间隔重复学习方法在辅助学生自主学习方面发挥了重要的作用;然而传统的间隔重复算法在间隔控制上过于僵化,导致学生每日的学习任务量差异明显,进而影响学习效率。为了提升自主学习效率,提出了一种基于ACT-R(Adaptive Control of Thought...间隔重复学习方法在辅助学生自主学习方面发挥了重要的作用;然而传统的间隔重复算法在间隔控制上过于僵化,导致学生每日的学习任务量差异明显,进而影响学习效率。为了提升自主学习效率,提出了一种基于ACT-R(Adaptive Control of Thought-Rational)的认知间隔重复学习方法。首先,基于ACT-R规划学习过程,模拟学生学习行为并提取主导模型记忆变化的激活参数;其次,提出了遗忘曲线切割算法,将遗忘特性反映到学习规划之中,并提取记忆留存率与推荐复习间隔等参数;最后,基于二者所得学习参数,针对特定的学习任务动态地生成间隔重复学习规划。实验结果表明,相较于传统的间隔重复学习算法,基于ACT-R的认知间隔重复学习方法可以合理有效地安排自主学习任务,每日学习任务量更加均衡,每个任务的学习时间分布也更加合理。展开更多
模拟人类认知过程是人工智能与计算认知学的一个重要研究领域。认知体系结构将人类认知模块化,通过模块之间的相互作用模拟人类认知过程。理性思维的自适应控制系统(adaptive control of thoughtrational,ACT-R)是认知体系结构研究领域...模拟人类认知过程是人工智能与计算认知学的一个重要研究领域。认知体系结构将人类认知模块化,通过模块之间的相互作用模拟人类认知过程。理性思维的自适应控制系统(adaptive control of thoughtrational,ACT-R)是认知体系结构研究领域中的代表性理论,作为混合型认知体系结构,ACT-R使用symbolic系统与sub-symbolic系统共同模拟人类认知过程。ACT-R的相关研究已经应用到智能导师、智能agent等领域,并得到了越来越多的关注。通过对ACT-R的发展与相关研究进行综述,分别介绍了symbolic与sub-symbolic的系统组成、模块功能,以及ACT-R的相关应用等内容。展开更多
为了清楚人脑进行加法计算和减法计算的神经机制,探索加法计算和减法计算的不同策略引起对应脑区激活差异,采用思维的自适应控制-理性(adaptive control of thought-rational,ACT-R)建模结合行为实验的方法从更细时间微粒对人类进行加...为了清楚人脑进行加法计算和减法计算的神经机制,探索加法计算和减法计算的不同策略引起对应脑区激活差异,采用思维的自适应控制-理性(adaptive control of thought-rational,ACT-R)建模结合行为实验的方法从更细时间微粒对人类进行加法计算和减法计算的脑区协同工作原理进行研究.行为实验结果反应时,加法运算的真实反应时为(1 812.14±224.14)ms;减法运算的真实反应时为(2 328.14±287.36)ms;加法运算的正确率为97.92%±2.67%,减法运算的正确率为74.38%±11.3%.ACT-R仿真实验结果为:ACT-R模拟反应时,加法运算为1 813.96 ms;减法运算为2 314.53 ms;模拟结果和真实结果的血氧水平依赖(blood oxygen level dependent,BOLD)信号变化率在左侧前额皮层(left prefrontal cortex,LPFC)脑区拟合结果为96%,在后顶叶(posterior parietal cortex,PPC)脑区拟合结果为98%.实验结果表明:人脑完成减法计算比完成加法计算更为复杂.展开更多
文摘间隔重复学习方法在辅助学生自主学习方面发挥了重要的作用;然而传统的间隔重复算法在间隔控制上过于僵化,导致学生每日的学习任务量差异明显,进而影响学习效率。为了提升自主学习效率,提出了一种基于ACT-R(Adaptive Control of Thought-Rational)的认知间隔重复学习方法。首先,基于ACT-R规划学习过程,模拟学生学习行为并提取主导模型记忆变化的激活参数;其次,提出了遗忘曲线切割算法,将遗忘特性反映到学习规划之中,并提取记忆留存率与推荐复习间隔等参数;最后,基于二者所得学习参数,针对特定的学习任务动态地生成间隔重复学习规划。实验结果表明,相较于传统的间隔重复学习算法,基于ACT-R的认知间隔重复学习方法可以合理有效地安排自主学习任务,每日学习任务量更加均衡,每个任务的学习时间分布也更加合理。
文摘模拟人类认知过程是人工智能与计算认知学的一个重要研究领域。认知体系结构将人类认知模块化,通过模块之间的相互作用模拟人类认知过程。理性思维的自适应控制系统(adaptive control of thoughtrational,ACT-R)是认知体系结构研究领域中的代表性理论,作为混合型认知体系结构,ACT-R使用symbolic系统与sub-symbolic系统共同模拟人类认知过程。ACT-R的相关研究已经应用到智能导师、智能agent等领域,并得到了越来越多的关注。通过对ACT-R的发展与相关研究进行综述,分别介绍了symbolic与sub-symbolic的系统组成、模块功能,以及ACT-R的相关应用等内容。
