Modellierung psychischer Prozesse

Modellierung psychischer Prozesse
Dietrich Dörner Ute Schmid
Inhaltsverzeichnis
1 Was ist Simulation und wozu dient sie?
2 Wie baut man Simulationsmodelle?
3 Ein Beispiel: Angst
1 Was ist Simulation und wozu dient sie?
Simulieren heißt "gleich machen"! Der Begriff bedeutet im Alltag auch oft "scheinbar gleich
machen", wenn man z.B. eine Krankheit "simuliert", um einer Matheklausur zu entgehen. Wir
gebrauchen den Begriff im direkten Wortsinn. Ein System simuliert ein anderes, wenn es unter
gleichen Umständen das gleiche tut, wie das andere. Ein System simuliert einen menschlichen
Schachspieler, wenn es unter gleichen Umständen die gleichen Züge, die gleichen Fehler macht
wie der Mensch, gegen die gleichen Gegner in der gleichen Weise verliert und gewinnt, die
gleichen Lernfortschritte macht, unter den gleichen Umständen "aus Wut" das Schachbrett
umstößt … Ein Computer simuliert menschliches Schachspiel keineswegs, wenn er nur
Schachspielen kann.
Das System, das simuliert, ist das "Modell"; das simulierte System ist das "Urbild". Das Modell
stellt man her; das Urbild ist gewöhnlich ein natürliches System, z.B. die psychische Organisation
eines Menschen beim Schachspiel. Für Modell und Urbild gilt die gleiche Theorie; das zumindest
ist das Ziel der Modellkonstruktion. Das heißt, dass man beide Systeme mit der gleichen Theorie
beschreiben kann; in beiden Systemen kommen die gleichen Prozesse vor, ausgelöst durch die
gleichen Bedingungen. Allerdings können die "gleichen" Prozesse in beiden Systemen sehr
ungleich aussehen. Dazu ein Beispiel.
Abb. 1 zeigt links ein "echtes" Neuron, eine Nervenzelle mit ihrem Zellkörper, den Dendriten, und
den im Dendritengeflecht endenden Axonen anderer Neuronen mit ihren synaptischen
Endknöpfchen. Nun wollen wir wissen, wie ein Neuron bezüglich seiner Eigenschaften der
Informationsübertragung, also der Weiterleitung von Aktivierungen, aussehen kann. Dazu
konstruieren wir ein Modellneuron, dass man rechts auf der Abb. 1 sieht.
0.5
INPUT
0.3
GEWICHT
0.3
0.2
0.7
-0.2
0.4
0.1
-0.3
0.4
0.3
0.3
Abb. 1: Natürliche und künstliche Neuronen
Zu einem bestimmten Zeitpunkt bekommt ein Neuron Inputs über die synaptischen Endigungen,
die an seinem Dendritengeflecht und dem Zellkörper anliegen. Es gibt erregende und hemmende
Inputs. Wir wollen annehmen, dass jeder Input zwischen 0 (= keine Erregung) und 1 (= maximale
Erregung) variiert. Zu einem bestimmten Zeitpunkt hat also jeder Input einen Wert zwischen 0 und
1. Die Erregung wird nun einmal nach Maßgabe der Inputgröße und zum anderen nach Maßgabe
des synaptischen Übergangsgewichts auf das Zielneuron übertragen. Wir wollen annehmen, dass
die synaptischen Übergangsgewichte gleichfalls zwischen 0 und 1 variieren. Und wir nehmen an,
dass der übertragene Erregungsimpuls gleich dem Produkt aus Erregung und synaptischem
Übergangsgewicht ist. Ist also die Erregung einer synaptischen Endigung = 0.8 und ist das
synaptische Übergangsgewicht = 0.5, so wird ein Impuls der Größe 0.4 übertragen.
Die hemmenden Inputs haben ein negatives Gewicht. Für die gesamte Erregung des Neuron
nehmen wir an, dass die einzelnen Inputprodukte aufaddiert werden. So ergibt sich die Erregung
des Neuron, die dieses wiederum über sein Axon weiterleitet. Die maximale Erregungsfrequenz
pro Zeiteinheit setzen wir = 1, die minimale = 0. – Das Modellneuron hat vier positive und zwei
negative Inputs. Man sieht die Inputstärken in Zahlen und auch die Größe der synaptischen
Übergangsgewichte. Das Neuron würde aufgrund dieser Inputs eine Erregungsfrequenz von 0.39
(39% des Maximums) erzeugen.
Aus dem ursprünglichen Eiweißklümpchen ist nun eine Menge von Programmanweisungen
geworden, die folgendermaßen aussieht:
a := Summe (inp i × g i );
if a>1 then a:=1;
if a<0 then a:=0;
Das Neuron besteht aus einzelnen Variablen (a, inp i , g i ) und aus Funktionen, die diese Variablen
miteinander verbinden.
Nun haben wir also ein echtes Neuron und ein Modellneuron. Wir haben bestimmte Merkmale des
"echten" Neurons präzisiert. Auch das echte Neuron bekommt Inputs, diese bestehen aus
Impulsfrequenzen, die über die Axone in die synaptischen Endigungen treffen. In den synaptischen
Endigungen befinden sich Depots von Transmittersubstanzen. Sowohl die Impulsfrequenzen als
auch die Größe der Depots lassen sich in Zahlenwerten angeben. Beim echten Neuron wird
aufgrund des Inputs die Membran hyperpolarisiert oder depolarisiert. Das Ausmaß der Polarisation
aufgrund der verschiedenen Inputs errechnet sich aufgrund der Inputprodukte. Die Summenformel
steht also für den Prozess der De- oder Hyper-Polarisation der Membran.
Wenn wir das Neuron in einem Computer realisieren, dann gibt es im Computer natürlich keine
Membranen und keine Depots von Transmittersubstanzen und auch keine Impulsfrequenzen in
den Axonen. All das wird im Computer anders realisiert, nämlich dadurch, dass bestimmte
Speicherzellen bestimmte Werte annehmen. Das Modellneuron ist im Computer materiell anders
realisiert als das Urbild. Dabei aber wird angenommen, dass beide materielle Realisierungen
analog funktionieren. Und diese Analogie ist die "Gleichheit" der Prozesse; obwohl die Prozesse
einmal (im Urbild) biochemisch realisiert sind, im anderen Fall als Berechnungen in der CPU
(central processing unit) eines Computers stattfinden. Es kommt also bei den verschiedenen
Berechnungsprozessen das Gleiche heraus; die Berechnungsprozesse sind "Verhaltensmodelle"
voneinander (oder sollen das sein): gleicher Input erzeugt gleichen Output, aber auf
unterschiedliche Weise. Das künstliche Neuron ist seinerseits ein "Strukturmodell" des natürlichen;
es besteht aus den gleichen Teilen und Zuständen (Synapsen, Aktivitäten) wie das "echte" Neuron.
Das Modellneuron ist also ein Replikat des "Urbildes" in einem anderen Medium. Gewöhnlich sind
Modelle keine vollständigen Replikate. In unserem Beispiel haben wir bestimmte Teile, die bei dem
"echten" Neuron vorhanden sind, weggelassen, zum Beispiel den Zellkern. Wir haben
Vereinfachungen vorgenommen; das ist normal beim Modellieren (obwohl nicht unbedingt
notwendig). Dadurch wird das Modell gewöhnlich gröber als sein Urbild. Die Vergröberung ist eine
mögliche Fehlerquelle.
Wozu baut man Modelle? Um klare Begriffe zu bekommen. Die Psychologie hat wenig klare
Begriffe. Obwohl es eine wissenschaftliche Erforschung der Intelligenz seit mehr als 100 Jahren
gibt, weiß niemand heute eigentlich genau, was Intelligenz ist. Noch schlimmer steht es mit den
Gefühlen. Ein Wörterbuch der Psychologie (Dorsch, Häcker & Stapf, 1998, S. 307) bezeichnet
Gefühle als undefinierbar!. In der Psychologie kann man leider das meiste, was interessiert, nicht
sehen, riechen, anfassen (wie das in anderen Wissenschaften der Fall ist). Man kann "Reize"
sehen (vielleicht!) und "Reaktionen", aber alles was dazwischen ist, bleibt "unfassbar".
Ein Modell ist eine White Box, die man an die Stelle eines "schwarzen Kastens" (Black Box) setzt.
Und dadurch versucht man, den schwarzen Kasten zu durchschauen. Man versucht also zum
Beispiel, solche künstlichen Neuronen, wie wir sie gerade dargestellt haben, so
zusammenzufügen, dass die Neuronennetze Erinnerungs-, Planungs-, Wahrnehmungsprozesse
und auch Motivationsprozesse durchführen.
Es liegt auf der Hand, dass die Modellbildung große Vorteile hat. Man kann auf diese Weise
Tausende von Neuronen zugleich in einem Computer "simulieren" und studieren, welches
Verhalten Neuronenverbände zeigen, ob sie die entsprechenden Prozesse bei Menschen
nachbilden.
Die Simulation treibt die Theorienbildung voran, weil sie bestimmte Zwänge setzt:
Die Simulation zwingt zu Genauigkeit; statt nur davon zu reden, dass Neuronen andere Neuronen
aktivieren, muss man die genaue Funktion angeben, nach der diese Aktivierung vonstatten geht.
Ein theoretisches "irgendwie" verbietet sich.
Die Simulation zwingt zur Vollständigkeit: man muss alles explizieren, was man braucht, um zum
Beispiel einen Erinnerungsprozess in einem neuronalen Netz nachzuahmen..
Die Simulation zwingt zur Konsistenz, zur Widerspruchsfreiheit. Widersprüchliche Formulierungen
funktionieren nicht.
Damit ist die Modellbildung, zusammen mit der Überprüfung der Gültigkeit der Modelle durch
Simulation, ein unschätzbares Werkzeug zur Theoriebildung in der Psychologie.
Schließlich kann die oft als "unwissenschaftlich" gescholtene Selbstbeobachtung für die
Modellbildung nützlich sein. Wenn man bei sich selbst beobachtet, was zum Beispiel unter Stress
und Ärger anders funktioniert als im normalen Zustand, so kann man aus solchen Beobachtungen
Hypothesen entwickeln, die in die Modellentwicklung eingehen. Und diese Modelle kann man dann
objektiv testen! Auf diese Weise wird die Selbstbeobachtung also objektivierbar.
2 Wie baut man Simulationsmodelle?
Everything is vague to a degree you do not realize
till you have tried to make it precise . . . Bertrand Russell
Für die Simulation psychischer Prozesse müssen die angenommenen Wissensstrukturen und
Verarbeitungsprozesse in einem formalen Modell abgebildet werden. Dies geschieht oft mithilfe
von Methoden der Informatik, insbesondere der Künstlichen Intelligenz (Russell & Norvig, 2002).
Eine klassische Herangehensweise zur kognitiven Modellierung ist die Verwendung von
Produktionssystemen (Newell & Simon, 1972). Ein Produktionssystem besteht aus (1) einem
Arbeitsspeicher, der das aktuelle Wissen enthält, (2) einem Produktionsspeicher, der die Regeln
zur Verarbeitung von Wissen vorhält, und (3) einem Interpreter, der das Kontrollwissen des
Systems enthält (siehe Abbildung 2). Im Wesentlichen realisiert ein Produktionssystem die
Ersetzung von Daten im Arbeitsspeicher durch Anwendung von Regeln aus dem
Produktionsspeicher. Dies geschieht in Form von match-select-apply-Zyklen.
Wir veranschaulichen die Arbeitsweise eines Produktionssystems am Beispiel der algebraischen
Umformung eines mathematischen Ausdrucks so dass nur noch einfache Additionen vorhanden
sind (siehe Tabelle 1). Zu Beginn steht der gegebene Ausdruck im Arbeitsspeicher. Der Interpreter
vergleicht die linken Seiten aller Regeln mit dem Ausdruck (match). Er verwendet eine einfache
Strategie zur Regelauswahl (select), indem er immer die erste anwendbare Regel wählt. Die
Regelanwendung (apply) führt zu einer Änderung des Ausdrucks im Arbeitsspeicher. Der nächste
match-select-apply-Zyklus beginnt. Nach vier Regelanwendungen ist ein Ausdruck entstanden, der
nur noch Additionen enthält. Auf diesen Ausdruck ist keine Regel mehr anwendbar und das
Produktionssystem beendet seine Arbeit.
Tabelle 1: Veranschaulichung der Arbeitsweise eines Produktionssystems
Regeln:
1×x
R1
x × (y + z)
R2
R3
2×x
R4
x×y
(0) Arbeitsspeicher: 2 × (1 + 1 × 2)
Match: Anwendbare Regeln
R 1 auf 1 × 2
R 2 auf Gesamtausdruck
R 3 auf Gesamtausdruck
R 4 auf 1 × 2
R 4 auf Gesamtausdruck
Select: Auswahl von R 1
→
→
→
→
x
x×y+x×z
x+x
y×x
(2) Arbeitsspeicher: 2 × 1 + 2 × 2
Match: Anwendbare Regeln
R 3 auf linken Summand
R 3 auf rechten Summand
R 4 auf linken Summand
R 4 auf rechten Summand
Select: Auswahl von R3
Apply: Anwendung führt zu
Apply: Anwendung führt zu
(1) Arbeitsspeicher: 2 × (1 + 2)
Match: Anwendbare Regeln
R 2 auf Gesamtausdruck
R 3 auf Gesamtausdruck
R 4 auf Gesamtausdruck
Select: Auswahl von R2
Apply: Anwendung führt zu
(3) Arbeitsspeicher: 1 + 1 + 2 × 2
Match: Anwendbare Regeln
R 3 auf rechten Summand
R 4 auf rechten Summand
Select: Auswahl von R3
Apply: Anwendung führt zu
(4) Arbeitsspeicher: 1 + 1 + 2 + 2
Produktionsregeln werden als WENN-DANN Regeln formuliert. Regel R 1 in Tabelle 1 liest man:
„WENN im Arbeitsspeicher ein Ausdruck steht, in dem die Kostante 1 mit einem beliebigen Term x
multipliziert wird, DANN lösche die Multiplikation mit 1 und behalte nur x“. Das heißt, im WENN-Teil
der Regel wird eine Bedingung für die Daten formuliert und im DANN-Teil eine Aktion auf den
Daten. Bei der kognitiven Modellierung auf der Basis von Produktionssystemen, werden statt der in
unserem Beispiel verwendeten einfachen „Vorwärts-Ersetzungs“-Regeln meist zielgesteuerte
Produktionssysteme verwendet. Im Arbeitsspeicher stehen dann sowohl ein aktueller
Gedächtnisinhalt als auch ein aktuelles Ziel (und möglicherweise noch weitere offene Ziele). Die
Produktionsregeln enthalten dann im WENN-Teil offene Ziele, im DANN-Teil können Unterziele
gesetzt werden, die erfüllt sein müssen, um das Ziel zu erreichen. Ein Alltagsbeispiel für eine
solche Regel wäre „WENN das Ziel ist, Kaffee zu kochen, DANN setze als Unterziele, dass
Kaffeepulver und Wasser in der Kaffeemaschine sind“.
Bei zielgesteuerten Produktionssystemen wird typischerweise jeweils diejenige Regel ausgewählt,
von der angenommen wird, dass das Ergebnis ihrer Anwendung, dem gewünschten Ziel näher ist.
Das wird unter anderem mit der sogenannten Mittel-Ziel-Analyse realisiert (Newell & Simon, 1972).
Neben einer auf Mittel-Ziel-Analyse basierenden Kontrollstrategie kann die Regelauswahl auch
über Stärkewerte realisiert werden. In diesem Fall wird jede Produktionsregel mit einem Stärkewert
assoziiert. Dieser Wert sinkt, wenn die Regel nicht gebraucht wird und er steigt bei erfolgreicher
Anwendung (Anderson, 1983).
Bei vielen Problemen ist nicht unmittelbar ersichtlich, ob ein Zustand näher am gewünschten Ziel
ist oder nicht. Entsprechend werden sogenannte Heuristiken eingesetzt, mit denen Zustände
bewertet werden. Heuristiken sind Faustregeln, die einen Problemlöser in vielen Fällen in die
gewünschte Richtung leiten – aber eben nicht immer. Bei dem Problem in Tabelle 1 ist es nützlich,
immer eine Regel auszuwählen, die eine Multiplikation entfernt. Bei der Konstruktion eines Modells
für psychische Prozess versucht man, solche Heuristiken einzusetzen, die denjenigen, die
menschliche Problemlöser zeigen, möglichst ähnlich sind.
Produktionssysteme geben uns die Möglichkeit, Annahmen über Denkprozesse präzise
nachzuvollziehen. Denkprozesse werden hier als Folge von Transformationen von Inhalten des
Arbeitsspeichers aufgefasst und modelliert. Information kann von außen, durch "Wahrnehmung" in
den Arbeitsspeicher gelangen. Beispielsweise kann dies eine Aufgabenstellung sein, die das
kognitive System lösen soll. Der Inhalt des Arbeitsspeichers kann aber auch durch mentale
Operationen verändert werden. Würden wir die Umformung aus Tabelle 1 im Kopf ausführen,
würden wir vermutlich ähnliche Zwischenzustände im Arbeitsspeicher erzeugen, wie es das
Produktionssystem getan hat. Inhalte des Arbeitsspeichers können aus dem System ausgegeben
werden. Im einfachsten Fall kann dies einfach als Zeichenfolge auf dem Computer-Monitor
realisiert werden. Es ist aber auch möglich, das System mit Aktorik-Komponenten – zum Beispiel
einem Roboterarm – zu koppeln. Alle Transformationen sowie auch Anforderungen zur
Informationsaufnahme oder Aktionsausführung werden durch Produktionsregeln gesteuert. Diese
modellieren das prozedurale Wissen des kognitiven Systems. Die Heuristik, also die
Kontrollstrategie des Interpreters, gibt vor, welche Produktionsregel in einem bestimmten Zustand
zur Anwendung kommt. Die Produktionsregeln legen also fest, was getan werden kann; die
Kontrollstrategie beeinflusst, wie effizient eine Aufgabenstellung gelöst wird. Würde im Beispiel in
Tabelle 1 etwa das Wissen darüber fehlen, dass die Multiplikation einer Zahl mit zwei der Addition
der Zahl mit sich selbst entspricht (R 3 ), wäre es nicht möglich gewesen, die Aufgabe zu lösen.
Hätte die Kontrollstrategie in Schritt (2) die Regel bevorzugt, die Argumente einer Multiplikation zu
vertauschen (R 4 ) wäre danach Regel R 1 anwendbar geworden. Das Ergebnis hätte dann die Form
2 + 2 + 2 und das Produktionssystem hätte einen Schritt mehr benötigt, um ein Ergebnis zu
erzielen. Eine Kontrollstrategie, die immer Regel R 4 bevorzugt, bei der ja keine Multiplikation
entfernt wird, würde dazu führen, dass das Produktionssystem keine Lösung findet.
Es besteht weitgehend Einigkeit darüber, dass verschiedene kognitive Prozesse auf Basis
identischer Elementarmechanismen realisiert werden (Newell, 1990). Entsprechend wurden
sogenannte kognitive Architekturen entwickelt , die ein Grundgerüst für die Modellierung kognitiver
Prozesse liefern. Insbesondere legt eine kognitive Architektur fest, in welcher Weise Wissen und
Produktionsregeln repräsentiert werden, wie die Interaktion mit der Umgebung realisiert wird und
welche Kontrollstrategie verwendet wird. Rein praktisch hat die Verwendung einer kognitiven
Architektur den Vorteil, dass man sich ganz auf die Entwicklung des kognitiven Modells selbst
konzentrieren kann, das heißt, auf die Formalisierung des Wissens, das Menschen verwenden,
wenn sie eine bestimmte kognitive Aufgabe erledigen. Gleichzeitig liefert eine kognitive Architektur
theoretisch begründete Einschränkungen für die Formalisierung und ermöglicht eine bessere
Vergleichbarkeit von Modellen desselben Gegenstandsbereichs.
Die in der Psychologie am bekanntesten und am meisten verwendete kognitive Architektur ist ACTR (Anderson, 1993). Diese Architektur baut auf der vorher entwickelten Architektur ACT (Adaptive
Control of Thought) auf (Anderson, 1983). ACT-R basiert auf einer Produktionssystem-Architektur
und hat die Besonderheit, dass neben einem Produktionsspeicher auch ein Wissensspeicher zur
Verfügung steht. Dadurch wird das Langzeitgedächtnis durch zwei Komponenten beschrieben: Im
Wissensspeicher ist deklaratives Wissen abgelegt, im Produktionsspeicher prozedurales Wissen.
Deklaratives Wissen bezeichnet insbesondere semantisches Wissen, das in strukturierter Form
abgelegt ist und das sprachlich formuliert werden kann (know that). Semantisches Wissen meint
interindividuell vergleichbares Wissen über Kategorien (ein Hund ist ein Säugetier, ein Hund kann
bellen) und grundlegende Fakten (Paris ist die Hauptstadt von Frankreich, 7 mal 8 ist 56) (vgl.
Kapitel „Gedächtnis“). Prozedurales Wissen bezeichnet Wissen, das in tatsächliche oder mentale
Handlungen umgesetzt wird (know how). Dieses Wissen ist häufig nicht dem Bewusstsein
zugänglich und kann nicht verbalisiert werden. Erstellt man ein kognitives Modell in ACT-R kann
also berücksichtigt werden, wie deklarative Wissenselemente bei der Lösung von Aufgaben
benutzt werden können. Deklaratives Wissen wird als Aktivationsausbreitungsnetz modelliert. Das
heißt, wird ein bestimmter Wissensinhalt aktiviert, wird die Aktivierung zu mit diesem Inhalt
verbundenen Wissenselementen weitergeleitet. Wird beispielsweise das Konzept Hund aktiviert,
steht damit auch bereits das Wissen, dass ein Hund ein Säugetier ist und bellen kann, zur
Verfügung. Dass Wissensorganisation in Form eines solchen Aktivationsausbreitungsnetzes
kognitiv plausibel ist, wurde in zahlreichen Experimenten nachgewiesen (Anderson, 1983).
Eine kognitive Architektur mit ähnlichem Anspruch ist Soar (State Operator And Result) (Newell,
1990). Soar ist eine Weiterentwicklung der ersten kognitiven Architektur überhaupt – dem General
Problem Solver (Newell & Simon, 1963). Die Kontrollstrategie von Soar basiert auf der Mittel-ZielAnalyse. Während ACT und ACT-R von Psychologen entwickelt wurden, ist Soar eine in der
Künstlichen Intelligenz entwickelte Architektur. Das im Rahmen des General Problem Solvers
entwickelte Konzept von Problemlösen als Suche im Problemraum lieferte auch die Grundlage für
zustandsbasierte Planungssysteme, wie sie in der Künstlichen Intelligenz bis heute entwickelt
werden (Russell & Norvig, 2002).
ACT-R und Soar sind symbolische Architekturen. Das heißt, diesen Architekturen liegt die
Annahme zugrunde, dass psychische Prozesse als Verarbeitung von Symbolen beschreibbar sind.
Die „mentale Sprache“ ist aus einer Menge von primitiven Symbolen aufgebaut. Symbole sind die
kleinsten bedeutungstragenden Einheiten. Komplexere Symbolstrukturen werden nach festen
Regeln aus den primitiven Symbolen aufgebaut und die Bedeutung komplexerer Strukturen ergibt
sich kompositional, also aus der Beudeutung der einzelnen Symbole zusammen mit der
Bedeutung ihrer Verknüpfungen (Fodor & Pylyshyn, 1988). Alternativ existieren auf
konnektionistischen Prinzipien aufgebaute Ansätze. Diese Ansätze sind von der Idee neuronaler
Netze inspiriert. Hier wird Wissen in Form von Erregungsmustern repräsentiert. Konnektionistische
Ansätze eigenen sich besonders gut dazu, Lernprozesse zu modellieren. Ein Beispiel für eine
solche Architektur ist CLARION (Connectionist Learning with Adaptive Rule Induction ON-line)
(Sun & Zhang, 2006). Lernen in symbolischen Ansätzen wird häufig nur als Kombination von
Regeln zu größeren Einheiten realisiert. Problemlösestrategien sind üblicherweise durch die fest
vorgegebene Interpreter-Strategie zur Regelauswahl starr gegeben. Das heißt,
Strategieänderungen basieren lediglich auf einer über die Stärkewerte der Regeln veränderten
Präferenz bei der Regelauswahl. Kreatives Problemlösen sowie das Lernen neuer
Problemlösestrategien aus beispielhafter Erfahrung sind nur unzureichend mit
Produktionssystemen modellierbar. In konnektionistischen Architekturen steht dagegen Lernen aus
Erfahrung im Fokus: Lernen wird als Generalisierung über Beispiele, also als induktiver Prozess,
modelliert. Einen Vorschlag zur Regelinduktion in symbolischen Systemen ist in Schmid, Hofmann,
und Kitzelmann (2009) dargestellt.
Die "urtümlichere" Form Modellkonstruktion besteht darin, dass man die Kausalbeziehungen, die
man annimmt, in einer geeigneten Programmiersprache formuliert und das Verhalten des kausalen
Netzwerks überprüft. Solche Ansätze finden sich häufig in der frühen Kybernetik, die auch
"Systemtheorie" genannt wird. Man ist hier nicht auf das "Korsett" eines Produktionssystems
festgelegt. Wir werden im nächsten Kapitel ein Beispiel für eine solche Simulation schildern.
Die genannten kognitiven Architekturen basieren auf der Grundannahme, dass es möglich ist,
psychische Prozesse isoliert von der Einbettung eines Systems in die Umwelt und isoliert von
emotionalen und motivationalen Einflüssen beschreiben und erklären zu können. Diese Auffassung
wird von verschiedenen Wissenschaftlern bezweifelt (Norman, 1993). Drei aktuelle Architekturen,
die psychische Prozesse von in die Umwelt eingebeteten Agenten modellieren sind Icarus
(Langley & Choi, 2006), Novamente (Looks, Goertzel, & Pennachin, 2004) und Psi (siehe unten).
Während Produktionssysteme typischerweise eine hohe Flexibilität bei der Regelanwendung
ermöglichen, sind gerade bei der Berücksichtigung von Emotionen häufig einfachere Modelle
angemessener, bei denen in einem gegebenen Kontext eine fest vorgegebene Regel feuert. Ein
Beispiel wird im folgenden Unterkapitel gegeben, in dem ein Modell für Angst vorgestellt wird.
Um selbst kognitive Modelle zu entwickeln, benötigt man Grundkenntnisse in der Informatik,
insbesondere von Methoden der Künstlichen Intelligenz. Ein generelles Verständnis davon, wie
vage, verbal beschriebene Annahmen präzisiert werden können erhält man durch die
Beschäftigung mit Logik sowie Algorithmenentwicklung. Die in der Künstlichen Intelligenz
entwickelten Ansätze zur Wissensrepräsentation, zum Problemlösen und Planen (Russell &
Norvig, 2002; Schmid, 2007) liefern das Fundament für die Entwicklung kognitiver Architekturen.
3 Ein Beispiel: Angst
What I cannot create, I do not understand. Richard B. Feynman
Der Ausgangspunkt für die Konstruktion eines Modells ist natürlich Unwissen. Man hat keine
Theorie; man kann sich etwas nicht erklären. Was ist Angst? Angst ist ein Gefühl, verführt zu
irrationalem Handeln. Irgendwie ist Angst auch unangenehm! Aber es gibt auch Leute, die
sprechen von Angstlust, z.B. beim Achterbahnfahren. Angst hat etwas mit einer Bedrohung zu tun,
aber es gibt auch Angst "einfach so", Angst nicht vor etwas bestimmtem, sondern vor dem
"Dunkel". Wie hängt das alles zusammen? Das ist unklar! Also versuchen wir einmal, ein
Simulationsmodell für "Angst" zu bauen. Das hat zudem den Vorteil, dass Angst ein Gefühl ist und
Gefühle nach weit verbreiteter Meinung "nicht berechenbar" sind. Wenn man aber ein
Simulationsmodell für Angst" konstruieren möchte, so muss man – natürlich! – Angst als
Berechnung darstellen können. Wie soll das gehen? Schauen wir mal!
Man beginnt am besten mit einer ganz unsystematischen Sammlung von Daten über Angst. Was
ist Angst?

Angst bedeutet Fluchttendenzen, aber auch Aggression! Angst kann dazu führen, dass Feindschaften (Hass)
entstehen, aber auch Freundschaften (Hilfe!).

In Angst kann man nicht mehr klar denken und neigt zu abrupten Reaktionen (Flucht oder Angriff).

Der Ängstliche neigt dazu, Krisen- und Gefahrensymptome zu übersehen.

Angst bedeutet Selbstunsicherheit; man ist "allem" nicht gewachsen.
Es zeigt sich in dieser Sammlung, dass man dieses "Gefühl" schlecht abtrennen kann von anderen
psychischen Prozessen; Angst scheint bestimmte Formen des Denkens und des Wahrnehmens zu
enthalten, außerdem enthält Angst Bedürfnisse. – Es scheint, dass Angst etwas Übergreifendes
ist, nicht eigentlich ein Prozess eigener Art, sondern eine Art von Rahmen für verschiedene
Prozesse.
Wie simuliert man Angst? Man braucht dafür Annahmen über das Motivsystem des Menschen.
Abbildung zwei zeigt ein solches Hypothesengerüst bildhaft. Man sieht Tanks. Diese Tanks sind
Messanlagen für bestimmte kritische Variable. Wir haben hier nur vier dargestellt, nämlich Tanks
für Hunger, Affiliation (Gruppeneinbindung), Bestimmtheit und Kompetenz. Andere (Durst, Schlaf,
Sexualität,. …) haben wir hier weggelassen.
Hilfeaktionen
Suche nach
L-Signalen
Suche nach
Kompetenzsignalen
Exploration,
Analyse
"Güte"
Allgemeines, unbestimmtes
Sympathikussyndrom
Auflösungsgrad
(= 1 - Inhibition)
Soll
Soll
BI
Ist
Soll
BI
IL-Signale,
mobbing
BI
BI
Ist
Ist
Hunger
Soll
Affiliation
Ist
Bestimmtheit
Unerwartetes
Ereignis
Arousal
Inhibition
Kompetenz
Mißerfolg
Antizipation von Erfolg oder Mißerfolg;
Antizipation von Gelingen oder Versagen (je stär ker BI, desto geringer
die Kompetenz, desto geringer die
Erfolgswahrscheinlichkeit).
Abb. 2: Ein Bedürfnissystem.
In den Tanks befindet sich eine "Flüssigkeit", die einen bestimmten Pegelstand hat. Es gibt für
diesen Pegelstand einen Sollwert, (zum Beispiel die vollständige Füllung des Tanks); Sollwert und
Istwert können voneinander abweichen; dann wird – je nach Stärke der Abweichung – das Element
Bedarfsindikator (BI) aktiv; eine Sollwertabweichung bedeutet, dass ein Bedürfnis einer
bestimmten Stärke vorhanden. Die Sollwertabweichung wird dadurch zum Bedürfnis, dass ein
aktiver Bedarfsindikator eine Aufforderung für das Gesamtsystem darstellt; er "sagt": "Tu was!",
"Beseitige die Ist - Sollwertdifferenz!" Das System, dessen Bestandteile diese Tanks sind, soll bei
einer Sollwertabweichung nach Möglichkeiten suchen, den Tank wieder aufzufüllen. Solche
Aktivitäten werden als "Verhaltenstendenzen" durch den BI "vorgeschlagen". Über den BI sieht
man in Abb. 2 solche Verhaltenstendenzen, z.B. prosoziale Aktivitäten ("Hilfeleistung"), "etwas
Gutes tun" für den "Affiliationstank", Exploration und Analyse für den Bestimmtheitstank.
Jeder Tank hat einen Zulauf und einen Ablauf. Der Zulauf wird durch bestimmte Ereignisse
geöffnet, der Ablauf desgleichen. Diese Ereignisse sind für die verschiedenen Tanks verschieden.
Die Zulaufereignisse für den Affiliationstank sind zum Beispiel ein Lächeln, ein Umarmung,
Körperkontakte; alle diese Signale sind "Legitimitätssignale" (L-Signale, Boulding, 1974); sie
indizieren, dass man den "Gesetzen der Gruppe entspricht" (daher "Legitimität"), dass die Gruppe
einen mag. L-Signale sind die Bedürfnisbefriedigungen für den Affiliationstank; sie füllen ihn und
vermindern dadurch die Ist-Sollwertdifferenz.
"Ablaufereignisse" für den Affiliationstank sind: das böse Gesicht eines Kollegen, sein
Wutausbruch, ein Tadel. Diese Illegitimtätssignale entleeren den Affiliationstank, erhöhen also das
Bedürfnis nach L-Signalen. Die L- und IL-Signale sind zum Teil angeboren (Lächeln,
Gesichtsausdruck), zum anderen werden sie gelernt.
Gleichartige Signale gibt es für den Bestimmtheitstank. Ein Zulaufsignal ist ein Ereignis, welches
"wie erwartet" eintritt. Ein solches Ereignis "sagt": "du kannst die Welt voraussagen!" Dies Signal
befriedigt das Bedürfnis nach Bestimmtheit. Ein "Bestimmtheits-Ablaufsignal" ist z.B. ein
unerwartetes Ereignis, Überraschung z.B. Ein solches Ereignis erhöht das Bedürfnis nach
Bestimmtheit.
Für den Kompetenztank sind "Zulaufereignisse", also Bedürfnisbefriedigungen, zum Beispiel
Erfolgsereignisse, Ereignisse also, die darin bestehen, dass etwas klappt. Ablaufereignisse sind
dementsprechend Misserfolge und - besonders! - andauernde (also offenbar nicht zu
bewältigende) Sollwertabweichungen in anderen Tanks, zum Beispiel andauernder Hunger,
andauernder Schmerz!
Der Pegelstand im Kompetenztank hat für die gesamte Verhaltensregulation des Systems eine
besondere Bedeutung. Der Pegel misst die allgemeine Kompetenz und das ist nichts anderes, als
die antizipierte allgemeine Erfolgswahrscheinlichkeit von Aktionen. Das heißt konkret: das System
berechnet den Erfolg einer Aktion unter anderem aufgrund der allgemeinen Kompetenz. Ist nun
der Pegelstand niedrig, so bedeutet das generell die Antizipation von Mißerfolg! Die Zukunft sieht
düster aus; man wird nicht das erreichen, was man erreichen möchte. (Tatsächlich gehen in die
Berechnung der Erfolgswahrscheinlichkeit einer Aktion noch andere Größen ein, vor allem die
"epistemische Kompetenz", das Wissen um die Wirksamkeit einer Aktion. Bei Routineoperationen
ist dies Wissen um den Erfolg sehr sicher und die allgemeine Kompetenz spielt kaum eine Rolle.
Dass eine Tür sich öffnet, wenn man auf die Klinke drückt, wird auch bei niedriger Kompetenz
noch mit großer Sicherheit antizipiert. Anders ist es aber zum Beispiel mit der Schätzung der
Erfolgswahrscheinlichkeit, eine Prüfung zu bestehen. Hier spielt die allgemeine Kompetenz eine
große Rolle.)
Das ist ein einfaches Modell; in Wirklichkeit nehmen wir natürlich nicht an, dass sich im
Nervensystem eines Lebewesen "Tanks" befinden. Diese Tanks sind aber ganz praktisch, weil sie
sehr anschaulich sind. Hyland (1981) fordert aus diesem Grunde für Simulationsmodelle ein
interpretatorisches "Surplus", eine (eigentlich überflüssige) mechanische oder neuronale
Interpretation des Models. Mit solchen Gebilden wie Tanks kann unsere Fantasie besser umgehen
als mit der abstrakten mathematischen Formulierung, die eigentlich dahinter steht (und das
Wichtige ist). – Die Tanks in Abb. 2 sind Beispiele für akkumulierende beziehungsweise deakkumulierende Speicher. Tatsächlich kann man ja die fortlaufende Berechnung der
Pegelzustände in den Tanks durch zwei einfache Anweisungen in einem Computerprogramm
realisieren, nämlich durch folgende:
Pegel := Pegel + Zulauf - Ablauf;
BI := Sollwert - Pegel;
An den Tanks, genauer gesagt an deren BI - Elementen, an den Bedarfsindikatoren also, hängen
noch andere Variable. Zum Beispiel aktiviert das BI des Kompetenztanks eine Variable "Arousal".
Diese wiederum soll den Muskeltonus und die Wahrnehmungsbereitschaft der Sinnesorgane
erhöhen, insgesamt für eine erhöhte Handlungsbereitschaft sorgen. Zugleich sollte sie den
Auflösungsgrad der kognitiven Prozesse herabsetzen, so dass Wahrnehmungs-, Erinnerungs- und
Planungsprozesse zwar grob, aber damit auch schnell ablaufen. (Ein System mit niedriger
Kompetenz, also einer niedrigen Erfolgserwartung, sollte die niedrige Kompetenz durch hohe
Bereitschaft zum schnellen Handeln kompensieren, das ist die These, die hinter dieser Annahme
steht.)
Eine Sollwertabweichung im Bestimmtheitstank sollte Explorationstendenzen auslösen; wenn die
Bestimmtheit gering ist, ist nicht genügend Wissen über die Welt vorhanden; man sollte versuchen,
sich dieses Wissen zu verschaffen. Exploration aber ist gefährlich; daher sollte eine geringe
Kompetenz (große Sollwertabweichung im Kompetenztank) zu einer Minderung der
Explorationstendenz führen.
Einer Erhöhung des Pegels im Bestimmtheitstank führt natürlich auch zu einer Erhöhung des
Pegels im Kompetenztank; damit läßt der "Stress" (arousal) nach. Eine Erhöhung des Pegels im
Affiliationstank, also eine Sollwertabweichung im Hinblick auf die Affiliation, die
"Gruppeneinbindung", führt zu einer Suche nach "L-Signalen", also zur Suche nach einem
Lächeln, einem Gespräch. Eine Senkung des Pegels im Bestimmtheitstank, also eine
Sollwertabweichung im Hinblick auf die Bestimmtheit, führt zu Maßnahmen, die Bestimmtheit zu
erhöhen, im wesentlichen zu Explorationstendenzen. Im einfachsten Fall sind
Explorationstendenzen Tendenzen zum Verhalten nach dem Prinzip Versuch-und-Irrtum, also zum
"Herumspielen" mit der Umwelt. Auf diese Weise wird die Kenntnis der Umwelt erhöht; man kann
bessere Voraussagen machen und lernt neue Verhaltensweisen kennen, um die Umgebung zu
manipulieren. Das alles erhöht die Bestimmtheit und zugleich auch die Kompetenz.
Wir haben jetzt ein Wirkungsgefüge entworfen, welches im wesentlichen die Regulation von drei
Bedürfnissen betrifft. Wenn wir dieses System nun in ein künstliches Lebewesen einbauen, so wird
dessen Verhalten zum Teil durch das System, welches wir in Abb. 5 geschildert haben, gesteuert.
Es realisiert das, was in der Kognitionswissenschaft gern als "embodiment" bezeichnet wird, die
Beziehung der kognitiven Prozesse zu einem lebendigen Körper.
Und was hat das mit Angst zu tun? Sie kommt in dem Wirkungsgefüge der Abb. 2 ja gar nicht vor.
Nirgendwo steht "Angst" als Bezeichnung für eine Variable. Die Angst wird ersetzt durch ein
System von Regulationen. Am ehesten könnte man noch sagen: Angst ist niedrige Kompetenz und
niedrige Bestimmtheit und alles, was dadurch ausgelöst wird, z.B. ein hohes arousal und ein
niedriger Auflösungsgrad. Daraus ergeben sich ungenaue Wahrnehmungs- und
Planungsprozesse.
Wie kann man eine solche Theorie (denn die steckt natürlich hinter dem Modell) prüfen? Wir
haben künstliche Lebewesen ("Mäuse"), die durch ein Bedürfnissystem der Art des in Abb. 2
dargestellten, gesteuert werden, tatsächlich konstruiert und können ihr Verhalten im Computer
beobachten. Abb. 3 zeigt ein Screenshot aus dem Leben der "Mäuse".
F
W
G
3
F
G
W
Abb. 3: Die Mäuse in ihrer Welt.
Sie leben auf einer "Insel" wo sie Futter und Wasser finden. (Die entsprechenden Plätze auf der
Abb. sind mit F und W gekennzeichnet.) Die Mäuse müssen allerdings wissen, wo solche Plätze
sind; zu diesem Zwecke müssen sie die "Insel" erkunden. Außerdem gibt es Plätze mit
Heilpflanzen (H), die die Mäuse benutzen können, um Verletzungen zu heilen. Diese können sie
sich in Gefährlichen Bereichen zuziehen (z.B. durch Steinschlag) oder durch Streit mit Feinden.
Die Mäuse befreunden sich mit anderen Mäusen (d.h. sie werden einander zuverlässige
Lieferanten von L-Signalen), entwickeln aber auch Feindschaften zum Beispiel bei dem Kampf um
Ressourcen. Die Mäuse können sich vermehren und erziehen ihre Jungen. Das (erworbene)
Gedächtnis der Mäuse besteht zum großen Teil aus einem Wegegedächtnis; die Mäuse lernen,
wie sie, sich von Landmarke zu Landmarke bewegend, z.B. einen Futterplatz erreichen können.
Abb. 6 zeigt einen solchen Weg beispielhaft auf die Landkarte projiziert.
Auf die Dauer wird es auf der Insel zu einer Überbevölkerung kommen. Dann entstehen
Verhältnisse, die man in der Psychologie als Crowding kennt. Bei Menschen erzeugt crowding
Angst. Bei Mäusen auch, wie man der Abb. 4 entnehmen kann.
Man sieht, dass sich unter crowding - Bedingungen das Verhalten der Mäuse deutlich verändert.
Die sechs Diagramme der Abb. 4 zeigen auf Abszisse die Zeit in "100-Takt" – Einheiten. Auf der
Ordinate werden relative Häufigkeiten angezeigt ("pro Maus und Zeittakt"). Ein Zeittakt entspricht
ca 5 "echte" Stunden. Im ersten Diagramm allerdings wird die absolute Populationsgröße
angezeigt, in dem linken Diagramm der 2. Reihe das durchschnittliche subjektive "Gefühl der
Bedrohtheit" pro Maus auf einer Skala zwischen 0 und 1.
Folgendes ergibt sich. Mit der Populationsgröße wächst der Streß (Arousal) und es sinkt der
Auflösungsgrad der kognitiven Prozesse (Inhibition). Die Mäuse nehmen ungenauer wahr, erinnern
sich ungenauer, handeln dadurch schneller, aber auch fehlerhafter. Es steigt die Anzahl der
Freunde (pro Maus), aber auch die der Feinde. Die Tendenzen zu aggressivem Verhalten nimmt
zu, zugleich die "sozialen" Bemühungen. Die relative Häufigkeit der Fluchtreaktionen nimmt leicht
zu, dann aber wieder ab (aufgrund der steigenden Anzahl von Freunden). Die Nachhaltigkeit des
Verhaltens nimmt ab, sichtbar in der Zunahme der Motivwechsel (weil sich die Motivstärken
verändern, bzw. wegen dem Versuch die laufende Absicht wegen sich bietender Gelegenheiten
abzubrechen). Das Mäuseverhalten wird mehr "ad hoc" und verliert dadurch an Nachhaltigkeit. Die
Mäuse sind mit steigender Populationsdichte zunehmend desorientiert, übersehen Freunde und
Feinde und Landmarken.
Man sieht auch, dass die Population ab dem Zeittakt 100,000 stagniert sogar wieder abnimmt! Das
sind direkte Effekte der Angst!
Arousal
200
0.6
9
Population
Freunde
Inhibition
Feinde
0
0
0
500
1000
1500
2000
0
2500
500
1000
1500
2000
2500
0.05
0.35
Übersehen von
Mäusen
Bedrohtheit
Landmarken
0
0
0
500
1000
1500
2000
0
2500
500
1000
1500
2000
2500
0.07
0.06
Motivwechsel
wegen
Kontaktsuche
Motivstärke
Aggression
"Gelegenheit"
Flucht
0
0
0
500
1000
1500
2000
2500
0
500
1000
1500
2000
2500
Abb. 4: Crowding und Angst.
Wir haben nun gezeigt, dass es durchaus gelingen kann, einen komplexes psychisches
Geschehen, ein Gefühl, als ein Gefüge von berechenbaren Prozessen darzustellen. Genau das ist
der Vorteil, den man durch "Simulation" gewinnt. Indem man etwas schafft, versteht man es! Angst
ist jetzt nicht mehr nur einfach Angst, sondern ein organisiertes Gefüge anderer Prozesse, eine
bestimmte Form von Wahrnehmungsprozessen, die verstärkte Entwicklung sozialer Beziehungen,
"unscharfe" kognitive Prozessse, "fahriges" Verhalten. (Dies "Gefühlsmodell" ist ein Teil des PsiModells, s. Dörner et al., 2003 und Bach, 2009.)
Zusammenfassung
Die Simulation psychischer Prozesse durch Computermodelle ist das wesentliche Werkzeug der
theoretischen Psychologie. Simulation zwingt dazu, theoretische Annahmen genau, vollständig
und widerspruchsfrei in einem Modell umzusetzen. Eine wichtige Grundlage für die Entwicklung
von Computermodellen psychischer Prozesse sind Produktionssysteme. Produktionssysteme
können als Basis sogenannter kognitiver Architekturen verwendet werden. Eine kognitive
Architektur bietet einen allgemeinen Rahmen zur Entwicklung von Computermodellen über
verschiedene Aufgaben und Inhaltsbereiche hinweg. Eine bekannte kognitive Architektur ist ACTR. Hier wird Wissen in deklarativer sowie prozeduraler Form repräsentiert. Klassische
Architekturen fokussieren auf die Modellierung höherer kognitiver Prozesse von Einzelindividuen.
Ein Ansatz, der Kognition, Emotion und Motivation für mehrere Agenten, die in eine Umwelt
eingebettet agieren, ist das Psi-Modell. Im Rahmen des Psi-Modells werden Grundbedürfnisse
über Pegelstände in Tanks modelliert. Bestimmte Konstellationen der Ist-Soll-Wert-Abweichungen
korrespondieren mit Gefühlen. Beispielsweise korrespondiert das Wirkungsgefüge aus niedriger
Kompetenz und niedriger Bestimmtheit mit dem Gefühl der Angst.
Denkanstöße
1. Gibt es wesentliche Unterschiede zwischen der Simulaton psychischer Prozesse auf dem
Computer und den psychischen Prozessen beim Menschen? Macht es einen Unterschied,
wenn ein Mensch sagt, ich habe Schmerzen und wenn ein Computerprogramm ausgibt, dass
Schmerz vorliegt?
2. Kann ein auf Symbolverarbeitung basierendes Computermodell, das völlig von der
neuronalen Realisierung psychischer Prozesse im Gehirn abstrahiert, tatsächlich als Modell
psychischer Prozesse gelten?
3. Kann eine Computersimulation, die auf die Einbettung eines psychischen Systems in eine
Umwelt und auf „Körperlichkeit” verzichtet, brauchbare theoretische Erkenntnisse über die
Funktionsweise des menschlichen Geistes liefern?
Empfehlungen zum Weiterlesen
Dörner, D., Bartl, C. & Detje, F. (2002). Die Mechanik des Seelenwagens. Eine neuronale Theorie
der Handlungsregulation. Bern: Hans Huber Verlag.
Dörner, D. (2001). Bauplan für eine Seele. Reinbek: Rowohlt.
Görz, G. & Nebel, B. (2003). Künstliche Intelligenz. Frankfurt: Fischer.
Schmid, U. & Kindsmüller, M. (1996). Kognitive Modellierung. Einführung in die logischen und
algorithmischen Grundlagen. Heidelberg: Spektrum Akademischer Verlag.
Strube, G., Becker, B. & Freksa, C. (Hrsg.) (1996). Wörterbuch der Kognitionswissenschaft.
Stuttgart: Klett-Cotta.
Thagard, P. (1999). Kognitionswissenschaft. Stuttgart: Klett-Cotta.
Literatur
Anderson, J. R. (1993). Rules of the mind. Hillsdale, NJ: Lawrence Erlbaum.
Anderson, J. R. (1983). The architecture of cognition. Cambridge, MA: Havard University Press.
Bach, J. (2009). Principles of synthetic intelligence. Psi, an architecture of motivated cognition.
New York: Oxford University Press.
Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture:
A critical analysis. Cognition, 28, 3-71.
Gray, W. D. (Ed.). (2007). Integrated models of cognitive systems. Oxford University Press.
Häcker H.O. & Stapf K.-H. (1998). Dorsch Psychologisches Wörterbuch. Bern: Verlag Hans Huber.
Hyland, M. (1981): Introduction to Theoretical Psychology. Macmillan: London.
Langley, P., & Choi, D. (2006). A unified cognitive architecture for physical agents. In Proceedings
of the Twenty-First National Conference on Artificial Intelligence. Boston: AAAI Press.
Looks, M., Goertzel, B., & Pennachin, C. (2004). Novamente: An integrative architecture for
general intelligence. In AAAI Symposium: Achieving Human-Level Intelligence via Integrated
Systems and Research. Washington, DC.
Newell, A. (1990). Unified theories of cognition. Cambridge, MA: Harvard University Press.
Newell, A., & Simon, H. (1963). GPS, A program that simulates human thought. In E. Feigenbaum
& J. Feldman (Eds.), Computers and thought (p. 279-293). New York: McGraw-Hill.
Newell, A., & Simon, H. A. (1972). Human problem solving. Englewood Cliffs, NJ: Prentice Hall.
Norman, D. (1993). Cognition in the head and in the world: An introduction to the special issue on
situated action. Cognitive Science, 17, 1-6.
Russell, S. J., & Norvig, P. (2002). Artificial intelligence. A modern approach (2nd edition).
Englewood Cliffs, NJ: Prentice-Hall.
Schmid, U. (2007). Computermodelle des Problemlösens. In J. Müsseler (Ed.), Allgemeine
Psychologie (2. Auflage) (pp. 601–630). Heidelberg: Spektrum Verlag.
Schmid, U., Hofmann, M., & Kitzelmann, E. (2009). Analytical inductive programming as a
cognitive rule acquisition devise. In B. Goerzel, P. Hitzler, & M. Hutter (Eds.), Proceedings of the
Second Conference
on Artificial General Intelligence (AGI-09, Arlington, Virginia, March 6-9 2009) (pp. 162–167).
Amsterdam: Atlantis Press.
Sun, R., & Zhang, X. (2006). Accounting for a variety of reasoning data within a cognitive
architecture. Journal of Experimental and Theoretical Artificial Intelligence, 18, 169-191.
Weller, S., & Schmid, U. (2006). Analogy by abstraction. In F. D. Missier & A. Stocco (Eds.),
Proceedings of the 7th International Conference on Cognitive Modeling (ICCM) (p. 334-339).
Edizioni Goliardiche.