Lernen von Kategorien

1. Front Matter

   Pages 1-9

   PDF

2. Überblick über experimentelle Befunde und Modelle zum Lernen von Kategorien beim Menschen

   1. Front Matter

      Pages 11-11

      PDF

   2. Einleitung

      • Martin Heydemann

      Pages 12-17

   3. Lernen von unabhängigen Reizkomponenten

      • Martin Heydemann

      Pages 18-29

   4. Prototypische Reize und Gedächtnisrepräsentationen

      • Martin Heydemann

      Pages 30-43

   5. Exemplarorientierte Modelle und Experimente

      • Martin Heydemann

      Pages 44-65

   6. Lernen weniger Regeln (Hypothesenmodelle)

      • Martin Heydemann

      Pages 66-76

3. Das IAK-Modell und seine experimentelle Prüfung

   1. Front Matter

      Pages 77-77

      PDF

   2. Ein Modell des adaptiven konfiguralen Lernens: Das IAK-Grundmodell

      • Martin Heydemann

      Pages 78-96

   3. Anwendungen des Grundmodells I: Lernen weniger Exemplare

      • Martin Heydemann

      Pages 97-115

   4. Anwendungen des Grundmodells II: Lernen von Prototypen

      • Martin Heydemann

      Pages 116-137

   5. Das erweiterte IAK-Modell: Mechanismen zur Beeinflussung von Art und Intensität des Lernens

      • Martin Heydemann

      Pages 138-164

   6. Ein umfassendes Modell zum Klassifikationslernen

      • Martin Heydemann

      Pages 165-194

   7. Anwendungen des IAK-Modells in den Kognitionswissenschaften

      • Martin Heydemann

      Pages 195-210

   8. Schlußbemerkungen

      • Martin Heydemann

      Pages 211-218

4. Back Matter

   Pages 219-252

   PDF

Meine ursprüngliche Absicht war es, ein konnektionistisches Modell zu ent­ wickeln, welches für eine möglichst breite Palette von Lernvorgängen, am besten für das gesamte Gebiet des Lernens, angewandt werden kann. Diese Idee wurde relativ schnell wieder verworfen, da die Konsequenz gewesen wäre, viele Bereiche nur oberflächlich zu berühren. Statt dessen wurde mit dem Klassifikationslernen ein begrenzter, aber zentraler Bereich des Lernens herausgegriffen. Ausgehend von einzelnen speziellen empirischen Phänome­ nen wurde hierzu ein modulares konnektionistisches Modell entwickelt. Da­ bei habe ich jedoch immer darauf geachtet, jede Modellkomponente so zu konstruieren, daß sie nicht nur für ein einzelnes Phänomen, sondern mög­ lichst universell einsetzbar ist. Im Nachhinein erwies sich dieses Vorgehen als produktiver Weg für die Modellentwicklung und kann als Beleg für die Annahme gesehen werden, daß verschiedene Anwendungsbereiche zwar unterschiedliche Lemrnechanismen erfordern, die zugrunde liegenden Infor­ mationsverarbeitungsstrukturen jedoch in wesentlichen Aspekten gleich sind. Das Gebiet des Klassifikationslernens schließlich ist keinesfalls so begrenzt wie zu Beginn angenommen. Daher entstand letztendlich doch ein Modell mit breiter Anwendungspalette - nicht weit von meinem ursprünglichen Ziel entfernt. Die hier vorliegende Arbeit basiert auf meiner Habilitationsschrift. Insbe­ sondere der zweite Teil ist jedoch gegenüber der ursprünglichen Fassung (Heydemann, 1997) wesentlich verändert. Die Darstellung des Modells in Kapitel 6 wurde geändert. Die Details der Experimente in den Kapiteln 7 und 8 fallen weg, so daß diese Kapitel deutlich gekürzt sind. Die Kapitel 10 und 11 habe ich um wesentliche Punkte erweitert und neu geschrieben.

• Klassifikation
• Kognitionswissenschaft
• Lernen
• Maschinelles Lernen
• Neuronales Netz
• Studien zur Kognitionswissenschaft
• neuronale Netze

Dr. Martin Heydemann ist Privatdozent an der Technischen Universität Darmstadt und vertritt zur Zeit eine Professur in Chemnitz. Die hier angezeigte Arbeit wurde 1997 als Habilitationsschrift an der TU Darmstadt angenommen.

Policies and ethics