: ^[12] Авторское право © 2008 г. Общества человеческого фактора и эргономики. Перепечатано с разрешения SAGE Publications.

Рабочая память также является местом исполнительных функций, ее можно представить как своеобразного дирижера оркестра обработки информации в сознании человека. Многие задачи требуют, чтобы люди переключали внимание, переключались между разными задачами или выполняли несколько задач одновременно. Эти ситуации когнитивно требовательны, и проблемы с контролем обработки информации могут привести к ошибкам и ошибкам в действиях. Например, люди могут непреднамеренно нажимать переключатели управления на машинах или случайно выбрасывать или выбрасывать какой-либо предмет, который им понадобится позже.

Убедительно продемонстрирована стоимость переключения задач. ^[13] Производительность, даже в простых задачах, подвержена ошибкам, и время выполнения будет увеличиваться, если человек должен переключать внимание между задачами, а не заканчивать одну задачу, прежде чем приступить к следующей. Лежащие в основе процессы когнитивного контроля имеют отношение к широкому спектру задач, с которыми каждый сталкивается на работе и в жизни в целом. Поэтому при проектировании рабочих сред и задач крайне важно стремиться к ситуациям, которые не требуют ни постоянного переключения между задачами, ни выполнения нескольких задач одновременно. Лучшие практики когнитивной эргономики включают:

• разумное количество объектов/информации, которые необходимо иметь в виду,
• уменьшение ненужной визуальной информации, фоновой речи и прерываний,
• использование внешних средств запоминания и визуализации,
90 137 непересекающихся модальностей, кодов, этапов и ответов, необходимых в задаче, 90 138
• снижает затраты на переключение задач и необходимость одновременного выполнения задач.

Память и обучение на работе

Ограничения долговременной памяти в основном связаны с медленным процессом приобретения новых знаний и навыков, трудностями припоминания информации и рабочих процедур, а также быстрым забыванием информации, которая не была изучена. репетировал. Однако объем долговременной памяти неограничен, и в любом возрасте есть «пространство» для приобретения новых знаний и навыков.

Согласно недавним обзорам и метаанализам, наиболее эффективными методами обучения являются тестирование и распределенная практика информации/навыков, которые предстоит изучить. ^[14] Техники распределенной практики состоят из нескольких фаз практики вместо одной массовой практики. В литературе по профессиональному обучению также рассматривается важность оценки того, что происходит до обучения, а также того, что происходит после обучения. ^[15]

Человеческая память реконструктивна: информация не хранится в виде идеальной записи, но извлечение информации из памяти включает использование доступной информации и подсказок о событии или теме. Детали реконструируются на основе того, что знакомо, вероятно и/или значимо, или с учетом контекста. Способность людей определять источник вызванных воспоминаний ограничена. Поэтому часто бывают ложные воспоминания о реальных деталях, даже если суть воспоминаний может быть правильной. Из-за реконструктивного характера памяти письменная документация и документация в виде изображений/видео необходима, когда требуется подробное и точное воспоминание. Лучшие практики когнитивной эргономики включают:

• предоставление достаточного времени для изучения знаний и навыков,
• избегать забывания соответствующих знаний и навыков, используя их в работе и используя контрольные списки и другие вспомогательные средства,
• применение эффективных методов обучения на работе, если профессиональное обучение является подходящим решением,
• тщательное документирование важной и подробной информации и решений.

Мыслительные и языковые процессы в действии

Мышление и общение представляют собой сложные процессы в естественных условиях. Лабораторные исследования показали, что принятие человеком решений, решение проблем и рассуждения не следуют нормативным правилам, т.е. те из логических рассуждений. Вместо этого люди используют эмпирические правила, которые не требуют когнитивных усилий, но очень часто приводят к приемлемым решениям. Однако многие типичные ошибки в принятии решений были обнаружены в реальных жизненных ситуациях. ^[16]

Несколько факторов влияют на успешность мышления и общения в работе и решении сложных задач. ^[17] Мышление и общение основаны на основных когнитивных процессах, описанных выше. Кроме того, предшествующий опыт, знания и навыки влияют на то, как люди оценивают проблемы и пытаются их решить. Ментальные модели — это сложные представления ситуаций и событий, и они используются как способ представления релевантной информации в мыслительных процессах. Многие ситуации на рабочем месте сложны и плохо определены. Таким образом, может быть не сразу очевидно, как решить проблему или была ли достигнута цель, например, как улучшить отношение к безопасности и насколько масштабное вмешательство необходимо в конкретном случае.

Мышление и общение на работе часто происходят в командах и между людьми, которые имеют разные ожидания, роли, знания, опыт, образование и специфический для работы словарь. ^[5] Для того чтобы общение было эффективным, важно, чтобы между членами команды существовала некоторая общая основа, т. е. степень единого понимания. Трудно изменить способ мышления людей, но есть некоторые общие правила, которые могут помочь в развенчании ложных предположений, например. сосредоточение внимания на основных фактах, а не на мифах, и предоставление альтернативного объяснения того, почему некоторые мифы ошибочны. ^[18] Лучшие практики когнитивной эргономики включают:

• перечисление информации и аргументов, относящихся к проблеме, которую необходимо решить, или к решению, которое необходимо принять,
• с использованием графики для представления соответствующих факторов и их связей,
• создание общего понимания путем облегчения

обработки контента,

• разоблачение ложных предположений.

Опыт работы

Человеку требуется время, чтобы стать экспертом; для этого могут потребоваться годы самоотверженной практики. ^[19] Опыт и обучение приводят к превосходной производительности в задачах, специфичных для предметной области, то есть задач, требующих знаний и навыков, относящихся к этой конкретной области или области. Исключительная производительность экспертов по сравнению с новичками очевидна на нескольких уровнях познания: поиск и распознавание соответствующих стимулов, кодирование и категоризация материала, организация знаний в долговременной памяти, немедленная память, обучение и мышление. ^[19]

Высшее мастерство эксперта заключается не только в том, что он/она знает больше, чем другие, но и в качественных различиях в обработке релевантной для задачи информации. Эксперты представляют предметно-ориентированные знания и проблемы на абстрактном уровне и концентрируются на фундаментальных понятиях, тогда как новички больше внимания уделяют поверхностным особенностям и доминирующим объектам. Эксперты могут выбирать информацию, которая является значимой, имеет смысл и имеет отношение к поставленной задаче. При решении проблем эксперты могут думать наперед, то есть использовать поиск вперед, чтобы определить те возможности, которые приводят к наилучшему результату.

Исследования в области экспертизы выявили максимальную адаптивность человеческих когнитивных способностей. Для новичка многие задачи и ситуации на работе являются новыми и, следовательно, требуют большего внимания, чем знакомые или автоматизированные задачи. Напротив, эксперты обладают огромным объемом предварительно полученных знаний и навыков, которые можно использовать преднамеренно и сознательно для обеспечения исключительной производительности. Однако кажется, что для развития таких исключительных навыков требуется 10 лет или 10 000 часов практики; это было продемонстрировано во многих различных областях. Следовательно, должен быть компромисс между приобретением исключительных навыков и объемом обучения, необходимым для достижения адекватной производительности. При разработке работы и задач крайне важно учитывать уровень и тип знаний, необходимых для выполнения задачи, а также объем необходимой подготовки, если ожидается, что новички в этой области будут выполнять эти задачи. Во многих случаях более эффективно, чтобы сотрудники могли применять свои основные знания на работе, а не выполнять множество дополнительных задач, требующих других навыков и понимания. Лучшие практики когнитивной эргономики включают:

• используя опыт сотрудников,
• обучение новичков,
• поиск баланса между задачами, требующими обучения, и задачами, которые основаны на имеющемся у работника опыте.

Когнитивные требования к работе

Существуют определенные условия, которые делают работу человека на оптимальном уровне еще более требовательной. Когнитивные требования задач и рабочей среды на любой работе могут быть значительными, например. работать в изменяющихся условиях, выполнять несколько задач одновременно или подвергаться шуму или прерыванию работы. Эти состояния ухудшают когнитивные функции и, таким образом, могут перерасти в критические факторы, связанные с работой, которые могут привести к человеческим ошибкам и стать причиной проблем со здоровьем и/или несчастных случаев на работе. Поэтому в критически важных для безопасности областях важно учитывать человеческий фактор и использовать когнитивную эргономику для обеспечения производительности и безопасности.

Особые требования к работе

Существуют некоторые работы, которые перегружают производительность, угрожая безопасности и здоровью работников. Конкретные требования к работе могут быть физическими, умственными и / или психосоциальными, например. работа пожарных, полицейских, медицинских специалистов, пилотов и авиадиспетчеров. ^[20] Профессии с высоким спросом часто критичны для безопасности, например, работа в авиации, атомной энергетике или здравоохранении, где сотрудники несут ответственность за безопасность и благополучие других людей.

Конкретные требования к работе могут включать несколько факторов, например. безусловное рабочее время и стресс, которые, как известно, влияют на когнитивные функции. Известно, что лишение сна, связанное со сменной работой и работой в обычные часы сна, оказывает пагубное влияние на когнитивные способности. Однако существуют значительные межиндивидуальные различия в реакции на депривацию сна и работу в ночное время. Кроме того, психосоциальный стресс может ухудшить функцию внимания и памяти и увеличить количество ошибок и несчастных случаев на работе.

Работа в динамичной среде

Некоторые рабочие среды сложны и динамичны: среда восприятия постоянно меняется, вокруг движутся объекты, а производительность требует быстрой реакции и принятия решений в условиях дефицита времени. Профессиональные водители, авиадиспетчеры и пожарные — это лишь некоторые из сотрудников, которым требуется полная и точная осведомленность о ситуации. Им нужно знать, что происходит, и они должны понимать, что делать дальше при любых обстоятельствах.

Согласно модели Endslay (1995), ситуационная осведомленность включает три уровня:

1. Восприятие относится к осознанию соответствующих объектов, людей, систем и других факторов окружающей среды.
2. Понимание связано с пониманием смысла воспринятого: распознаванием, интерпретацией и оценкой значения.
3. Проекция относится к способности предсказывать ситуацию в ближайшем будущем, основываясь на восприятии и понимании динамических элементов окружающей среды. ^[21] Таким образом, ситуационная осведомленность представляет собой сложное явление, которое зависит от нескольких основных и более высоких уровней когнитивных процессов.

Информационные технологии и автоматизация

Информационно-коммуникационные технологии (ИКТ) играют все более важную роль на рабочем месте: в Финляндии почти 75% сотрудников используют компьютер в своей работе, и каждый третий из них тратит более четырех часов на работу. рабочий день за компьютером. В сфере обслуживания, продаж и ухода использование информационных технологий удвоилось за последние 10 лет. ^[22] Целью когнитивной эргономики является обеспечение того, чтобы информационная работа с компьютерами также была легкой и чтобы ИКТ улучшали способность работника выполнять различные задачи, а не вызывали ненужную нагрузку, ошибки и трату времени.

Использование компьютеров не обязательно снижает когнитивную нагрузку. На самом деле, проблемы удобства использования информационных технологий могут нарушить производительность. Растущее количество интерфейсов на работе предъявляет новые когнитивные требования к сотрудникам: работникам необходимо изучить несколько типов приложений и использовать различные системы. Многие задачи требуют также переключения между несколькими приложениями. Если приложения не имеют технической связи между собой, работа может включать перемещение информации из одного приложения в другое, что компьютер может выполнить более эффективно, чем любой человек.

Развитие информационных технологий также привело к автоматизации, т.е. в производстве, производстве и движении. Автоматизация означает, что работники несут ответственность за мониторинг и контроль процессов. По мере того, как сложность систем возрастает, и ими начинают управлять группы людей, становится все труднее понять, как работает система в целом ^[23] . Есть примеры из авиации, финансового трейдинга и облачных вычислений, демонстрирующие аварии и ошибки, которые случаются, когда технология дает сбой, и люди не могут понять систему и диагностировать проблему. Поэтому необходимо, чтобы технологии обеспечивали людей соответствующей информацией, а работники обучались и практиковали навыки, позволяющие вмешиваться, если что-то пойдет не так. ^[23]

Характер работы в будущем

Характер работы изменился за последние десятилетия, и темпы изменений, вероятно, будут ускоряться. Рабочая сила стареет, методы работы меняются, переход к предоставлению информации и услуг требует от сотрудников новых навыков, а новые технологии влияют на то, как люди работают. Технологии могут влиять на методы обучения и улучшать обучение, а также могут предлагать новые способы изменения окружающей среды, чтобы сделать ее более совместимой с человеческими способностями.

Новые технологии улучшения могут даже предоставить возможности улучшить способность человека учиться и выполнять когнитивные задачи, даже в пожилом возрасте и в экстремальных условиях. ^[24] Тем не менее, изменение среды является ключевым методом в эргономике. Даже если новые технологии позволяют улучшить способности и навыки человека, эти технологии не следует рассматривать как альтернативу улучшению плохих условий труда; т. е. благополучие и здоровье работников должны рассматриваться как ключевой компонент работы.

Выводы: На пути к оптимальному когнитивному функционированию на работе

Целью когнитивной эргономики является разработка условий труда и окружающей среды, которые улучшают когнитивные функции и производительность человека на работе и, как следствие, повышают производительность, безопасность и здоровье на работе.

Когнитивные способности и навыки человека ограничены, но адаптивны

Когнитивные функции имеют свои пределы: во многих случаях человеческие существа имеют ограниченную способность воспринимать, концентрировать и распределять внимание, учиться, запоминать, принимать решения, решать проблемы и общаться. С другой стороны, способность людей приспосабливаться для выполнения различных задач исключительна. При разработке условий работы необходимо найти компромисс между навыками и ограничениями: люди могут преодолеть многие когнитивные ограничения с помощью обучения, но это требует времени.

Легче изменить условия работы, чем когнитивную систему человека

На сегодняшний день существует мало безопасных методов, которые могут изменить когнитивную систему человека и то, как люди обрабатывают информацию. Однако существует множество общих принципов и передовых методов визуальной и когнитивной эргономики и эргономики рабочего времени, [организационной эргономики] и [физической эргономики], которые помогают избежать ненужной когнитивной нагрузки на работе и улучшают работоспособность человека. На практике, даже если вмешательство и дизайн сосредоточены на когнитивной эргономике, важно убедиться, что решения и предложения по изменению конкретного случая также соответствуют требованиям физической и организационной эргономики.

Лучшая работа для всех

Индивидуальные различия и широкий спектр когнитивных способностей очевидны в трудовой жизни. На большинстве обычных рабочих мест работают люди, не принадлежащие к избранным группам населения, и для них не требуются особые когнитивные способности и навыки, а также работа не предполагает длительных периодов обучения или высокого уровня знаний. Кроме того, некоторые работники могут также иметь определенные когнитивные ограничения, такие как трудности в обучении или другие когнитивные нарушения. Таким образом, необходимо разработать работу для всех и рассмотреть вопросы доступности.

В будущем большее количество стареющих рабочих станет фактором, который может повлиять на разнообразие трудоспособности. Когнитивные переменные, которые имеют решающее значение для производительности в некоторых профессиях, могут начать проявлять возрастные эффекты после 45 лет, хотя индивидуальные различия велики. Наблюдается возрастное снижение зрительных функций и слуха, по крайней мере, в некоторой степени. Некоторые психические процессы, которые имеют решающее значение для многих профессий, например, рабочая память и исполнительные функции, а также выполнение двойных задач и переключение задач, по-видимому, больше всего зависят от возраста. Когнитивные функции более высокого уровня, по-видимому, также снижаются с возрастом, хотя практика и опыт повышают производительность у людей всех возрастов.

Принято считать, что пожилые работники могут адаптироваться и компенсировать потерю трудоспособности, и, таким образом, высокий уровень квалификации может хотя бы в некоторой степени уменьшить пагубное влияние возраста. Кроме того, нет убедительных доказательств того, что с возрастом снижается работоспособность. Кроме того, с возрастом увеличиваются индивидуальные и внутриличностные различия в когнитивных функциях. Таким образом, хронологический возраст не является подходящим фактором для оценки когнитивных способностей и работоспособности человека, вместо этого необходимы методы оценки функционального возраста человека. Эти вопросы особенно актуальны при принятии решения о трудоспособности стареющих работников, выполняющих высокооплачиваемую работу. ^{[20] [25]}

Ссылки

1. ↑ МЭА – Международная Эргономическая Ассоциация (2013). Домашняя страница. Получено 7 ноября 2013 г. из: [1]
2. ↑ Парасураман, Р., «Нейроэргономика: исследования и практика», Теоретические вопросы эргономики, 4, 2003 г., стр. 5-20.
3. ↑ Айзенк, М.В., и Кин, М.Т., Когнитивная психология. Пособие для школьника (4-е изд.). Psychology Press, Longman, Хоув, Великобритания, 2000 г.
4. ↑ Банаджи, М.Р., и Краудер, Р.Г., «Банкротство повседневной памяти», Американские психологи, 44, 19.89, стр. 1185-1193
5. ↑ ^{5.0 5.1} Крэндалл, Б., Кляйн, Г., Хоффман, Р.Р., Работающие умы: Практическое руководство по анализу когнитивных задач, Массачусетский технологический институт, 2006 г.
6. ↑ Лави, Н., «Отвлекся и сбит с толку?: Избирательное внимание под нагрузкой», Trends in Cognitive Sciences , 9, 2005, стр. 75-82.
7. ↑ Пирсон, Д.Г., и Сахрайе, А., «Окуломоторный контроль и поддержание пространственно-временно распределенных событий в зрительно-пространственной рабочей памяти», The Quarterly Журнал экспериментальной психологии , 56A 2003, стр. 1089–1111.
8. ↑ Венейоки, Н., Карлела-Туомала, А., Кескинен, Э. и Хонгисто, В., «Влияние речи и разборчивости речи на выполнение задач», Ergonomics , 49, 11, 2006, стр. 1068 -1091
9. ↑ Спенс, К., «Кроссмодальное внимание», Scholarpedia , 5(5), 2010, с. 6309. Доступно по адресу: [2]
10. ↑ Коуэн, Н., «Магическое число 4 в кратковременной памяти: переосмысление умственной емкости памяти», Науки о поведении и мозге , 24 (1), 2001, стр. 87-185.
11. ↑ Викенс, К.Д., Множественные ресурсы и умственная нагрузка, Человеческий фактор , 50 (3), 2008, стр. 449–455.
12. ↑ Викенс, К.Д., Человеческий фактор, 50 (3), стр. 450
13. ↑ Монселл, С., «Переключение задач», Trends in Cognitive Sciences , том 7, выпуск 3, март 2003 г., стр. 134–140.
14. ↑ Данлоски, Дж., Роусон, К.А., Марш, Э.Дж., Натан, М.Дж., Уиллингем, Д.Т., Улучшение обучения учащихся с помощью эффективных методов обучения: перспективные направления когнитивной и педагогической психологии, Психологическая наука в интересах общества , vol. 14, нет. 1, январь 2013 г., стр. 4–58.
15. ↑ Салас, Э., Танненбаум, С.И., Крайгер, К., и Смит-Йентч, К.А., «Наука об обучении и развитии в организациях: что имеет значение на практике», Психологическая наука в интересах общества , 13, 2012 г., стр. 74–101.
16. ↑ Тверски, А., Канеман, Д., «Суждение в условиях неопределенности: эвристика и предубеждения», Science , 185 (4157), 1974, стр. 1124–1131.
17. ↑ Каньяс Дж., Кесада Дж., Антоли А. и Фахардо И., «Когнитивная гибкость и приспособляемость к изменениям окружающей среды в динамических сложных задачах решения проблем», Ergonomics , 46: 5, 2003, стр. 482 — 501
18. ↑ Кук Дж., Левандовски С., The Debunking Handbook , Сент-Люсия, Австралия, Университет Квинсленда, 5 ноября 2011 г. Доступно по адресу: [3]
19. ↑ ^{19,0 19,1} Эрикссон, К. А., Леманн, А. С., «Эксперт и исключительная производительность: свидетельство максимальной адаптации к ограничениям задачи», Ежегодный обзор психологии , 47, 1996, стр. 273-305.
20. ↑ ^{20.0 20.1} Sluiter, J.K., «Профессии с высоким спросом: возрастное разнообразие трудоспособности?», Appl Ergon. , нет. 37(4), 2006, стр. 429-40.
21. ↑ Эндсли, М.Р., «К теории ситуационной осведомленности в динамических системах», Human Factors , 37, 1995, стр. 32-64.
22. ↑ Кауппинен Т., Ханхела Р., Кандолин И., Карьялайнен А., Касвио А., Перкио-Мякеля М., Приха Э., Тойкканен Й., Вилюксела М., ( ред.). Työ ja terveys Suomessa 2009, Työterveyslaitos, Helsinki, 2010. Доступно по адресу: [4]
23. ↑ ^{23.0 23.1} Бакстер Г., Руксби Дж., Ван Ю., Хаджех-Хоссейни А. Ирония автоматизации… все еще сильна в 30 лет? Proceedings of ECCE (Европейская конференция по когнитивной эргономике) 2012 г., 29-31 августа, Эдинбург, Северная Британия, 2012 г.
24. ↑ Совершенствование человека и будущее работы, Отчет о совместном семинаре, организованном Медицинской академией наук, Британской академией, Королевской инженерной академией и Королевским обществом, 2012 г. Доступно по адресу: [5]
25. ↑ Гесс, Т. М., «Память и старение в контексте», Психологический бюллетень , 131(3), 2005, стр. 383-406.

Ссылки для дальнейшего чтения

Human Factors and Ergonomics Society (без даты публикации). Домашняя страница. Получено 9 октября 2013 г. из: [6].

Институт эргономики и человеческого фактора (без даты публикации). Домашняя страница. Получено 24 февраля 2014 г. из: [7].

Эргономика будущего? Эргономика , том 51, выпуск 1 (специальный выпуск), 2008 г. Доступно по адресу: [8].

Джонсон, А., Проктор, Р. (редакторы), Нейроэргономика: когнитивный нейробиологический подход к человеческому фактору и эргономике , 2013.

EU-OSHA – Европейское агентство по безопасности и гигиене труда, Взаимодействие человека и машины как возникающий риск, 2009 г. Доступно по адресу: [9].

EU-OSHA – Европейское агентство по безопасности и гигиене труда, Приоритеты исследований в области безопасности и гигиены труда в Европе: 2013–2020, 2013 г. Доступно по адресу: [10]

Как справиться с когнитивными нарушениями на работе

С Майклом Бельвиллем происходит что-то тревожное. Впервые он заметил это на работе, когда у него начались проблемы с выполнением задач на работе, которую он занимал 18 лет.

«Я обнаружил, что… задаю людям вопросы о вещах, которые я должен был знать, потому что я их обучил», — говорит Бельвиль, старший техник по телекоммуникациям в Verizon в Чарльтоне, штат Массачусетс. «Я работаю с хорошей группой людей, и они были добры об этом. Но они чесали в затылках, задаваясь вопросом: «Что происходит с Майком?» Я делал все меньше и меньше».

Его беспокойство усилилось после того, как однажды вечером он заблудился по дороге домой с работы. Затем последовали другие тревожные эпизоды, побудившие его обратиться за помощью. Сканирование мозга, нейропсихологические тесты и спинномозговая пункция позволили установить диагноз в течение шести месяцев: в возрасте 52 лет у Бельвиля была болезнь Альцгеймера с ранним началом.

​«Это был шок, — говорит Бельвиль, которому сейчас 54 года. — Это было последнее, что вы ожидаете услышать в моем возрасте».

Исследования старения рабочей силы в основном сосредоточены на пробеле в навыках, оставленном выходящими на пенсию бэби-бумерами, так называемой утечкой мозгов из институциональных знаний. Но работодатели и менеджеры по персоналу могут столкнуться с другим видом перенапряжения мозга, поскольку рабочая сила Америки стареет, а пожилые люди все чаще предпочитают оставаться на работе дольше.

Хотя болезнь Альцгеймера с ранним началом встречается редко, легкие когнитивные изменения, связанные с нормальным процессом старения, довольно распространены и могут начаться уже в возрасте 30–40 лет. Неявные симптомы включают забывчивость или потребность в большем количестве времени для обработки новой информации. В большинстве случаев мало кто из менеджеров или коллег даже замечает это.

Однако со временем, по мере углубления когнитивных изменений или развития заболеваний, у некоторых сотрудников могут проявляться более заметные проблемы с памятью или функционированием. Они могут забывать о регулярных запланированных встречах, испытывать трудности с решением проблем или быть не в состоянии переключаться между задачами. Тем не менее, даже в этих случаях многие из этих работников все еще могут выполнять свою работу — в некоторых случаях с помощью простых приспособлений.

«Степень, в которой изменения когнитивных функций могут повлиять на производительность труда работников, варьируется», — говорит Брэдфорд Дикерсон, невролог Массачусетской больницы общего профиля в Бостоне. «Самая большая проблема — попытаться выяснить, что является частью нормального спектра старения и что является началом болезни», такой как деменция или болезнь Альцгеймера.

Не только о старении

Безусловно, когнитивные проблемы не ограничиваются пожилыми работниками. На самом деле, некоторые пожилые работники превосходят более молодых по успеваемости, и многие из них сохраняют отличные когнитивные функции даже в свои 70–80 лет. И наоборот, медицинские проблемы, такие как депрессия и гипотиреоз, могут привести к когнитивным нарушениям в любом возрасте, хотя, к счастью, в этих случаях проблема в значительной степени обратима.

Эми Шивз было 35 лет, когда она начала замечать когнитивные изменения, в том числе проблемы с концентрацией внимания и пониманием пространственных отношений, таких как оценка длины автомобиля или скорости, с которой он приближается. Примерно 17 лет спустя, в возрасте 52 лет, у нее диагностировали болезнь Альцгеймера с ранним началом. Она взяла творческий отпуск после своей давней работы консультантом в общественном колледже в Спокане, штат Вашингтон. Она так и не смогла вернуться.

«Память меня подвела, например, какой класс соответствует какой учебной программе. Это то, на что после 25 лет не смотришь», — говорит она. Ей пришлось обратиться за помощью к своим сверстникам, и в конце концов она создала шпаргалки с тем, что ей нужно было сделать. «Вы адаптируетесь в своей профессиональной жизни. Это работает какое-то время».

Через несколько лет обходные пути, которые она использовала, чтобы компенсировать провалы в памяти, больше не работали. Она изо всех сил пыталась смириться со всем, что ей пришлось потерять. «У меня было все: доход, семья, которая поддерживала меня, ресурсы, способность судить о том, что должно происходить», — говорит она.

Симптомы когнитивных нарушений обычно проявляются медленно и начинаются за годы до того, как возникают проблемы на работе, говорит консультант по персоналу Джим Джонс, президент Johns Group Inc. в Джексонвилле, штат Флорида, 9.0011

«Работники не укладываются в сроки, не появляются на собраниях или опаздывают, когда человек всегда приходил вовремя, говоря: «Я не помню, чтобы вы говорили мне сделать это», или чей-то характер меняется с близкого по духу на непослушный или злой — вот как это проявляется», — говорит он.

Распространенные формы снижения когнитивных функций Когда когнитивные изменения начинают мешать повседневной жизни и производительности труда, могут быть задействованы один или несколько факторов:

​ Легкие когнитивные нарушения (MCI) вызывают небольшое, но измеримое ухудшение памяти, языка, мышления и суждений у людей. Не всегда ясно, является ли MCI самым ранним симптомом болезни Альцгеймера, который может не проявляться в течение многих лет, или это часть нормального процесса старения.

​ Основное состояние здоровья , такое как дефицит витаминов, гипотиреоз или депрессия, иногда может проявляться снижением когнитивных функций. Лечение этого состояния может уменьшить или обратить вспять когнитивный дефицит и вернуть работника к его или ее прежнему функционированию.

​ Болезнь Альцгеймера — наиболее распространенная форма деменции у людей в возрасте 65 лет и старше. Причина недостаточно понятна, но типичные ранние симптомы включают потерю памяти и трудности с выполнением рутинных задач.

​ Сосудистая деменция вызывается инсультом и другими нарушениями притока крови к мозгу. Ранние признаки этой формы деменции часто включают недальновидность или трудности с планированием, организацией и принятием решений.

Что делать

Какой бы сложной ни была эта проблема, специалисты по кадрам могут помочь, работая в тесном контакте с сотрудниками и предпринимая следующие шаги.

Провести оценку безопасности. Снижение когнитивных способностей может иметь особенно серьезные последствия, когда работники выполняют работу, требующую протоколов безопасности или быстрого реагирования, например авиадиспетчеры, пилоты, службы экстренного реагирования или хирурги. Точно так же высшие руководители, наделенные большими полномочиями по принятию решений, могут проявлять недальновидность в результате ограниченных возможностей, подвергая свою организацию финансовому риску.

В подобных обстоятельствах менеджеры должны быстро оценить способность сотрудника принимать решения и определить, может ли он или она оставаться на этой должности, — говорит Алан Кинг, генеральный директор Workplace Options, которая предоставляет компаниям услуги по обеспечению благополучия и эффективности сотрудников. .

Ассоциация раннего обнаружения болезни Альцгеймера предлагает инструменты, которые могут научить работодателей и менеджеров тому, как выявлять возможные ранние предупреждающие признаки среди сотрудников. Он также предоставляет другие ресурсы.

Привлекайте сотрудников.  Демонстрируя мягкое поведение, начните разговор и обсудите конкретные проблемы, которые помешали сотруднику соответствовать стандартам компании, например, несоблюдение сроков или невыполнение задач.

«Обязанность менеджера — привлечь этого сотрудника, — говорит Кинг. «Если они совершают ошибки, которых никогда раньше не делали, или перестали появляться на собраниях, что-то, что продолжается в течение нехарактерного периода времени — это примеры, когда могут возникнуть проблемы». Это ваша возможность выразить заботу о человеке, а также указать на влияние таких ошибок на организацию.

«Обычно работник замечает изменения раньше, чем работодатель, — говорит Кинг. «Речь идет о разговоре, который не является конфронтационным и не диагностическим. Ясно, что вы не говорите: «Я думаю, у вас болезнь Альцгеймера с ранним началом». Ясно, что вы не говорите: «Я думаю, что у вас болезнь Альцгеймера с ранним началом». ‘  

— Алан Кинг, Workplace Options

Ведите тщательный учет.  Менеджеры и отдел кадров должны документировать проблемы с производительностью и любые действия, которые были предприняты для решения проблемы, такие как встречи с сотрудником, договоренности, которые могли быть достигнуты, и т.  д.

«Если кто-то за последние три-четыре месяца пропустил встречи или сроки, это объективно измеримые критерии для измерения производительности на рабочем месте для всех людей, занимающих эту должность», — говорит Ф. Дэймон Китчен, юрист по трудовым вопросам и партнер Constangy, Brooks. , Smith & Prophete в Джексонвилле, штат Флорида. «Неважно, им 20 или 70 лет.

«Мы не хотим делать поспешных выводов о том, что чьи-то проблемы с производительностью являются результатом какого-то ухудшения или ухудшения когнитивных функций, — говорит он. «Мы хотим избегать комментариев, связанных с возрастом или инвалидностью».

Пэт Уилсон была менеджером государственного агентства в Висконсине, когда заподозрила, что у одного из ее непосредственных подчиненных проявляются ранние признаки слабоумия. Она следовала указаниям своего работодателя и документировала каждое невыполненное задание, а также дату, когда это было замечено, и продолжительность проблемы. Она совещалась со своими менеджерами по персоналу, чтобы информировать их о ситуации и о том, как она с ней справлялась.

Уилсон сказал о сотруднике: «Она не обращала внимания, вовремя не посещала встречи и не выполняла рабочие задания. Когда мы прошли оценку производительности, я рассмотрел все проблемы, с которыми сталкивался». Сотрудница призналась, что у нее возникли проблемы. «Она сказала, что чувствует себя подавленным, и ей было трудно встать с постели из-за личных вещей, которые происходили в ее жизни».

Рассмотреть разумные приспособления. Обычно лучше избегать заявлений о чьем-либо здоровье, если только он или она не раскроют информацию заранее. В соответствии с федеральным Законом об американцах-инвалидах (ADA) работодателям, как правило, запрещается задавать определенные вопросы или делать заявления о физическом или психическом здоровье сотрудника, если только у них нет разумных оснований полагать, что состояние здоровья мешает работе или представляет угрозу для рабочей силы. . Некоторые государственные и местные законы и даже некоторые профсоюзные договоры обеспечивают дополнительную защиту сотрудников.

Однако, если сотрудник сообщает менеджеру о когнитивных или физических нарушениях, вступает в силу новый набор мер защиты ADA. Работодатели с 15 и более сотрудниками должны изучить, могут ли быть предоставлены разумные приспособления, чтобы помочь человеку выполнять основные функции. работы.

Попросить сотрудника рассказать о том, какие приспособления могут быть ему полезны, — это, пожалуй, самый эффективный способ начать процесс, — говорит Линда Картер Батист, юрист и главный консультант Сети по трудоустройству — бесплатной службы, предоставляющей рекомендации по приспособлениям на рабочем месте для люди с ограниченными возможностями.

Адаптация может включать в себя изменение графика работы, если когнитивные нарушения более выражены во второй половине дня, использование программного обеспечения для соблюдения графика работы сотрудника с нарушением памяти, реструктуризацию определенных рабочих обязанностей или предоставление вспомогательных технологий для помощи в выполнении различных функций.

«Разумные приспособления могут быть очень простыми и ничего не стоить», — говорит Китчен. «Возможно, работать с его или ее врачами, чтобы выяснить, есть ли какое-то лекарство, которое мы можем предоставить, или предлагать разные часы работы. Может быть, он больше не подходит для этой позиции, но он может ее занять.

«Очень сложно найти качественных работников — если у вас есть хороший, квалифицированный сотрудник, имеет смысл удержать его, а не проходить собеседования и обучение», — говорит он.

Используйте сильные стороны людей. Работник, испытывающий ухудшение когнитивных функций, мало чем отличается от человека, у которого диагностировано серьезное заболевание. «То, что у кого-то рак толстой кишки 3 стадии, не означает, что он не может работать», — говорит Кинг. «Когда впервые появился СПИД, нужно было информировать людей о том, что их беспокоит, и здесь речь идет также об образовании».

Аль Фразия, SHRM-SCP, директор по управлению талантами в Baker Tilly, фирме профессиональных услуг в Нью-Йорке, говорит, что его работодатель на протяжении многих лет предоставлял физические приспособления для сотрудников, в том числе для давних работников почтового отделения, которым стало трудно поднимать посылки. .

«Мы изменили работу, чтобы учесть сильные стороны сотрудников, — говорит он. «Эти люди по-прежнему хотели работать. Они были лояльными, внимательными сотрудниками, поэтому мы переложили больше физических обязанностей на других и расширили на этих людей меньше физических задач, и, похоже, все сработало».

Уступчивость Работодатели, рассматривающие вопрос о том, могут ли они предоставить разумные приспособления для работника с инвалидностью, должны рассмотреть следующие вопросы:

Как ограничения на работе влияют на производительность работника?

Какие конкретные задачи вызывают затруднения у работника?

​Какие приспособления позволяют уменьшить или устранить эти проблемы?

Спрашивали ли работника о возможных приспособлениях, которые, по его мнению, могут помочь?

​Как часто мы должны встречаться с сотрудником после того, как приспособления были созданы, чтобы оценить их эффективность и определить, нужна ли дополнительная поддержка?

Относитесь к расторжению с осторожностью

К сожалению, в некоторых ситуациях сотрудник больше не может выполнять основные функции своей работы, и реструктуризация и разумные приспособления не помогают. В этих случаях у менеджеров и специалистов по персоналу может не быть иного выбора, кроме как уволить сотрудника, следуя политикам и рекомендациям компании. Если выходное пособие обычно предоставляется, например, в случае принудительного увольнения, оно также должно быть предоставлено работнику, уволенному из-за инвалидности.

«Если, в конце концов, мы изучили варианты размещения и их невозможно выполнить, мы хотим документально подтвердить, что увольнение было совершено по служебным причинам, а не по какой-либо другой причине», — говорит Китчен. «Все усилия по поиску жилья должны быть задокументированы».

Сотрудники могут иметь возможность воспользоваться преимуществами краткосрочного или долгосрочного страхового покрытия своих работодателей или подать заявку на социальное страхование по инвалидности. В 2010 году Администрация социального обеспечения объявила, что ускорит рассмотрение заявлений на пособия по инвалидности для людей, которые больше не могут работать из-за ранней болезни Альцгеймера, что позволит ускорить выплату.

Что касается Belleville of Verizon, то в марте 2014 года он ушел в краткосрочный отпуск по нетрудоспособности по плану своего работодателя. Девять месяцев спустя страховая компания отклонила его требование, заявив, что оно не согласуется с диагнозом болезни Альцгеймера, потому что он был моложе. чем большинство, когда у них диагностировано заболевание. «По сути, у меня не было выбора, кроме как вернуться к работе», — говорит он.

С тех пор он нанял адвоката, чтобы обжаловать это решение. Тем временем он продолжает работать в Verizon на сокращенной должности. Он говорит, что его менеджер помог ему найти оптимальный способ работы.

«Раньше у меня было два компьютерных монитора, работающих рядом, с пятью или шестью открытыми окнами, которые прыгали туда-сюда между каждым», — сказал он. «Теперь передо мной стоит один компьютерный монитор. Я могу сосредоточиться только на чем-то одном, иначе я запутаюсь».

Это небольшая корректировка, но она имеет значение. Иногда самое действенное, что может сделать работодатель, — это проявить понимание и сочувствие.

Кэрол Флек — старший редактор AARP Media.

Была ли эта статья полезной? SHRM предлагает тысячи инструментов, шаблонов и других эксклюзивных преимуществ для участников, включая обновления соответствия, образцы политик, советы экспертов по персоналу, скидки на обучение, растущее онлайн-сообщество участников и многое другое. Присоединяйтесь/Продлите сейчас  и позвольте SHRM помочь вам работать эффективнее.

​Что не следует говорить

​»Вы пропускаете встречи и забываете о делах. Вы были осмотрены врачом? Как вы думаете, у вас слабоумие?»

​»Ты уже не такой сообразительный, как раньше. Сможешь ли ты выполнять свои обязанности на этой работе в твоем возрасте?»

​«Если вы не поймете, как работать так, как раньше, нам, возможно, придется вас отпустить». Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт