Страница 68

Таблица 5.1.

Описание связи между понятиями

Связанные пары понятий

Отношение между связанной парой понятий

Подпрограмма — программа

Есть часть

Символьные данные — выход

Есть тип

Параметр — программа

Используется

Программа — выход

Производит

Сортировка — поиск

Включает в себя

Численные данные — параметр

Может быть

Функция — оператор

Есть

Функция — программа

Есть часть

Отладка — программа

Подвергается

Выход — численные данные

Состоит из

Массив — символьные данные

Может состоять из

Функция — подпрограмма

Есть

Присваивание значений —параметр

Используется для

Массив — глобальная перемена

Может быть

Массив — численные данные

Может состоять из

Повторение — сортировка

Есть часть

Программа — алгоритм

Есть выполнение

Сортировка —алгоритм

Есть

Сортировка — численные данные

Делается на

Присваивание —оператор

Есть

Все упомянутые выше методы (включая кластерный анализ) можно отнести к методам психологического шкалирования. Их основу составляют алгоритмы преобразования сложных структур данных в более понятную форму, которая предполагается психологически содержательной. Результирующее представление зависит от метода:

• кластерный анализ порождает древовидную структуру [Дюран, Оделл, 1977];

• многомерное шкалирование и факторный анализ — пространственную [Окунь, 1974; Терехина, 1986];

• алгоритм MDS — сетевую [Кук, Макдональд, 1986];

• репертуарные решетки (см. параграф 5.2 и работу [Франселла, Баннистер, 1987]) порождают конструкты или метаизмерения [Kintsch, 1974].

Формальная методология психосемантического шкалирования позволяет частично автоматизировать процесс структурирования знаний и получать «когнитивный разрез» его представлений о предметной области. Методология шкалирования позволяет выявлять структуры знания косвенным путем при получении ответов от экспертов на довольно простые вопросы (например, «насколько близки понятия X, и Х2» вместо «скажите, какова связь между X, и Х2 как они влияют друг на друга»).

Почти все эксперименты позволили выявить одну закономерность. Размерность семантического пространства с повышением уровня профессионализма уменьшается. Этот вывод согласуется с известными положениями когнитивной психологии о том, что процесс познания сопровождается обобщением. Построение семантического пространства обычно включает три последовательных шага [Петренко, 1983].

1. Выбор и применение соответствующего метода оценки семантического сходства. Этот шаг включает в себя эксперимент с испытуемыми, которым предлагается оценить общность предъявляемых стимульных признаков на некоторой шкале.

2. Построение структуры семантического пространства на основе математического анализа полученной матрицы сходства. При этом происходит уменьшение числа исследуемых понятий за счет обобщения и получения генерализованных осей.

3. Идентификацию, интерпретацию выделенных факторных структур, кластеров или групп объектов, осей и т. д. На этом шаге необходимо найти смысловые эквиваленты, языковые «ярлыки» для выделенных структур. Здесь большое значение приобретает лингвистическое чутье и профессионализм специалиста, проводящего исследование, и экспертов-испытуемых. Часто к интерпретации привлекают группу экспертов.

5.1.2. Методы многомерного шкалирования

В дальнейшем развитие методов психосемантики шло по линии разработки удобных пакетов прикладных программ, основанных на методах многомерного шкалирования (МШ), факторного анализа, а также специализированных методов (статистической) обработки репертуарных решеток [Франселла, Баннистер, 1987]. Примерами пакетов такого типа являются системы KELLY [Похилько, Страхов, 1990], MADONNA [Терехина, 1988], MEDIS [Алексеева, Воинов и др., 1989]. С другой стороны, специфика ряда конкретных приложений, прежде всего—в инженерии знаний, требовала также развития иных (не численных) методов обработки психосемантических данных, использующих — в той или иной форме — парадигму логического вывода на знаниях. Ярким примером этого направления служит система AQUINAS [Boose et al., 1989; Boose, 1990]. Однако анализ практического применения систем обоих типов к задачам инженерии знаний приводит к выводу о несовершенстве имеющихся методик и необходимости их развития в соответствии с современными требованиями инженерии знаний. Наибольшие перспективы в этой области, по-видимому, у методов многомерного шкалирования.