Zusammenfassung der Buchkapitel vom Kleiter, gesendet von Yvonne

Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Thinking and Reasoning
Ed. By Keith J. Holyoak and Robert G. Morrison
Chapter 1: A Reader’s Guide
Ich denke, also bin ich. (Descartes)
Denken macht unsere Identität aus, definiert uns also noch mehr als unsere Sprache:
Wenn jemand die Fähigkeit zu Sprechen verliert, ist er bloß Stumm – verliert er aber
durch eine Läsion die Fähigkeit zu Denken, so hat dies tief greifende
Persönlichkeitsveränderungen zur Folge.
Was ist Denken?
Im alltäglichen Sprachgebrauch hat „Denken“ viele verschiedene Bedeutungen. Im
Englischen wären das beliefs, foresight, judgment etc. Also ähnlich wie im
Deutschen. Denken kann in Kinds-Orderings unterteilt werden oder in Part Orderings
– part-ofs systematisiert werden. Somit hätten wir als mentale Aktivitäten eine
Hierarchie von unten nach oben bei den Kinds und von oben nach unten bei den
parts orderings, in welche sich die folgenden Begriffe einordnen:





Thinking
Conceptualizing
Remembering-Reasoning-Reading
(alternativ: bei part oderings ist rememb. Übergeordnet)
Deciding
Planning
Schlussfolgern (Reasoning) basiert auf dem Ziehen von Schlüssen (conclusions) aus
initialen Informationen (Premises). Man kann induktiv oder deduktiv schlussfolgern.
Urteilen und Entscheiden bezieht sich auf Werte und Wahrscheinlichkeiten sowie
Alternativen.
Problemlösen bedeutet, eine Aktion zu konstruieren um ein bestimmtes Ziel zu
erreichen.
Def.: Denken ist eine systematische Transformation mentaler Repräsentationen von
Wissen um aktuelle oder mögliche Zustände der Welt zu Charakterisieren. Dies dient
oft Zielen.
Das klingt jetzt ziemlich kompliziert und wird daher erstmal erläutert bzw. auf
gebräuchliches Deutsch übersetzt:
Denken ist eine Umformung, die bestimmten Regeln unterliegt (system. Trans)
Dabei werden innere Beschreibungen umgeformt. (mentale Repräsentationen)
Diese inneren Beschreibungen beziehen sich auf das was in der Welt ist, oder sein
könnte (aktuelle oder mögliche Zustände der Welt)
Solche Umformungen dieser Beschreibungen machen wir meistens nicht einfach so
(schließlich sind wir nicht alle Philosophen) sondern sie haben ein Ziel: Kurzum, wir
Denken, weil wir Denken müssen um zu einem sinnvollen Resultat zu kommen.
Da steht vieles drinnen, aber es fehlt auch vieles. Z.B. steht nicht drinnen, dass nur
Menschen denken können. Auch Tiere denken! Oder man denke an die künstliche
1
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Intelligenz… Und was noch nicht drin steht, ist das Denken rational, optimal,
wünschenswert und klug sein müsste. Wir können also ganz schön blöd denken, es
ist aber trotzdem „Denken“.
Ein Stück Geschichte
Denken und Schlussfolgern war und ist eines der Lieblingsthemen von Philosophen.
Kant, Hume, Hobbes u.a. beschäftigten sich mit „unserer Materie“, bis später die
Gestaltpsychologen das Ruder an sich rissen (Duncker, Wertheimer, Köhler). Sogar
Freud beschäftigte sich mit kalten kognitionen und heißen Emotionen. Piaget,
Vygotsky usw. beschrieben die Entwicklung des Denkens. In Russland brachte der
Neurologe Luria die Thematik auf eine biologische Ebene. In den US wurde die
Thematik von Simon auf die Wirtschaft angewandt und er erhielt sogar einen
Nobelpreis. In GB beschäftigte man sich ab 1943 mit Modellen. Die moderne
Forschung entspringt der computationalen Analyse des Denkens aus den 70ern.
Rosch (stützte sich auf Bruner) fragte nun nach dem Warum der Kategorisierung in
unserem Denken und fand die natürlichen Kategorien mit ihren „fuzzy boundaries“
mit zentralen Tendenzen und Prototypen. Tversky und Kahneman identifizierten
kognitive Strategien (Heuristiken) für schnelle, sichere Entscheidungen. Marr löste
mit seinem technisch-orientierten Buch Vision eine computationale Implementation
psychischer Repräsentationen aus: Repräsentationen und Algorithmen waren nun
eine Input-Output Relation in einen cash-Register. Dann folgten neurale
Netzmodelle, kognitive Neurowissenschaften usw.
Chapter 3: Concepts and Categories: memory, Meaning, and
Metaphysics
Einführung
Konzepte sind allgemeinhin als mentale Repräsentationen akzeptiert, die sich auf
eine bestimmte Kategorie von Objekten (Entitäten) bezieht. Was alles in diese
Kategorie gehört wird durch Regeln definiert.
Die grundsätzlichen Funktionen von Konzepten sind die Kategorisierung und die
Kommunikation. Das Wissen über ein Konzept führt zu Verständnis und so zur
Möglichkeit, Vorhersagen zu treffen. So kann anhand neuer Einheiten das KonzeptRepertoire einer Person erweitert werden: Kategorisierung erleichtert das lernen.
Auch können Planungen von Handlungen zur Erreichung von Zielen anhand von
Konzepten erleichtert werden. All diese Auswirkungen von Konzepten betreffen das
Gedächtnis und die Gedächtnisorganisation, da Konzepte letztendlich nichts anderes
als mentale Repräsentationen im Gedächtnis sind.
Geschichte
Die zwei zentralen Fragen der Forschung waren:
1. Werden Konzepte durch graduelle Zunahmen der Assoziativen Stärke gelernt
oder lernen wir nach einem „alles oder nichts“-Prinzip?
2. Welche Art von Regeln oder Konzepten werden am einfachsten gelernt?
Die erste Forschung basierte dabei v.a. auf künstlichen Konzepten. In diesem Sinne
war Kategorielernen ein Herausfinden der Definition der Zugehörigkeit zu einer
Kategorie.
Ein erster Wendepunkt erfolgte im Zuge der Modelle zur Gedächtnisorganisation, wo
Quillian (1967) das hierarchische Modell für semantische Information anhand eines
Computerprogramms darstellte. Es gibt dabei generelle Regeln die ökonomisch für
2
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
jede übergeordnete Kategorie gelten, aber nicht zwingend gelten müssen, da die
Merkmale für untergeordnete Entitäten oder Kategorien auch Ausnahmen erlauben.
Anhand des hierarchischen Zugriffes auf Informationen (z.B. Merkmalsinformation
aus der übergeordneten Kategorieregel vs. Aus der über-übergeordneten
Kategorieregel) wurden Vorhersagen zu Reaktionszeiten getroffen, die so auch
bestätigt wurden. Andere Belege lieferten die Experimente des lexikalischen
Primings, wo Wortbedeutungen leichter aufgefunden wurden, wenn zuvor ein
semantisch-verwandtes Wort geprimed wurde.
Der zweite Wendepunkt widersprach dem Modell der globalen
Gedächtnisorganisation in Quillians Semanitschem Gedächtnis. Dieser findet sich in
Eleanor Roschs (frühe 70er) „family resemblance“: Die Ähnlichkeiten eines Objektes
zu den anderen Objekten einer Kategorie bestimmt die Stärke der Zugehörigkeit.
Dies ließ sich in Typikalitäts-Beurteilungs-Experimenten nachweisen. Die
Hierarchische Struktur behielt Rosch et. Al bei, indem sie „basic-level categories“
vorschlug, die sich wieder in der Realität bestätigen ließen: Überlappende
Informationen von Kategorisierungen bestimmte die Reaktionszeit (ein Spatz ist ein
Vogel vs. Ein Pinguin ist ein Vogel). Diese Ähnlichkeit zueinander, in einer Kategorie,
nennt sich Typikalität.
Semantik ist mehr als nur eine Bedeutungsbestimmung eines Wortes. Ein einzelnes
Wort hat in verschiedenen Sätzen unterschiedliche Bedeutungen, sodass die
Prototyp-Bedeutung des Wortes alleine vielschichtig einsetzbar ist. Die Fuzzy set
theory von Zadeh, 1965 thematisiert genau diese unvorhersagbare Abweichung
einer Bedeutung in einem Satz von der Prototyp-Bedeutung eines Wortes.
Das Problem der Bedeutung neuer Sätze bleibt damit aber dennoch ungeklärt.
Funktionen und Befunde
Wie Roschs Family resemblance-Hypothese, so schlägt auch die Prototype-View vor,
dass Menschen die Charakteristiken einer Kategorie lernen um diese zu
Repräsentieren. Posner und Keele belegten den Vorschlag einer PrototypAbstraktion indem sie Evidenz für eine Abnahme korrekter Kategorisierung bei
Zunahme der Abweichung von Prototypen verzeichneten. Es zeigte sich auch, dass
das Gedächtnis für gelernte Muster schneller verfiel als jenes für gelernte Prototypen.
Trotzdem werden gelernte Beispiele in der „exemplar view“ als Facilitatoren zum
Erwerb neuer Kategorisierungen gesehen. Beispiele sind auch hilfreicher zur
Kategorisierung anhand von within-category-Beziehungen.
Neuere Modelle betreffen Rationelle Zugänge, Entscheidungsbezogene Modelle und
Neurale-Netzwerkmodelle: Anderson (1990) beschrieb Kognition und Kategorisierung
als (rationale) Analyse der verfügbaren Information in der relevanten Situation um
abstrakt zu bestimmen was die effizienteste, wenn nicht gar optimale Strategie wäre.
Entscheidungsbeozogene Modelle proklamieren dass Kategorielernen in der
Entwicklung von Entscheidungsgrenzen einer Kategorie besteht. Je näher ein Item
an der Entscheidungsgrenze liegt, desto schwieriger sei es zu kategorisieren.
Neurale Netzwerkmodelle konzeptualisieren Konnektionistische Modelle, wo
versteckte Einheiten, Aufmerksamkeitsprozesse, Rücklauf etc. eine Rolle spielen.
Dabei ist v.a. wichtig, dass within-category-Beziehungen durch bottom-up Strukturen
besser erklärbar werden.
Die Modelle können anhand von mixed models ineinander überführt werden: Regeln,
Beispiele und Entscheidungsgrenzen sowie Prototypen werden so miteinander
kombiniert. Z.B. das Multiple Gedächtnissystem von Knowlton und Squire setzt eine
Dissoziation zwischen Kategorisierung und Erkennung voraus: Explizites Gedächtnis
wäre dabei für Beispiele zuständig und das Implizite System bezöge sich eher auf die
3
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Prototyp-Abstraktion. Amnesiepatienten hätten dann das explizite System verloren
aber könnten wegen intaktem Gedächtnis ohne weiteres Klassifikationen vornehmen.
Es gab aber auch Belege gegen diesen Zugang.
Ein weiterer Zugang beschäftigte sich mit dem Inferenz-Lernen, welches auf dem
Nutzen der Kategorisierung basiert, der in den anderen Modellen nicht beachtet
wurde. Dabei wird auch vorgeschlagen, dass eine Kohäsive Kategoriestruktur für das
Inferenzlernen wichtiger ist als für die Klassifikation. Die Regeln für Kategorisierung
beziehen sich auf oberflächliche Merkmale und sind nicht relevant für die Kontexte
multipler Funktionen oder Bedeutungen.
Das Merkmalslernen setzte bislang voraus, dass diese Merkmale unveränderlich
bleiben, was heute aber flexibler gesehen wird. Merkmalslernen ist auch für die
Bedeutung von Ähnlichkeit bei Kategorisierung wichtig, da diese Ähnlichkeit dann
unter dem Gesichtspunkt der Merkmale nur ein Nebenprodukt von Kategorielernen
ist.
Schlussfolgern wird durch between-category-Beziehungen geleitet.
Sprachliche Funktionen werden auch durch Konzepte moduliert, da das Verständnis
und diskursive Denken über Dinge auf Konzepten beruht.
Konzepte können auch als Positionen in Gedächtnisstrukturen gesehen werden.
Dazu stellt sich die Frage, inwiefern die Netzwerke verschiedener Personen
übereinstimmen müssen, um dieselbe Bedeutung für ein und denselben Begriff zu
finden. Goldstone und Rogosky (2002) testen die Verschiedenartigkeit in Form von
„noise“ in der Distanz zwischen Begriffen und finden einen Zusammenhang zwischen
Korrektheit der Kategorisierung und der Menge an Noise.
Konzeptkombinationen produzieren eine breitere Einheit an linguistischer Bedeutung.
In der Sprache heißen solche Kombinationen Komponenten, wobei man zwischen
dem head-noun und dessen modifier (adjektiv) unterscheidet. Wie hängt die
Typicalität in diesen Kombinationen von der Typikalität der einzelnen Komponenten
ab? Man kann diese Abhängigkeit getrennt oder als gemeinsames gesamt-neues
Konzept betrachten. Die Komplexität verschiedener Modelle variiert dabei. Z.B. hat
Smith (1988) die adjectiv-Nomen Kombinationen anhand von Wertänderungen
erklärt: Das Adjektiv ändert den Wert des Nomens (intersektion). Kompliziertere
Modelle hingegen (noninsertective) sprechen von einer Beziehung die den
Modifizierer und den Kopf verbindet, oder von einem Wert der dem Modifizierer
entnommen und dem Kopf zugeschrieben wird. Eigenschaften können aber die
Typicalität beeinflussen und somit ergibt sich die Typicalität aus Kombinationen nicht
aus einer Funktion der Typicalität ihrer Komponenten. Rips (1995) nannte dies das
„no peeking principle“, nämlich dass man nicht auf die einzelnen Bezüge der
Komponenten zeigen darf. Manche Kombinationen sind erschwerend noch
„compounds“ bzw. lexikalisierte Phrasen. Die Schwierigkeit bei deren
Kategorisierung besteht in der über die einzel-Repräsentation hinausgehenden
Bedeutung der Komponenten (z.B. geräucherte Äpfel: Geräuchertes schmeckt gut,
Äpfel schmecken gut, aber geräucherte Äpfel…?).
Inferentielle und Problemlösungs-Fähigkeiten sind komplexe Prozesse. Daher ist es
kaum möglich, sie für die Geschwindigkeit beim Sprechen und Verstehen
verantwortlich zu machen. Andere Modelle sind Atomistische Annahmen. Modelle
über Latente semantische Analysen nehmen die Häufigkeit eines Wortes in
spezifischen Kontexten und setzen sie aufgrund dessen in die Nähe der Kontexte.
Dabei entsteht ein 300-Dimensionaler Raum wo in diesem Riesen-Daten-Körper die
indirekten Verbindungen zwischen Wörtern über deren Bedeutung informieren.
Dadurch bleibt aber der Erwerb neuer Sätze sowie der Satzstruktur ungeklärt.
Beziehungen zwischen Semantiken sind asymmetrisch (vater=verwandter aber
4
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
verwandter=?vater). Das Online-Satz-Verständnis erfolgt schnell und reliabel.
Vielleicht sollte man zwischen der Interpretation und dem Verständnis solcher
Phrasen unterscheiden. Verständnis wäre dann eine Wortbasierte Erkennung der
Bedeutung neuer Phrasen. Interpretation hingegen beruht auf dem Ergebnis des
Verständnisses plus Inferenz und Wissen. Man könnte Wortbedeutungen als mentale
Einheiten repräsentieren, deren semantischer Wert von der kausalen Beziehung der
Referenzen stammt.
Generikum-Nomen-Phrasen haben einen normativen Inhalt (Vögel können Fliegen.).
Diese Normativität wird akzeptiert, obwohl offensichtlich ist, dass es zahlreiche
Ausnahmen gibt. Diese Sätze sind auch ein beliebtes Instruktionsmittel in der
Erziehung. Sie werden nämlich bereits von 4jährigen von den Allquantor-Sätzen
unterschieden.
Polyseme Wörter haben mehrere gekoppelte Bedeutungen, im Gegensatz zu
Homonyme, die haben viele ungekoppelte Bedeutungen, oder Kontextvariationen,
das ist eine andere Benützung derselben Bedeutung. Die Beziehungen der
Bedeutungen von Polysemen Wörtern hat dabei eine eigene Typikalität. Forscher
beschäftigten sich mit der Frage, ob jede einzelne Bedeutung abgespeichert wird
oder nur die Kernbedeutung. Diese Forschung stößt sich aber an der Irregularität,
wie verschiedene Bedeutungen zustande kommen.
Theorien, Module und Psychometaphysics
Generelles Wissen über eine Kategorie ist bei der Nützung von Hintergrundwissen
bei der Interpretation von Kombinationsphrasen relevant. Aber nicht nur dort:
Hintergrundwissen wird auch aktiviert, wenn es einfache Entscheidungsregeln gäbe.
Natürliche Kategorien implizieren meist kausale Information, da Physikalische
Gründe die Kategorie bestimmen. Bei Artifacts ist die relevante Information die
Absicht der Person, die dieses Objekt produziert hat. Die Psychometaphysics ist der
Glaube der Personen über den Locus der Kausalen Kräfte. Dieser Glaube könnte
sich auf eine Kausalität oder eine ganze menge solcher Kausalen Kräfte beziehen.
Sie könnten modular (isoliert), angeboren, universal und in spezifischen Hirnregionen
lokalisiert sein. Sie könnten aber auch frei fließend, gelernt, kulturspezifisch und im
Kortex verteilt sein.
Psychologischer Essentialismus bezieht sich auf die internale Eigenschaft – Essenz eines Objektes, das die Existenz, Kategorie, Merkmale usw. ausmacht. Dabei geht
es aber nicht um die Natur sondern um den Glauben der Menschen über diese
Objekte. Außerdem haben Menschen keine voll ausgearbeitete Erklärung dessen,
was eine Essenz ist. Sie haben einen Glauben darüber, dass es da etwas geben
muss, das relevant für dessen Essenz ist, auch wenn man das nicht beschreiben
kann. Essenzen lassen Annahmen zu und motivieren zur genaueren Untersuchung
von Charakteristika. Evidenz dafür ist aber nur indirekt nachweisbar - z.B: Tiefere
Ursachen (die selbst wenig Ursachen und viele Effekte haben) spielen in der
Kategorisierung bei Erwachsenen eine größere Rolle. Strevens minimalistische
Alternative ist, dass Menschen für jede typische Eigenschaft eine Ursache besteht
und dass es auch ein bisschen von verschiedenen Eigenschaften abweichen kann.
Lernen Menschen Künstliche familiäre Ähnlichkeitskategorien, so glauben sie, dass
jede Kategorie eine eigene definierende Eigenschaft besitzt. Also hat Essenzialismus
nichts mit natürlichen Arten zu tun?
Sortalismus geht nicht von der Essenz als Identität eines Objektes aus sondern von
der Unterscheidung dieses Objektes von anderen. Die kritische identitäts-verleihende
Kategorie beantwortet die Frage „Was ist es?“. Diese Identitäsbedingungen sind mit
lediglich einer Kategorie für jedes Objekt verbunden und nennen sich dann Sortals.
5
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Sortalismus. Es gibt Evidenz aus Studien, dass kleinen Kindern diese Fähigkeit fehlt,
Objekte über temporäre Brücken wieder zu erkennen – man führte dieses auf die
fehlenden Konzepte zurück. Ein Widerspruch in dieser Theorie findet sich in der
Unmöglichkeit, Existenz und Essenz zu vereinbaren. Mitglieder von sortalen
Kategorien können ihre Essenz nicht verlieren, ohne ihre Existenz zu verlieren.
Entsprechend können wir auch nicht Widerspruchsfrei glaub en, dass basic-level
Kategorien Sortals sind und dass Objekte von einer zur anderen basic-level
Kategorie springen können. Sortalismus beschreibt Identität also unzureichend.
Domänenspezifität
Lernen in gegebenen Domänen ist durch Prinzipien, Implikationen und
möglicherweise angeborene Annahmen über die Welt geleitet. 2 Domänen können
unterschieden werden wenn sie ontologisch verschiedene Einheiten und Phänomene
repräsentieren und in verschiedene kausal-explanatorische Rahmen gefasst sind.
Eine dieser Domäne ist die naive- oder Volks-Biologie und die dazugehörigen
Universalitäten. Die Art-Spezien (generic species) stimmen oft mit den
wissenschaftlichen Spezies überein. Kulturen organisieren die Biologie in eine
Hierarchie, die in den verschiedenen Kulturen wenig variiert. Bei dieser Taxonomie
geht es aber nicht um Nützlichkeit. Die Hierarchie schlägt sich auch im
Schlussfolgern nieder (induktive Inferenz) indem unter Vorschülern von einer weißen
Eiche auf alle weißen Eichen eher geschlossen wird, als von einem Baum auf weiße
Eichen. Das widerspricht Roschs basic-level-Studien. Dabei spielt aber offensichtlich
statt Wissen eher die Erwartung über eine Benennung eine Rolle, sodass dieser
Widerspruch vorsichtig interpretiert werden muss.
Differenzen zwischen Domänen wurden ausführlichst anhand der Unterscheidung
Psychologie vs. Biologie untersucht. V.a. an Kindern zeigt sich eine eher biologische
Sichtweise von Erblichkeit u.a., also eher ein eigenes biologisches Konzept.
Die relevanten Hirnregionen für die Domänen werden evident, wenn man sich
verschiedene Läsionsstudien vor Augen hält. Das könnte man aber auch
interpretieren, indem man unterschiedliche Informationen (Wahrnehmung für
Lebende Objekte, funktionale Information für Künstliche Objekte) für die Domänen
annimmt.
Ist etwa auch die Gedächtnisorganisation domänenspezifisch? Wir können auch mit
Informationen arbeiten, die schlecht organisiert sind. Einerseits wurde semantisches
Gedächtnis zunächst als hierarchisches Netzwerk thematisiert. Andererseits
unterteilen Modularität und Domänenspezifität den Gedächtnisraum in getrennte
theoretische Domänen. Dadurch werden aber nicht Kategorien taxonomiert, sondern
Annahmen. So überlappen sich Kategorien, indem sie in mehrere Domänen passen.
Dann müsste LTM Konzepte in jeder Bezugsdomäne speichern: Gedächtnismodule
speichern ein und dasselbe Konzept in einem Individuum unterschiedlich ab. Das
würde die Theorien zur Ähnlichkeit, zur Aussprache und Beziehungen zwischen den
Begriffen ablösen – was genauso wenig Sinn machen würde.
Gedächtnis steht bestimmt für bedeutungsvolle Beziehungen zwischen Konzepten,
wobei es dabei um die Wortbedeutung an sich gehen könnte. Generelles Wissen
(auch semantisches Gedächtnis oder generic memory genannt) steht der
persönlichen Erfahrung gegenüber. Die Semantische Ebene muss aber nicht
lexikalisch organisiert sein. Es könnte auch sein, dass auf einer subkonzeptuellen
Ebene (Eigenschaften und versteckte Einheiten) doch eine rein semantische
Dimension des Gedächtnisses vorhanden ist.
Schlussfolgerungen und Ausblick
6
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Forscher fokussieren zunehmend Interaktionen zwischen Funktionen, d.h. werden
sensitiv auf multiple Funktionen. Empirische Generalisierung und Computationale
Modelle werden vor allem in der kognitiven Neurowissenschaft anhand multipler
Kategorisierung und Gedächtnissysteme angewandt. Es stimmt nicht, dass Konzepte
für unser online-Satzverständnis nicht mit den Konzepten zusammenhängen, die wir
fürs Schlussfolgern und Kategorisieren verwenden. Es liegt also auch im Zukünftigen
Interesse, eine Schnittstelle zwischen diesen Funktionen zu finden: Mehr Interaktion
zwischen Arbeiten zu Konzepten und psycholinguistischer Forschung ist also in
Aussicht. Es bleibt auch zu erwarten, dass in Zukunft die Versuchspersonen
anderswo rekrutiert werden, als nur unter Studenten. Auch Studien mit mehreren
Sprachen könnten fragen zu Linguistik und Konzeptentwicklung beantworten.
Psychometaphysische Zugänge sind genauer als zunächst kritisiert und werden
daher auch relevant bleiben. Kombinationen in Fragmentarischen Forschungen zu
Konzepten in Konzepten werden notwendig sein, um die Beziehungen zwischen
ihnen zu untersuchen.
Chapter 14: Problem Solving
Einführung
Duncker 1945 definiert Problemlösen so: Ein Problem tritt auf wenn eine lebende
Kreatur ein Ziel hat, aber nicht weiß, wie sie dieses Ziel erreichen kann. Wenn man
nicht durch eine einfache Handlung von einer gegebenen Situation zu einer
erwünschten Situation gelangt, so wird darüber nachgedacht. (recourse of thinking)
Ein Problem bezieht sich auch immer auf die individuellen Möglichkeiten und das
Hintergrundwissen einer Person. Daher muss man Denken verstehen, indem man
die Repräsentation des Problems vom Lösungsweg (Schritte) des Problemlösers
unterscheidet. Das Modell, das die Problemrepräsentation darstellt, enthält
idealerweise Information über das Ziel, die Objekte und deren Interrelationen, die
Operationen die angewandt werden können und Bedingungen zur Lösung des
Problems. Für manche Probleme ist es am wichtigsten, die beste Repräsentation zu
finden. Bei anderen hingegen muss der beste Lösungsweg vom Anfangsstatus zum
Zielstatus gefunden werden. Beispiele sind Posner’s Züge und Vogel – Problem oder
der Tower of Hanoi. Wenn Forscher also Problemlösen untersuchen, so stellen sie
Personen vor eine Anzahl von Problemen für welche diese Personen keine Lösung
gespeichert haben, sodass die Forscher Regelmäßigkeiten in dem resultierenden
Problemlöseverhalten untersuchen können. Dabei untersuchen sie die
Problemrepräsentation oder die Operationen im Lösungsweg.
Geschichte
Duncker und Wertheimer brachten im Rahmen der Gestaltpsychologie erste
Forschungsansätze zum Problemlösen. Auch Mathematiker interessierten sich für
diesen Zweig. Nach dem Untergang der Gestaltpsychologie beschäftigten sich erst
wieder Newell und Simon 1972 mit dem menschlichen Problemlösen, allerdings nun
als Schritt-für-Schritt-Prozess um generelle Eigenheiten zu finden. Daraus
entwickelte sich der Computerorientierte (AI) Zugang mit dem Programm „General
Problem Solver“. Die Kognitive Psychologie berücksichtigte dann zunehmend
Hintergrundwissen. GPS hatte das Problem dass ihm Domänenspezifisches Wissen
fehlte. Dieser Zugang über das Hintergrundwissen spielt auch eine Rolle in der
7
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
Annäherung der 2 Forschungstraditionen zu einerseits Problemrepräsentation und
andererseits Operationen im Lösungsweg.
Generierung von Problemlösungen
Die Untersuchung von Operationen im Lösungsweg brachte die Unterscheidung
zwischen algorithmischen und heuristischen Strategien. Algorithmisches
Problemlösen basiert auf einer Prozedur, die eine Lösung garantiert, z.B. eine
mathematische Formel. Ein anderer Algorithmus ist die exhaustive Suche, die aber
sehr schnell unpraktikabel oder gar unmöglich werden kann. Heuristiken garantieren
zwar keine Lösung, aber versprechen mit hoher Wahrscheinlichkeit Erfolg. Es geht
dabei meist um Puzzle-ähnliche Probleme, wo es darum geht, Lösungswege wie
viele Astgabelungen zu generieren.
Betrachtet man das Problemlösen als eine Suche durch einen Problemraum, so teilt
man Newell und Simons Meinung. Die Autoren beschrieben den Problemraum als
ein Set von Wissenszuständen (Beginn-, Intermediater-, Aktueller- und ZielZustand). Die Ergebnisse ihrer Forschung zeigte, dass sich diese Suche auf eine
kleine Anzahl von Heuristiken stützt. Diese wurden über Laut-Denk-Protokolle
(welche von Duncker übernommen wurden, nachdem sie von den Behavioristen für
lange Zeit verachtet worden waren) oder Computersimulationen analysiert.
Hill climbing (Bergsteigen?) ist eine Heuristik, wo in jedem Lösungsschritt der
Operator angewandt wird, der einen neuen Zustand hervorruft, der am besten zum
Zielzustand passt. Dazu zeigte sich, dass Probanden bei Problemen tatsächlich die
größten Schwierigkeiten hatten, wenn in einem Schritt eine Entfernung zum Ziel
gemacht werden musste, um dann tatsächlich zum Ziel zu kommen.
Means-ends analysis ist eine Heuristik, die darin besteht
1) die Differenz zwischen dem aktuellen Zustand und dem Ziel (oder Subziel) zu
identifizieren,
2) einen Operator zu finden, der diese Differenz beseitigt oder reduziert,
3a) diesen Operator anwenden, sofern dies geht, oder
3b) wenn er nicht direkt angewandt werden kann ein Subziel setzen um das
Hindernis zu beseitigen das die Durchführung des gewünschten Operators behindert.
4) Die Schritte 1-3 wiederholen, bis das Problem gelöst ist.
Der Unterschied zwischen hill-climbing und means-ends-analysis besteht in der
online-Generierung von Subzielen in der MEA. Über Subziele können auch
unvernünftige Schritte erklärt werden und die Verästelung der Lösungswege im
Lösungsraum verzweigt sich weiter. MEA wurde auch mit GPS untersucht.
Anscheinend ist MEA auch die von den meisten Personen präferierte
Lösungsmethode für neue Probleme.
Sobald aber ein Problem besonders partikulär wird, werden auch spezialisiertere
Strategien herangezogen: Solche domänenspezifische Methoden beruhen auf dem
Domänen-Hintergrundwissen.
Problemrepräsentation
In realen Problemstellungen muss der Problemlöser viele Problemkomponenten
selbst definieren. In Schlecht-definierten Problemen ist weder das Ziel klar definiert,
noch ist bekannt, wie man die Zielerreichung angehen soll. Die
Problemrepräsentation beeinflusst nämlich die Generierung der Problemlösung. Eine
Repräsentation hat 4 Komponenten:
1) eine repräsentierte Welt – in diesem Fall die Beschreibung des zu lösenden
Problems
8
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
2) eine repräsentierende Welt – die Elemente, welche die Objekte und
Beziehungen in der Repräsentierten Welt ausmachen
3) ein Regelwerk das die Elemente der repräsentierten Welt zu Elementen der
repräsentierenden Welt zuordnet
4) ein Prozess der die Information der repräsentierenden Welt benutzt – in
diesem Fall um das Problem zu lösen.
Die Repräsentation, die zur Problemlösung benutzt wird kann entweder internal
(WM) oder external (auf Papier) sein.
Der Kontext eines Problemes ist relevant für die Repräsentation. Eine Größe im
Kontext ist die Wahrgenommene Form des Problems, z.B. visuell. Z.B. das 9-PunkteProblem ist ein klassisches Einsichts-Problem (mit Aha-Effekt). Objektbasierte
Inferenzen beziehen sich auf die Einheiten in einem Problem, z.B. die funktionelle
Fixiertheit (Duncker): Wenn ein Objekt für einen Zweck benutzt wurde, darauf
habituiert wurde, dann ist es schwierig zu sehen, dass es auch Eigenschaften hat,
die für einen ganz andern Zweck nützlich sein können. Der Inhalt der Geschichte
beeinflusst ebenfalls die Repräsentation des Problems. Je nachdem, wie die
Einheiten des Problems repräsentiert werden, wird ein anderer Lösungsweg gesucht.
Das Wissen zur Problemlösung ist, wie bereits erwähnt, von besonderer Bedeutung.
So ist die Erfahrung mit strukturell ähnlichen oder analogen Problemen hilfreich,
indem solche Erfahrungen als Beispiel für das neue Problem verwendet werden
können. Die Problemstruktur muss dabei ähnlich sein, nicht die Geschichte! Man
denke dabei an die Textaufgaben in der Schule. Analogität wurde z.B. von Gick und
Holyoak untersucht, indem sie ein Radiationsproblem stellten. Einmal ging es um die
Operation eines Tumors durch Konvergenz vieler Strahlen auf einem Punkt und
einmal um einen Krieg, wo eine Armee auf dieselbe Weise zusammengeführt werden
sollte. Das Lösungsbeispiel konnte in den Ergebnissen nur genutzt werden, wenn die
Autoren die Probanden darauf hinwiesen, dass ein vergangenes Problem ähnlich
gelöst worden war. Ein wichtiger Prädiktor für den Lösungserfolg ist dabei das
Verstehen des gelernten Beispieles. Generelle Schemen im Gedächtnis enthalten
abstrakte Information zur Problemlösung, sodass sie auf die spezifische
idiosynkratische Information eines bestimmten Problems variabel anwendbar sind.
Abstrakte Repräsentationen von Schemen sind hilfreicher als spezifische relevante
Beispiele um die Struktur neuer Probleme zu verstehen, da sie keine spezifischen
Informationen enthalten, der dann ignoriert werden müsste um das neue Problem zu
lösen. Expertentum kann auch untersucht werden, indem man verschiedene
Personen in verschiedenen Domänen untersucht: Experten repräsentieren
Lösungsrelevante strukturelle Eigenschaften während Unerfahrene auch
Lösungsirrelevante oberflächliche Merkmale repräsentieren. Experten fokussieren
dabei schon die Aufmerksamkeit gezielter. Beispiele dafür finden sich im Schach
oder in der Sortierung von Problemen anhand ihrer Lösungsart in Physik, ähnlich in
Biologie, Mathematik, Geometrie…
Der Zusammenhang zwischen Repräsentation und Lösung
Die Repräsentation beeinflusst wie eine Lösung generiert wird, das hat schon
Wertheimer gezeigt. Das Verständnis der Struktur erleichtert die Einsicht in die
Ähnlichkeit zwischen Problemen die nur äußerlich unterschiedlich sind.
Mathematisches Problemlösen ist ein willkommener Bereich für die
Problemlöseforschung. Dabei ist Domänenwissen nicht nur für das schon vorher
genannte Expertentum relevant, sondern auch schon für die Repräsentation und in
der Folge für die Lösung eines Problems. Entsprechend sind oberflächliche
Repräsentationen von Unerfahrenen störend beim Problemlösungsprozess. Ein
9
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
falsch gelerntes Beispiel o. Strategie kann sogar öfter falsch auf ein anderes Problem
angewandt werden.
Unterziele können als Komponenten der Aufgabenstruktur gelehrt werden. So wird
das Problem in konzeptuell distinkte, bedeutungsvolle Teile aufgeteilt. Damit steigt
die Wahrscheinlichkeit den richtige Lösungsweg einzuschlagen.
Objekt basierte Inferenzen aus dem Inhalt der Geschichte wurden schon bei der
Repräsentation von Problemen besprochen. Sie beeinflussen also das
Situationsmodel und auch die Lösung z.B. ein Mathematisches Modell das
ausgewählt oder konstruiert wird. Studien hierzu zeigten, dass Personen, welche ein
Situationsmodell mit bestimmten Veränderungen anwandten, die entsprechende
Summen-Strategie zur Lösung anwandten. Auch mathematische Aufgaben, die
semantisch dargeboten werden, werden von Probanden entsprechend der
semantischen Struktur gelöst, anstatt eine eigene mathematische Repräsentation zu
bilden (semantic alignment). Das geht so weit, dass die semantische Struktur sogar
die Schwierigkeit des Problems determiniert. Diese Effekte zeigen sich auch in den
ERPs von EEG Studien, wo Additionen von Objekten ungleicher Kategorien (Tulpen
und Vasen) eine negativere Response berichten als für gleiche Kategorien.
Insight-Problemlösen Revisited
Insight-Problemlösen ist charakterisiert durch ein anfängliches Nichtstun, eine
plötzliche Restrukturierung der Problemrepräsentation und durch eine plötzliche
Lösung. Also hat so eine Lösung nichts mit einer Schritt-für-Schritt Lösung zu tun?
Die Schwierigkeit solcher Probleme beruht auf Wahrnehmungsfaktoren,
Hintergrundwissen und/oder Prozessfaktoren.
Ein neuer Problemraum mit alternativen Operatoren muss also geschaffen werden,
wo dann die Lösung gefunden wird. Die Lösungen werden auch Pop-out-Solutions
genannt. Es geht dabei aber entgegen Gestaltpsychologischer Meinungen nicht um
eine „full-blown“ Rekapitualtion: Die Einsichtspaare sind zunächst unähnlich, dann
leicht ähnlich und dann sehr ähnlich – also gibt es einen Problemlöseprozess
gradueller Accumulation partieller Information.
Das Impasse ist das anfängliche Nichtstun bei solchen Problemen. Es wird dann
ganz plötzlich (pop-out) durchbrochen. Ein Scheitern verursacht das Impasse:
unangemessene Annahmen oder Versuche. Die Revision der Problemrepräsentation
in einer „Contraint relaxation“ involviert die Deaktivation von Wissen, sodass neue
Operatoren angewandt werden können. Oder aber eine „Chunk decomposition“
unterbricht die Beziehungen der Komponenten untereinander. Dieses Modell konnte
durch Reaktionszeiten und Augenfixationen gestützt werden.
Schlussfolgerungen und Ausblick
Die Interaktion zwischen Repräsentation und Löseprozess wurde bislang noch zu
wenig erforscht, ist aber eigentlich Kern der Sache.
In der Zukunft sollte sich Forschung in Richtung anwendbarer Ergebnisse bewegen:
In der Schule bzw. Pädagogik allgemein könnte ein besseres Verständnis zum
Problemlösen das Lernen erleichtern. Sind die Faktoren bekannt, welche die
Repräsentation einer Problemstruktur bestimmen, so können Probleme auch besser
modelliert werden.
Außerdem werden komplexere, Wissensintensive Probleme weiter untersucht
werden. Dazu wie vor allem auf die Schlecht-Definierten Probleme hingewiesen.
Letztendlich ist Problemlösen nach Duncker viel breiter konzeptualisiert, als es bisher
untersucht wurde:
10
Summary: Thinking and Reasoning ©Kiwi
Disclaimer: [email protected]
1) Objekte in Kategorien fassen und Inferenzen aufgrund Kategoriezugehörigkeit
tätigen
2) Induktives Interferieren von multiplen Instanzen
3) Schlussfolgern aufgrund Analogien
4) Identifizieren der Gründe von Ereignissen
5) Deduktion lokaler Implikationen gegebener Information
6) Legales Urteilen
7) Diagnostik medizinischer Bedingungen von historischen und Labor-Daten
Die Forschung zum Problemlösen sollte also allgemein in die Denkforschung
integriert werden.
11