분류

Categorization
특정 용도는 범주(동음이의)를 참조하십시오.
Wikipedia의 카테고리에 대한 자세한 내용은 도움말을 참조하십시오.카테고리
정보과학
일반적인 측면
관련 필드 및 하위 필드

그리고classifying 더 추상적인 그룹(그것은, 범주, 클래스 또는 입력)[1][2]에 그들의 특성, 기능, 시뮬레이션에 근거하여 그들 연합시킴으로써 경험 조직 공유 기능이나 세계(개체, 이벤트, 또는 아이디어 같은)의 경험의 요소 사이에 유사점 준수하고 분류 능력과 활동.ilarities 또는 그룹에 공통적인 기타 기준.분류는 가장 기본적인 인지 능력 중 하나로 간주되며, 따라서 특히 심리학과 인지 언어학에서 연구된다.

분류는 분류와 동의어로 간주되기도 한다(cf., 분류 동의어).분류와 분류는 인간이 그들 주위에 존재하는 사물, 사물, 그리고 생각을 정리하고 세계에 [3]대한 그들의 이해를 단순화할 수 있게 해준다.분류는 인간과 다른 유기체가 하는 것이다: "올바른 종류의 것으로 옳은 일을 한다."사물을 분류하는 활동은 비언어적일 수도 있고 언어적일 수도 있다.인간은 분류를 통해 구체적인 사물이나 추상적인 생각 모두를 인식하고 구별하고 이해한다.오브젝트는 보통 적응적 또는 실용적 목적으로 분류됩니다.

범주 분류는 범주의 구성원과 비구성원을 구분하는 기능을 기반으로 합니다.분류는 학습, 예측, 추론, 의사결정, 언어, 그리고 많은 형태의 유기체와 환경과의 상호작용에서 중요하다.

분류의 개요

범주는 인지 체계에 의해 동등하다고 간주되는 구체적이거나 추상적인 인스턴스(카테고리 멤버)의 별개의 집합이다.범주 지식을 사용하는 것은 범주 구성원의 핵심 특징을 정의하는 정신적 표현에 접근할 것을 요구한다.[4][5]

분류 이론가들에게, 물체의 분류는 종종 세 가지 계층적 수준의 추상화를 [6]가진 분류학을 사용하는 것으로 간주된다.예를 들어, 식물은 단순히 꽃을 라벨링함으로써 높은 수준의 추상화를 식별할 수 있고, 꽃이 장미라고 명시함으로써 중간 수준의 추상화를 식별할 수 있으며, 이 특정한 장미를 개장미로 추가 지정함으로써 낮은 수준의 추상화를 식별할 수 있다.분류법의 범주는 클래스 포함을 통해 서로 연관되어 있으며, 가장 높은 수준의 추상화는 가장 포괄적이고 가장 낮은 수준의 추상화는 가장 [6]덜 포괄적입니다.추상화의 세 가지 수준은 다음과 같습니다.

  • 상위 수준, 속(예: 꽃) - 가장 높고 포괄적인 추상화 수준입니다.범주 내 유사성의 [7]가장 높은 정도와 가장 낮은 정도를 나타냅니다.
  • 기본 레벨, 종(예: 로즈) - 중간 수준의 추상화입니다.Rosch와 동료(1976)는 가장 인지적으로 [6]효율적인 기본 수준을 제안한다.기본 수준 범주는 범주 내 유사성이 높고 범주 간 차이가 높습니다.또, 기본 레벨은 범주의 샘플이 일반화된 [6]식별 가능한 형상을 공유하는 가장 포괄적인 레벨이다.성인은 기본 수준의 객체 이름을 가장 많이 사용하며, 어린이는 기본 객체 이름을 [6]먼저 배웁니다.
  • 하위 수준(예: Dog Rose) - 가장 낮은 수준의 추상화입니다.가장 높은 수준의 특이성과 범주 내 [7]유사성을 나타냅니다.

분류 이론

고전적 견해

주요 기사: 카테고리(아리스톨)

분류의 고전 이론은 플라톤과 아리스토텔레스에서 나타나고 서양 문화, 특히 철학, 언어학,[8][9] 심리학에서 매우 영향력 있고 지배적인 분류에 대한 접근을 나타내기 위해 인지 언어학에서 사용되는 용어이다.아리스토텔레스의 범주적 분석 방법은 포르피리오스의 이사고게를 통해 학문의 중세 대학에 전해졌다.범주의 고전적 견해는 세 가지 가정으로 요약할 수 있다. 범주는 구성원 자격이 갖춰야 하는 필수적이고 충분한 기능의 목록으로 설명할 수 있으며 범주는 명확하게 정의된 경계(요소가 하나에 속하는지 여부, 그 사이에 가능성이 없음)가 있다는 점에서 이산적이다.범주의 상태는 동일합니다.([1][10][8]다른 카테고리보다 더 소속된 카테고리의 멤버는 없습니다.고전적인 관점에서 범주는 명확하게 정의되고 상호 배타적이며 집합적으로 포괄적이어야 한다. 이렇게 함으로써, 주어진 분류 세계 내의 모든 실체는 제안된 [citation needed]범주의 하나, 단 하나에만 분명히 속하게 된다.

범주의 고전적 관점은 플라톤의 작품에서 서양 철학의 맥락에서 처음 나타났는데, 플라톤은 그의 정치가의 대화에서 유사한 특성에 기초하여 사물을 분류하는 접근법을 도입했다.이 접근법은 아리스토텔레스가 계급과 사물의 차이를 분석하는 그의 범주 논문에서 더욱 탐구되고 체계화되었습니다.아리스토텔레스는 또 생물 분류에 고전적 분류법(동물이냐 채소냐 발이 몇 개냐 털이냐 깃털이냐 날 수 있느냐 등 연속적으로 좁혀지는 문제를 적용하는 기법)을 집중적으로 적용하면서 이를 기반으로 삼았다.s는 자연분류법입니다.

범주의 고전적 관점 사용의 예는 데카르트, 블레이즈 파스칼, 스피노자, 존 로크의 서양 철학 작품과 20세기 논리실증주의자 버트런드 러셀, G.E. 무어에서 찾을 수 있다.1990년대에 프랭크 카메론 잭슨과 크리스토퍼 피코케가 [11][12][13]제안한 보다 최근의 공식과 함께 분석 철학과 개념 분석의 초석이 되어 왔다.20세기 초에 더크하임과 모스가 범주의 문제를 경험적 사회과학에 도입했는데, 그들의 선구적인 연구는 현대 [14][15]학계에서 다시 검토되었다.

분류의 고전적 모델은 1963년 제롤드 카츠와 제리 포더에 의해 구조 의미론 패러다임의 언어학자들로부터 적어도 1960년대부터 사용되어 왔으며, 이는 차례로 앨런 콜린스나 M과 같은 심리학자들에게도 채택에 영향을 미쳤다. 로스 퀼리언.[1][16]

현대판 고전 분류 이론은 뇌가 구성원과 [17][18]비구성원을 구별하는 특징을 감지함으로써 어떻게 범주를 학습하고 표현하는지를 연구한다.

원형 이론

주요 기사 : 시제품 이론

1973년 이후 심리학자인 엘리너 로쉬와 동료들에 의한 선구적인 연구는 원형 이론을 도입했고, 이에 따라 분류는 원형에 기초하여 사물을 분류하는 과정으로도 볼 수 있다.이 접근방식은 특히 인지언어학에 [1]큰 영향을 끼쳤다.그것은 부분적으로 이전의 통찰력, 특히 비트겐슈타인(1953년)[1]과 로저 브라운(1958년)의 가족 유사성에 기초한 범주 모델의 공식화에 기초했다.

원형 이론은 조지 레이코프와 같은 인지 언어학자에 의해 채택되었습니다.원형 이론은 범주 분류에 대한 유사성 기반 접근법의 한 예로서, 후보 범주 [19]구성원의 유사성을 평가하기 위해 저장된 범주 표현을 사용한다.원형 이론에 따르면, 저장된 표현은 범주 구성원의 요약 표현으로 구성됩니다.이 원형 자극은 다양한 형태를 취할 수 있다.범주의 평균 구성원을 나타내는 중심 경향, 가장 빈번한 경우를 나타내는 모달 자극 또는 가장 일반적인 범주 특성으로 구성된 자극, 또는 마지막으로 "이상적인" 범주 구성원 또는 [20]범주의 뚜렷한 특징을 강조하는 캐리커처일 수 있다.이 프로토타입 표현의 중요한 고려사항은 [20]범주의 실제 사례의 존재를 반드시 반영하지는 않는다는 것이다.또한 프로토타입은 [21]상황에 매우 민감합니다.예를 들어 음료 카테고리의 시제품은 탄산음료 또는 셀처일 수 있지만 브런치의 맥락에서 시제품 음료로 미모사를 선택할 수 있습니다.

원형 이론은 주어진 범주의 구성원들이 가족 유사성을 공유하고 범주는 (필요하고 충분한 특징을 [22]가진 모든 구성원과 대조적으로) 전형적인 특징들의 집합으로 정의된다고 주장한다.

예시론

주요 기사:예시론

분류에 대한 유사성에 기초한 접근방식의 또 다른 예로서, 예시 이론은 마찬가지로 후보 카테고리 멤버의 유사성과 저장된 메모리 표현을 비교한다.예시 이론에서는 범주의 알려진 모든 인스턴스가 예시로서 메모리에 저장됩니다.낯선 엔티티의 카테고리 멤버십을 평가할 때 잠재적으로 관련된 카테고리의 샘플을 메모리에서 검색하여 이들 샘플과의 유사성을 집계하여 카테고리화 [20]결정을 작성한다.Medin과 Schaffer의 상황모형(1978)은 기업의 관련 사례와의 유사성을 합산하는 것이 아니라 기업의 관련 [23]사례와의 근접성을 반영하는 가중된 유사성을 제공하기 위해 이를 곱하는 가장 가까운 인접접근법을 사용한다.이는 효과적으로 분류 결정을 분류 대상 [23][24]엔티티와 가장 유사한 예시로 편향시킨다.

개념 클러스터링

주요 기사:개념 클러스터링

개념 클러스터링은 Ryszard S에 의해 정의된 비감독 분류를 위한 기계 학습 패러다임이다. 1980년 [25][26]미할스키.그것은 분류의 고전적 접근법의 현대적 변형이며, 지식이 어떻게 표현되는지를 설명하려는 시도에서 유래한다.이 접근법에서 클래스(클러스터 또는 엔티티)는 먼저 개념적 기술을 공식화한 다음 [27]설명에 따라 엔티티를 분류함으로써 생성된다.

개념 클러스터링은 주로 1980년대에 비지도 학습을 위한 기계 패러다임으로 개발되었다.생성된 각 카테고리에 대한 개념 설명을 생성하여 일반적인 데이터 클러스터링과 구별됩니다.

개념 군집화는 퍼지 집합 이론과 밀접하게 관련되어 있으며, 이 이론에서 개체는 다양한 적합성 수준에서 하나 이상의 그룹에 속할 수 있습니다.인지적 접근법은 자연 범주가 등급이 매겨지고(경계가 모호해지는 경향이 있다) 구성 구성원의 지위에 일관성이 없다는 것을 받아들인다.필요하고 충분한 조건이라는 개념은 자연발생적인 것의 범주에서 거의 충족되지 않는다.

카테고리 학습

주요 기사: 카테고리 학습

범주 학습에 대한 포괄적인 논의는 이 기사의 범위를 벗어나지만, 범주 학습과 관련 이론의 간략한 개요는 범주 분류의 공식 모델을 이해하는 데 유용하다.

범주 분류 연구가 범주가 어떻게 유지되고 사용되는지를 조사한다면, 범주 학습 분야는 애초에 범주가 어떻게 획득되는지를 이해하려고 한다.이를 달성하기 위해 연구자들은 참가자들이 [28]자극에 완전히 익숙치 않은지 확인하기 위해 종종 임의 객체의 새로운 범주(예: 점 행렬)를 사용한다.범주 학습 연구자들은 일반적으로 두 가지 유형의 범주 학습에 집중해 왔습니다.분류 학습 과제 참가자들은 제공된 특징을 바탕으로 자극에 대한 범주 레이블을 예측한다.분류 학습은 카테고리 간 정보와 [29]카테고리의 진단 기능을 학습하는 것을 중심으로 합니다.이와는 대조적으로 추론 학습 태스크는 제공된 카테고리 라벨 및/또는 다른 카테고리 피쳐의 존재에 기초하여 카테고리 피쳐의 존재/값을 추론하는 참가자를 대상으로 한다.추론 학습은 범주 내 정보와 범주의 프로토타입 특징을 [29]학습하는 데 중심적이다.

범주 학습 과제는 일반적으로 감독 학습과 비감독 학습의 두 가지 범주로 나눌 수 있다.지도 학습 과제는 학습자에게 범주 레이블을 제공합니다.학습자는 라벨이 붙은 예제의 범주에서 추출한 정보를 사용하여 자극을 적절한 범주로 분류합니다.이것은 관찰된 물체의 특징을 범주 라벨에 관련짓는 규칙이나 개념을 추상화하는 것을 포함할 수 있습니다.비지도 학습 과제는 학습자에게 범주 레이블을 제공하지 않습니다.따라서 학습자는 데이터 집합의 고유 구조를 인식하고 수업의 유사성에 따라 자극을 그룹화해야 합니다.따라서 비지도 학습은 분류 구조를 생성하는 과정이다.범주 학습을 학습하는 데 사용되는 태스크는 다음과 같은 다양한 형태를 취합니다.

  • 규칙 기반 태스크는 참가자들이 명시적 추론 프로세스를 통해 배울 수 있는 범주를 제시합니다.이러한 종류의 과제에서 자극의 분류는 획득 규칙을 사용하여 이루어진다(즉, 자극이 차원 x에서 큰 경우 A에 응답한다).
  • 정보 통합 태스크는 학습자가 분류 결정을 내리기 전에 여러 자극 차원에서 지각 정보를 합성해야 한다.규칙 기반 태스크와 달리 정보 통합 태스크는 쉽게 설명할 수 있는 규칙을 제공하지 않습니다.X-ray를 읽고 종양이 존재하는지 확인하려고 하는 것은 정보 통합 작업의 실제 사례화라고 생각할 수 있습니다.
  • 프로토타입 왜곡 작업을 수행하려면 학습자가 카테고리에 대한 프로토타입을 생성해야 합니다.그런 다음, 학습자가 카테고리에 속하는지 아닌지를 분류해야 하는 프로토타입의 특징을 무작위로 조작함으로써 카테고리에 대한 후보 샘플이 생성됩니다.

범주 학습 이론

카테고리 학습 연구자들은 인간이 [30]카테고리를 배우는 방법에 대한 다양한 이론을 제안했다.범주 학습의 지배적인 이론은 원형 이론, 예시 이론, 그리고 결정 [28]한계 이론을 포함한다.

원형이론은 범주를 배우기 위해서는 범주의 원형을 배워야 한다는 것을 시사한다.그리고 나서 가장 유사한 [28]프로토타입을 가진 범주를 선택함으로써 새로운 자극의 후속 분류가 이루어진다.

예시 이론은 범주를 배우기 위해서는 그 범주에 속하는 예시들에 대해 배워야 한다고 제안한다.새로운 자극의 후속 분류는 잠재적으로 관련된 범주의 알려진 예에 대한 유사성을 계산하고 가장 유사한 [23]예시를 포함하는 범주를 선택함으로써 달성된다.

결정 한계 이론은 범주를 학습하기 위해서는 특정 반응과 관련된 자극 공간의 영역 또는 이러한 반응 영역을 나누는 경계(결정 한계)를 학습해야 한다고 제안한다.새로운 자극의 분류는 그것이 [31]어느 응답 영역에 포함되는지를 결정함으로써 이루어진다.

분류의 형식적 모델

분류의 계산 모델은 인간이 범주 [20]정보를 어떻게 표현하고 사용하는지에 대한 이론을 테스트하기 위해 개발되었다.이를 위해 범주화 모형을 실험 데이터에 적합시켜 모형에 의해 제공되는 예측이 인간의 성과와 얼마나 잘 부합하는지 확인할 수 있습니다.데이터를 설명하는 모델의 성공에 기초하여, 이론가들은 그들의 이론의 정확성과 인간 범주 표현에 대한 그들의 이론의 관련성에 대한 결론을 도출할 수 있다.

인간이 범주 정보를 효과적으로 표현하고 사용하는 방법을 포착하기 위해, 분류 모델은 일반적으로 동일한 세 가지 [32][20]기본 가정의 변형 하에 작동한다.첫째, 모델은 자극의 내부 표현에 대해 어떤 종류의 가정을 해야 한다(예: 다차원 공간의 [32]점으로서 자극의 인식을 나타낸다).둘째, 모델은 응답을 공식화하기 위해 접근해야 하는 특정 정보에 대한 가정을 해야 한다(예: 표본 모델은 각 [23]범주에 대해 사용 가능한 모든 표본의 수집을 요구한다).셋째, 모형은 사용 가능한 [32]정보가 주어졌을 때 반응을 선택하는 방법에 대해 가정을 해야 합니다.

모든 범주화 모형은 이러한 세 가지 가정을 하지만, 입력을 표현하고 반응 [20]표현으로 변환하는 방식에 따라 스스로를 구별합니다.다양한 분류 모델의 내부 지식 구조는 이러한 변환을 수행하기 위해 사용하는 특정 표현을 반영합니다.모델에 사용되는 일반적인 표현에는 예시, 프로토타입 및 [20]규칙이 포함됩니다.

  • 예제 모델은 모든 자극의 개별 인스턴스를 해당 범주 레이블과 함께 메모리에 저장합니다.후속 자극의 분류는 알려진 모든 예에 대한 자극의 집단 유사성에 의해 결정된다.
  • 프로토타입 모형은 범주의 모든 인스턴스에 대한 요약 표현을 저장합니다.후속 자극의 분류는 시제품이 자극과 가장 유사한 범주를 선택하여 결정된다.
  • 규칙 기반 모델은 카테고리 구성원에 필요한 충분한 기능의 요약 목록을 저장하여 카테고리를 정의합니다.경계 모델은 내용을 기반으로 범주를 정의하지 않으므로 비정형 규칙 모델로 간주할 수 있습니다.오히려 경계 모델은 범주 사이의 가장자리(경계)를 정의하며, 이는 후속적으로 자극이 어떻게 분류되는지에 대한 결정 요인으로 작용한다.

범주화 모형 예제

프로토타입 모델

가중치 특징 프로토타입[33] 모델 프로토타입 모델의 초기 인스턴스화는 1970년대 초에 Reed에 의해 제작되었습니다.리드(1972)는 참가자들이 얼굴을 두 [33]범주 중 하나로 정렬해야 하는 분류 과제의 데이터를 설명하는 18개 모델의 성능을 비교하기 위해 일련의 실험을 수행했다.결과는 지배적인 모델이 평균 거리 모델군에 속하는 가중 특성 프로토타입 모델임을 시사했다.그러나 기존의 평균 거리 모델과 달리, 이 모델은 두 범주의 가장 구별되는 특징에 대해 차등 가중치를 부여했다.이 모델의 성능을 고려할 때, 리드(1972)는 얼굴 분류 과제에서 사용된 전략 참가자들이 두 가지 얼굴 범주 각각에 대한 프로토타입 표현을 구성하고 테스트 패턴을 가장 유사한 프로토타입과 관련된 범주로 분류하는 것이라고 결론지었다.또한, 결과는 유사성이 가장 구별되는 각 범주에 의해 결정되었음을 시사했다.

샘플 모델

1980년대 중반 Nosofsky(1986)에 의해 일반화 컨텍스트[34] 모델 Medin과 Schaffer(1978)의 컨텍스트 모델이 확장되어 GCM([34]Generalized Context Model)이 생산되었다.GCM은 자극의 예제를 각 [20]예제와 관련된 특징의 완전한 조합으로 저장하는 예제 모델이다.이러한 조합을 저장함으로써 모델은 각 샘플의 특징에 대한 컨텍스트를 확립합니다.이러한 특징들은 그 특징이 공존하는 다른 모든 특징에 의해 정의됩니다.GCM은 샘플과 자극의 유사성을 두 단계로 계산한다.첫째, GCM은 샘플과 자극 사이의 심리적 거리를 계산합니다.이것은 예시와 자극 사이의 치수 차이의 절대값을 합산함으로써 달성된다.예를 들어, 표본이 치수 X에 18의 값을 가지고 자극이 치수 X에 42의 값을 가지고 있다고 가정하면, 그 결과 치수 차이는 24가 될 것이다.일단 심리적 거리가 평가되면, 지수 붕괴 함수는 예시와 자극의 유사성을 결정한다. 여기서 거리가 0이면 유사성이 1이 된다(거리가 증가함에 따라 기하급수적으로 감소하기 시작한다).그런 다음 각 범주의 예에 대한 자극의 유사성을 평가하여 범주별 반응을 생성한다. 여기서 각 예시는 자극에 대한 예제의 유사성과 범주와 예제의 연관성의 강도에 기초하여 변화하는 각각의 범주에 대한 "투표"[20]를 제공한다.이렇게 하면 각 카테고리에 효과적으로 선택 확률이 할당되며, 각 카테고리는 받은 투표의 비율에 따라 결정되며 데이터에 적합할 수 있습니다.

규칙 기반 모델

RULEX (Rule-Plus-Exception) 모델[35] 간단한 논리 규칙은 제대로 정의되지 않은 범주 구조를 학습하는 데 효과적이지 않지만, 규칙 기반 분류 이론의 일부 지지자들은 만약 그 규칙에 대한 예외가 저장되고 고려된다면 불완전한 규칙이 그러한 범주 구조를 학습하는 데 사용될 수 있다고 제안합니다.이 제안을 공식화하기 위해 Nosofsky와 동료(1994)는 RULEX 모델을 설계했다.RULEX 모델은 개체의 속성 값에 대한 순차적 테스트로 구성된 결정[36] 트리를 형성하려고 시도합니다.그런 다음 이러한 순차적 테스트 결과에 따라 개체의 분류가 결정됩니다.RULEX 모델은 다음과 같은 [37]방법으로 규칙을 검색합니다.

  • 정확한 단일 속성을 사용하여 오류 없이 클래스를 구분하는 규칙을 검색합니다.
  • 불완전한 단일 속성을 사용하여 오류가 적은 클래스를 식별하는 규칙 검색
  • 연결 검색 - 오류가 적은 클래스를 구별하기 위해 여러 속성을 사용하는 규칙을 찾습니다.
  • 예외 규칙에 대한 예외를 검색합니다.

RULEX가 이러한 검색을 수행하기 위해 사용하는 방법은 다음과 같습니다.[37]먼저 RULEX는 정확한 검색을 시도합니다.성공하면 RULEX는 오분류가 발생할 때까지 이 규칙을 계속 적용합니다.정확한 검색이 규칙을 식별하지 못하면 불완전한 검색 또는 결합 검색이 시작됩니다.이러한 검색 단계 중 하나에서 취득한 충분한 규칙이 영구적으로 구현되고 RULEX 모델이 예외 검색을 시작합니다.규칙을 가져오지 않으면 모델은 이전 단계에서 수행하지 않은 검색을 시도합니다.성공하면 RULEX는 규칙을 영구적으로 구현한 후 예외 검색을 시작합니다.이전 검색 방법 중 어느 것도 성공하지 못한 경우 RULEX는 랜덤 규칙을 획득하는 것과 동일한 관련 규칙이 없음에도 불구하고 예외 검색에만 기본적으로 사용됩니다.

하이브리드 모델

SUSTIN(감독 및 비감독 계층화 적응 증분 네트워크)[38]학습한 범주 표현은 학습자의 [39]목표와 [5]학습 중에 범주가 어떻게 사용되는지에 따라 달라지는 경우가 많습니다.따라서, 일부 분류 연구자들은 적절한 분류 모델이 학습자의 목표, 과제 및 [38]전략에 존재하는 가변성을 설명할 수 있어야 한다고 제안합니다.이 제안은 SUSTINE의 창설을 통해 Love와 동료들에 의해 실현되었습니다.SUSTIN은 문제의 특정에 대한 점진적 적응을 통해 단순 분류 문제와 복잡한 분류 문제를 모두 수용할 수 있는 유연한 클러스터링 모델입니다.

실제로, SUSTIN 모델은 먼저 자극의 지각 정보를 일련의 차원에 따라 구성된 특성으로 변환한다.그런 다음 이러한 치수를 포함하는 표현 공간을 왜곡(예: 신장 또는 축소)하여 주의 메커니즘의 입력에 기초하여 각 기능의 중요성을 반영합니다.다른 범주와 연관된 일련의 클러스터(유사성에 의해 그룹화된 특정 인스턴스)는 자극에 반응하기 위해 경쟁하며, 자극은 후속적으로 자극에 가장 가까운 대표 공간을 가진 클러스터에 할당된다.'알 수 없는 자극 차원 값(예: 범주 레이블)은 당첨 클러스터에 의해 예측되며, 이는 다시 범주화 결정을 알려준다.

SUSTIN 모델의 유연성은 클러스터 수준에서 지도 학습과 비지도 학습을 모두 사용할 수 있는 능력을 통해 실현됩니다.SUSTIN이 자극을 특정 클러스터에 속하는 것으로 잘못 예측하는 경우, 수정 피드백(즉, 감독 학습)은 잘못 분류된 자극을 나타내는 추가 클러스터를 모집하도록 지속 신호를 보낼 것이다.따라서 자극(또는 유사한 대안)에 대한 후속 피폭은 올바른 클러스터에 할당될 것이다.SUSTIN은 또한 자극과 가장 가까운 클러스터 간의 유사성이 임계값을 초과하지 않는 경우 추가 클러스터를 모집하기 위해 비감독 학습을 채택할 것이다. 모델이 그러한 클러스터 할당에서 발생할 수 있는 약한 예측 효용을 인식하기 때문이다.또한 SUSTIN은 단순 분류 문제와 복잡한 분류 문제를 모두 해결하는 방법에 있어 유연성을 보여줍니다.SUSTIN의 내부 표현은 단일 클러스터만 포함하므로 모델이 단순한 솔루션으로 편향됩니다.문제가 점점 복잡해짐에 따라(예를 들어 여러 자극 차원으로 구성된 솔루션이 필요함) 추가 클러스터가 점진적으로 모집되어 SUSTIN이 복잡성의 증가를 처리할 수 있게 됩니다.

사회적 분류

사회적 분류는 다른 기준에 따라 인간을 식별하기 위해 그룹으로 분류하는 것이다.분류는 인지과학 학자들이 연구하는 과정이지만 사회활동으로도 연구될 수 있다.사회적 분류는 다른 것들의 분류와 다르다. 왜냐하면 그것은 사람들이 자신과 다른 사람들을 [3]위해 인간으로서 카테고리를 만든다는 것을 의미하기 때문이다.민족, 출신국, 종교, 성 정체성, 사회적 특권, 경제적 특권 등에 따라 그룹을 만들 수 있습니다.사람의 도식에 따라 사람을 분류하는 다양한 방법이 존재한다.사람들은 그들의 민족성, 종교 또는 [40]나이 때문에 다양한 사회 집단에 속해 있다.

나이, 인종, 성별에 따른 사회적 범주는 사람들이 새로운 사람을 만났을 때 사용된다.이 범주들 중 일부는 신체적 특성을 언급하기 때문에,[41] 사람들이 서로를 모를 때 그것들은 종종 자동적으로 사용된다.이 범주들은 객관적이지 않고 사람들이 그들 주변의 세상을 어떻게 보느냐에 달려있다.그들은 사람들이 자신과 비슷한 사람을 동일시하고 다른 사람을 동일시 할 수 있게 해준다.그들은 주변 사람들과의 정체성 형성에 유용하다.한 집단에서 자신을 식별하거나 다른 [42]집단을 거부함으로써 자신의 정체성을 형성할 수 있다.

사회적 분류는 사람들의 이해를 단순화하는 것을 목적으로 하기 때문에 다른 종류의 분류와 유사하다.하지만, 사회적 범주를 만드는 것은 사람들이 다른 집단과 관련하여 그들 자신을 위치시킬 것이라는 것을 암시한다.그룹 관계의 계층은 사회적 [42]분류의 결과로 나타날 수 있습니다.

학자들은 분류 과정이 어린이들이 세상과 주변 사람들에 대해 배우기 시작하는 어린 나이에 시작된다고 주장한다.아이들은 유사점과 차이점을 바탕으로 카테고리에 따라 사람을 아는 방법을 배웁니다.성인들에 의해 만들어진 사회적 범주 또한 그들의 세계 이해에 영향을 미친다.그들은 부모로부터 이러한 집단에 대한 일반론을 들음으로써 사회 집단에 대해 배운다.그리고 나서 그들은 이러한 [41]일반성의 결과로 사람들에 대한 편견을 발달시킬 수 있다.

사회적 분류에 대한 또 다른 측면은 스티븐 라이허와 닉 홉킨스에 의해 언급되었고 정치적 지배와 관련이 있다.그들은 정치 지도자들이 정치적 [40]논쟁에 영향을 미치기 위해 사회적 범주를 이용한다고 주장한다.

부정적인 측면

주관적이거나 객관적인 기준에 따라 사람들을 분류하는 활동은 집단에서 다른 [43]집단으로 폭력으로 이어지는 경향 때문에 부정적인 과정으로 보일 수 있다.사실, 유사성은 공통적인 특성을 공유하는 사람들을 모으지만, 집단 간의 차이는 긴장을 초래하고 그 집단들 사이의 폭력을 사용할 수 있다.사람들에 의한 사회적 집단의 생성은 그룹 [43]간 관계의 위계화를 책임진다.이러한 계층적 관계는 때때로 주관적인 기준에 따라 사람과 그룹에 대한 고정관념을 촉진하는 데 참여합니다.사회적 범주는 사람들로 하여금 고정관념을 사람들의 집단과 연관시키도록 장려할 수 있다.고정관념을 그룹과 이 그룹에 속한 사람들과 연관짓는 것은 이 [44]그룹의 사람들에 대한 차별의 형태로 이어질 수 있다.집단에 대한 인식과 집단에 관련된 고정관념은 사회관계와 활동에 영향을 미친다.

어떤 사회적 범주들은 사회의 다른 범주들보다 더 무게가 있다.예를 들어, 역사적으로 그리고 오늘날에도, "인종"의 범주는 사람들을 분류하는 데 사용되는 첫 번째 범주 중 하나이다.그러나 "블랙", "화이트", "아시아" 등 몇 가지 범주의 인종만이 일반적으로 사용된다.그것은 다수의 민족을 [45]사람들의 피부색에 기초한 몇 가지 범주로 줄이는 데 관여한다.

사람들을 분류하는 과정은 상대방에 대한 '다르다'는 비전을 만들어내고, 사람들의 비인간화를 이끈다.학자들은 H에 의해 개발된 사회 정체성 이론의 개념으로 집단 간의 관계에 대해 이야기한다.타지펠.[43]실제로, 역사적으로, 사회적 분류의 많은 예들은 지배적인 집단에서 지배적인 집단으로 지배 혹은 폭력의 형태로 이어졌다.식민지화 시기는 한 집단의 사람들이 다른 집단에 속한 다른 사람들을 열등하다고 생각했기 때문에 지배하고 통제하는 것을 선택한 시대의 예이다.인종차별, 차별, 폭력은 사회적 분류의 결과이며 이로 인해 발생할 수 있다.사람들이 다른 사람을 다르게 볼 때, 그들은 다른 [43]집단과 위계적 관계를 발전시키는 경향이 있다.

오분류

분류가 [46]잘못될 가능성이 없으면 분류가 있을 수 없는 일이다.'올바른 일,[47] 바른 일'을 하려면 옳고 그름의 일이 있어야 합니다."모든 것"이 구성원인 범주는 논리적으로 러셀 패러독스("그것인가, 아니면 그 자체의 구성원이 아닌가?")로 이어질 뿐만 아니라, 오류의 가능성이 없다면 범주 구성원과 비구성원을 구별하는 것을 감지하거나 정의할 방법이 없다.

비회원의 부재의 예로는 아이가 언어를 배우는 데 있어서 자극이 되는 빈곤의 문제가 있다: 언어를 배우는 아이들은 유니버설 그래머(UG) 규칙을 듣거나 오류를 범하지 않는다.따라서 UG 오류는 수정되지 않습니다.그러나 아이들의 연설은 UG의 규칙을 준수하며, 언어학자가 UG를 위반하는 발언을 (의도적으로) 만들어내면, 화자는 즉시 뭔가 잘못되었다는 것을 감지할 수 있다.따라서 스피커는 UG 준거와 UG 비준거로 분류할 수 있습니다.언어학자들은 이로부터 UG의 규칙이 인간의 [48]뇌 속에 내재되어 있어야 한다고 결론지었다.

그러나 "개"와 같은 일반적인 범주는 비회원(예: 고양이)의 예를 많이 가지고 있다.그래서 시행착오를 통해 개들과 비개들을 구별하는 것을 발견하고 정의함으로써 그들을 올바르게 [49]분류하는 것을 배울 수 있습니다.행동 문헌에서는 강화 학습, 컴퓨터 문헌에서는 감독 학습이라고 불리는 이러한 종류의 학습은 기본적으로 오류의 가능성 및 오류 수정에 의존합니다.카테고리의 비구성원의 예인 오분류(miscategoryation)는 카테고리를 학습할 수 있도록 하기 위해서뿐만 아니라 카테고리가 존재하고 정의 가능하기 위해서도 항상 존재해야 합니다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b c d e 크로프트와 크루즈(2004) 인지언어학 ch.4 페이지 74-77
  2. ^ Pothos, E. and Wills, A. (ed.) 2011년 분류, 소개, 1페이지 1의 공식 접근법
  3. ^ a b 맥가티, 크레이그 등"사회적 분류"사회행동과학 국제대백과사전, 2015, 186~191페이지.
  4. ^ 머피, G.L., & Medin, D.L.(1985년).개념적 일관성에 있어서 이론의 역할.심리학적 검토, 92, 289–315
  5. ^ a b 마크만, A.B., & Ross, B. H. (2003)카테고리 사용 및 카테고리 학습.심리 속보, 129(4), 592
  6. ^ a b c d e Rosch E, Mervis CB, Gray WD, Johnson DM, Boyes-Bream P.자연 범주의 기본 개체입니다.인지심리학. 1976; 8:382~439.
  7. ^ a b 마크만, A.B., & 비스니에프스키, E.J.(1997).유사 및 차이:기본 수준 범주의 차별화입니다.실험 심리학 저널:학습, 기억, 인지, 23(1), 54.
  8. ^ a b John R Taylor(1995) 언어학적 분류: 언어학적 이론의 원형, 제2판, 제2장, 페이지 21-24쪽
  9. ^ 조지 레이코프(1987) 여성, 화재, 위험한 것들, ch.1
  10. ^ Embley, D.W. Olivé, A. (2006) 개념 모델링 - ER 2006: 제25회 개념 모델링 국제회의
  11. ^ 파슬러의 파누 고전 개념론, 해롤드(2012) 정신 백과사전
  12. ^ Jackson, F. (1998) 형이상학에서 윤리학으로: 개념분석의 방어
  13. ^ Peacocke, C. (1992) MIT 개념 연구.
  14. ^ Durkheim, Emile; Mauss, Marcel; Durkheim, Émile (2002). quelques formes primitives de classification. Classiques des sciences sociales. Chicoutimi: J.-M. Tremblay. doi:10.1522/cla.due.deq. ISBN 1-55441-218-8.
  15. ^ Alejandro, Audrey (January 2021). "How to Problematise Categories: Building the Methodological Toolbox for Linguistic Reflexivity". International Journal of Qualitative Methods. 20: 160940692110555. doi:10.1177/16094069211055572. ISSN 1609-4069. S2CID 244420443.
  16. ^ Katz, J. J. & Fodor, J. A. (1963년)의미론의 구조입니다.언어, 39(2), 4월~6월, 170~210.
  17. ^ 에쉬비, F.G. 및 발렌틴, V. V. (2017).다양한 지각 범주 학습 시스템:이론과 인지 테스트.인: 코헨, H. & 르페브르, C. (Eds.) (2017년)인지과학 분류 핸드북 (제2판.엘세비어
  18. ^ 페레스-게이 후아레스, F., 테리오, C., 그레고리, M., 리바스, D., 사브리, H. 및 하나드, S.(2017).범주 학습이 범주 인식을 유발하는 이유는 무엇입니까?국제비교심리학저널, 30.
  19. ^ 리드, S. K. (1972)패턴 인식 및 분류.인지심리학, 3, 382–407.
  20. ^ a b c d e f g h i Kruschke, J. K. (2008)분류 모델.캠브리지 컴퓨터 심리학 핸드북, 267-301.
  21. ^ Rosch, E. (1999년)개념의 재확보의식 연구 저널, 6(11-12), 61-77.
  22. ^ Rosch, E., & Mervis, C. B.(1975).패밀리 유사성:범주의 내부 구조에 대한 연구.인지심리학, 7(4), 573-605
  23. ^ a b c d 메딘, D. L., & 섀퍼, M. M. (1978)분류 학습의 맥락 이론.심리검사, 85(3), 207
  24. ^ Goldstone, R. L., Kersten, A. 및 Carvalho, P. F. (2012).개념과 분류.심리학 핸드북, 제2판, 4호
  25. ^ Fisher, Douglas H. (1987). "Knowledge acquisition via incremental conceptual clustering". Machine Learning. 2 (2): 139–172. doi:10.1007/BF00114265.
  26. ^ Michalski, R. S. (1980). "Knowledge acquisition through conceptual clustering: A theoretical framework and an algorithm for partitioning data into conjunctive concepts". International Journal of Policy Analysis and Information Systems. 4: 219–244.
  27. ^ Kaufman K.A. (2012) 개념 클러스터링인: Seel N.M. (eds) 학습과학 백과사전.스프링거, 보스턴, 매사추세츠
  28. ^ a b c 에쉬비, F.G., & 매독스, W.T. (2005년)인간 범주 학습.앤, 사이콜 목사, 56세, 149-178세
  29. ^ a b Higgins, E., & Ross, B. (2011년)카테고리 학습 비교:무엇과 가장 잘 비교하는 방법.인지과학회 연차총회 의사록 (제33권, 제33호)
  30. ^ 에쉬비, F. G., & 매독스, W. T. (1998).자극 분류.측정, 판단 및 의사결정(251-301페이지)에 기재되어 있습니다.학술용 프레스
  31. ^ 매독스, W.T., & Ashby, F.G. (1996년)지각적 분리 가능성, 의사결정 분리 가능성 및 식별 속도 분류 관계.실험 심리학 저널:인간의 인식과 퍼포먼스, 22(4), 795.
  32. ^ a b c 에쉬비, F. G., & 매독스, W. T. (1993)범주 분류의 원형, 표본 및 의사결정 한계 모형 간의 관계.수학 심리학 저널, 37(3), 372-400.
  33. ^ a b 리드, S. K. (1972)패턴 인식 및 분류.인지심리학, 3(3), 382-407
  34. ^ a b 노소프스키, R. M. (1986)주의, 유사성 및 식별-분류 관계.실험 심리학 저널:일반, 115(1), 39.
  35. ^ Nosofsky, R. M., Palmeri, T. J. 및 McKinley, S. C. (1994)분류 학습의 규칙 플러스 예외 모델.심리학적 검토, 101(1), 53
  36. ^ 헌트, E. B., 마린, J. & 스톤, P. J. (1966)유도 실험.
  37. ^ a b 나바로, D. J. (2005)카테고리 학습의 RULEX 모델 분석.수리심리학 저널, 49(4), 259-275.
  38. ^ a b Love, B. C., Medin, D. L., & Gureckis, T. M. (2004)SUSTIN: 카테고리 학습의 네트워크 모델.심리학적 검토, 111(2), 309
  39. ^ 바르살루, L. W. (1985년)범주 내 등급 구조의 결정 요소로서의 이상, 중심 경향 및 인스턴스화 빈도.실험 심리학 저널: 학습, 기억, 인지, 11(4), 629.
  40. ^ a b 라이처, S, N 홉킨스"심리와 역사의 종말: 사회 분류 심리학에 대한 비판과 제안"정치심리학, 제22권, 제2호, 2001년, 페이지 383~407.
  41. ^ a b 리버맨, 조이 등"사회 분류의 기원"인지과학 동향, 제21권, 제7호, 2017, 556-568페이지.
  42. ^ a b Bodenhausen, Galen & Kang, S.K. & Peery, D. (2012).사회적 분류와 사회적 집단의 인식. 10.4135/9781446247631.n16.
  43. ^ a b c d 타즈펠, H. "집단 간 관계의 사회심리학"심리학 연례 리뷰, 제33권, 제1호, 1982년 1~39페이지.
  44. ^ 후겐버그, 커트, 갤런 5세보덴하우젠"사회적 분류의 모호성:인종 분류에 있어서의 편견과 얼굴의 영향.심리과학, 제15권, 제5호, 2004년, 342–345페이지.
  45. ^ 나딘 초랜드.스테레오타이프화사회화.인종차별에 대한 사전지 이력 및 비평, PUF, 10p, 2013. fhal-00966930
  46. ^ Magidor, Ofra (2019), "Category Mistakes", in Zalta, Edward N. (ed.), The Stanford Encyclopedia of Philosophy (Fall 2019 ed.), Metaphysics Research Lab, Stanford University, retrieved 2020-01-17
  47. ^ 코헨 & 르페브르 2017
  48. ^ Lasnik, H. & Lidz, J. L. (2017년)경기부양책의 빈곤에서 비롯된 논쟁.입력: Ian Roberts(에드)옥스퍼드 보편 문법 핸드북.
  49. ^ Burt, J. R., Torosdagli, N., Kosravan, N., RaviPrakash, H., Mortazi, A., Tissaviracingham, F., ... 및 Bagci, U. (2018년)고양이와 개를 초월한 딥러닝:심층 신경망을 통한 유방암 진단의 최근 진보, 영국 방사선학 저널 91(1089), 20170545.

외부 링크

무료 사전인 Wiktionary에서 분류를 검색합니다.