Глава 8
ДАННЫЕ О СЕМАНТИЧЕСКОЙ ПАМЯТИ
Теперь, когда мы ознакомились с одним типом моделей
ДП (а именно с сетевыми моделями), уместно будет рас-
смотреть кое-какие данные, для объяснения которых эти мо-
дели были созданы. В настоящей главе мы рассмотрим дан-
ные относительно семантической памяти (эпизодической па-
мяти мы коснемся в последующих главах). Мы сможем оце-
нить объяснительную силу ООПЯ, АПЧ ,и других моделей,
когда увидим, в какой мере они позволяют понять известные
факты.
Как правило, при изучении семантической памяти имеют
дело с <неэпизодической> информацией, т. е. знаниями, су-
ществующими независимо от времени или места их приобре-
тения. Одним из лучших примеров такого рода информации
служат определения слов. Почти каждому известно, что <ка-
нарейка - птица> и что <все алмазы - камни>. Не удиви-
тельно поэтому, что определения слов использовались во мно-
гих экспериментах по семантической памяти. Оддн из самых
обычных методов, применяемых в таких экспериментах, -
это задача на проверку истинности утверждения. Испытуемо-
му предъявляют некоторое утверждение и предлагают ре-
шить, истинно оно или ложно; например: КАНАРЕЙКА-
ПТИЦА1 (истинно) или КАНАРЕЙКА-РЫБА (ложно).
Как и следовало ожидать, испытуемые выполняют такого
рода задания с очень небольшим числом ошибок. Зависимая
переменная в таких заданиях-это время реакции (ВР),
определяемое обычно как интервал между предъявлением
утверждения и ответом испытуемого.
ЭФФЕКТ ВЕЛИЧИНЫ КЛАССА
Из всех явлений семантической памяти, вероятно, наи-
большее внимание исследователей привлекает так называе-
мый эффект величины класса. В типичном случае для изу-
чения этого эффекта используется задача на проверку истин-
ности утверждения, имеющего вид
(Некоторое подлежащее) (S) есть (Некоторое сказуемое) (Р).
Независимой переменной служит величина класса сказуемо-
го Р. Под величиной класса имеется в виду число входящих
в него членов. Часто невозможно бывает точно указать чис-
Строго говоря, следовало бы писать <канарейка есть некоторая пти-
ца>, но в данном контексте, где обсуждается вопрос о механизме пони-
мания обычной речи, мы будем переводить подобные утверждения упро-
щенной формой, свойственной обычному языку. - Прим. ред.
ДП: структура и семантическая переработка информации
ло членов, входящих в данный класс (но иногда это число
совершенно очевидно, например в случае класса <времена
года>, в который входит четыре члена). Тем не менее всегда
есть возможность определить относительную величину .клас-
са, т. е. сказать, что один класс больше другого. Обычно об
этом можно говорить в тех случаях, когда один класс входит
в другой; тогда, конечно, второй должен быть больше пер-
вого. Например, класс <птицы> входит в класс <животные>;
следовательно, к классу <животные> относятся все <птицы>
плюс что-нибудь еще, так что он должен быть больше. Основ-
ной результат, к которому привели эксперименты по проверке
истинности утверждений, состоит в том, что ВР, необходимое
для ответа <истинно>, возрастает с увеличением объема клас-
са Р. Например, проверка утверждения <канарейка-живот-
ное> занимает больше времени, чем проверка утверждения
<канарейка-птица> (см., например, Collins a. Quillian,
1969; Meyer, 1970). ВР для ложных утверждений также обыч-
но возрастает с увеличением класса Р (см., например, Lan-
dauer a. Freedman, 1968; Meyer, 1970).
Эффект величины класса чрезвычайно важен для построе-
ния модели семантической памяти. Суть его сводится к тому,
что время, необходимое для проверки принадлежности дан-
ного объекта (скажем, канарейки) к данному классу (<пти-
цы>), зависит от величины этого класса. А это в свою оче-
редь говорит кое-что о природе семантической ДП, так что
любая разумная модель должна объяснять эффект величины
класса. В случае модели Куиллиана нетрудно дать ему до-
вольно правдоподобное объяснение. В этой модели предпола-
гается, что данный объект связан с непосредственно стоя-
щим над ним высшим классом одной стрелкой; этот высший
класс связан со стоящим над ним, и так далее. Такова внут-
ренняя структура ДП в данной модели. Для того чтобы про-
верить истинность утверждения <канарейка - птица>, надо
пройти только по одной стрелке, а чтобы добраться до более
удаленного из высших классов, надо уже пройти по двум
таким стрелкам (см. рис. 8.3). Поскольку прохождение по
стрелке занимает определенное время, путь, соответствую-
щий двум стрелкам, потребует больше времени. В результате
мы и получим эффект величины класса: чем выше положение
данного класса Р в иерархии, тем большее число стрелок
нужно пройти и тем больше это занимает времени.
Несколько труднее объяснить с помощью модели ОСПЯ,
почему эффект величины класса наблюдается и при проверке
ложных утверждений (таких, например, как <маргаритка -
рыба>). Действительно, ВР будет больше, если, например,
заменить в приведенном выше утверждении понятие <рыба>
Глава 8
на <животное>. Коллинз и Куиллиан (Collins a. Quillian,
1970) предложили следующее объяснение. По их мнению, в
большинстве случаев эффект величины класса не проявля-
ется. Он возникает только тогда, когда 5 и Р связаны между
собой (например, маргаритка, рыба и животные-это все
живые организмы). А если 5 и Р связаны, то они чаще всего
будут связаны теснее, когда Р-большой, а не малый по
объему класс. Например, как можно видеть из рис. 8.3, <мар-
гаритка> будет ближе (в смысле близости в иерархической
системе) к <животному>, чем к <рыбе>. Кроме того, если 5
и Р близки, в процессе поиска могут возникать ошибки. При
поиске может быть выявлено отношение, которое окажется
неподходящим. Чем больше класс Р, тем ближе отношение,
тем легче здесь ошибиться и тем больше потребуется вре-
мени, чтобы решить, что, несмотря на близость двух данных
понятий, утверждение ложно. Такое объяснение нельзя, од-
нако, считать адекватным, поскольку было показано (Lan-
dauer a. Meyer, 1972), что при проверке ложных утвержде-
ний эффект величины класса проявляется даже тогда, когда
степень близости двух рассматриваемых понятий во всех
случаях одинакова. Это было бы особенно печально для мо-
дели ОСПЯ, если бы другие модели позволяли без труда объ-
яснить обнаруженный эффект, но они тоже не дают объяс-
нения! Эффект величины класса при проверке ложных утвер-
ждений создает затруднения для многих моделей. Поэтому
мы пока согласимся с тем, что идея, высказанная Коллинзом
и Куиллианом, может в общем служить объяснением зави-
симости ВР от величины класса.
ЭФФЕКТЫ СЕМАНТИЧЕСКОЙ БЛИЗОСТИ
Близость, упомянутая выше в качестве возможной причи-
ны эффектов величины класса при проверке ложных утверж-
дений, сама служит важным объектом исследований, касаю-
щихся семантической памяти, особенно в экспериментах с
предъявлением истинных утверждений. В типичных работах
по изучению этой <близости> испытуемым сначала предъяв-
ляют набор, состоящий из пар слов. В каждой паре одно
слово представляет собой название какого-либо объекта, при-
надлежащего к данному классу, а другое-название этого
класса; например, объектом (представителем класса) может
быть <малиновка>, а классом - <птицы>. Испытуемого про-
сят оценить, .насколько типичен данный представитель для
данного класса или насколько близки два соответствующих
слова (Rips а. о., 1973; Rosch, 1973). Оценки типичности раз-
личных представителей для данного класса варьируют до-
ДП: структура и семантическая переработка информации
вольно сильно. Например, <малиновка> оценивается как го-
раздо более типичная <птица>, чем <курица>. Эти различия
в оценках типичности составляют один из тех фактов, кото-
рым теория семантической памяти должна дать объяснение,
В самом деле, <типичность> оказывается довольно серьез-
ной проблемой для сетевой модели, подобной ОСПЯ. В этой
модели каждый представитель какого-либо класса отделен
от стоящего непосредственно над ним класса одной стрел-
кой. Поскольку все члены данного класса отделены от назва-
ния класса одинаковым (равным одной стрелке) расстояни-
ем, трудно представить себе, отчего возникают различия в
оценках типичности. Модель АПЧ, созданная Андерсоном и
Боуэром, позволяет лучше объяснить эти и другие эффекты,.
которые, как .мы увидим, плохо согласуются с сетевыми мо-
делями. В данном случае модель АПЧ может объяснить яв-
ление типичности или близости как результат происходящего
в ДП процесса поиска (сопоставления). Как вы помните,
отправной точкой процесса сопоставления служит поиск, на-
чинающийся из каждой ячейки ДП, упомянутой во входном
сообщении; цель этого процесса - найти дерево, которое со-
ответствовало бы входному сообщению. Поиск начинается
одновременно с разных ячеек и ведется параллельно; однако
из каждой отдельной ячейки одновременно можно вести по-
иск только по одному пути. А так как обычно от каждой
ячейки ДП идет много путей, предполагается, что среди них
устанавливается некая очередность; она определяет последо-
вательность, в которой производится поиск по разным пу-
тям, идущим от данной ячейки. Наиболее важные пути об-
следуются в первую очередь. Это позволяет модели АПЧ
учесть влияние <типичности> на истинное время реакции, так
как есть определенная зависимость между типичностью и оче-
редностью. Оказывается, чем более типичен данный предста-
витель для данного класса, тем выше вероятность того, что
соединяющие их пути занимают одно из первых мест в спис-
ке очередности. Если допустить, что оценки типичности, или
близости, основываются на отношениях очередности, то эта
модель позволит без труда объяснить причины различий в.
оценках.
Не удивительно, что близость влияет на ВР в задачах по-
проверке истинности утверждений (Smith, 1967; Wilkins,
1971). Чем теснее связаны 5 и Р, тем быстрее проверяется
истинность утверждений типа <некоторое 5 есть Р>. Так, на-
пример, испытуемые проверяют истинность того, что <го-
лубь-птица>, быстрее, чем того, что <курица-птица>.
Удивительно другое: эффекты близости позволяют предска-
зать ситуации, в которых эффект величины класса не будет-
Глава 8
проявляться. Рассмотрим следующий пример (Rips а.. о., 1973).
Класс <.млекопитающие> входит в класс <животные>, так что
класс <животные> больше по своему объему. Однако по
оценкам испытуемых некоторые млекопитающие (например,
<медведь> или <кошка>) более типичны для класса <живот-
ные>, чем для класса <млекопитающие>. И если сравнить
ВР для проверки утверждений <медведь-млекопитающее>
и <медведь-животное>, то окажется, что во втором случае
оно короче. Это расходится с предсказанием о влиянии ве-
личины класса (поскольку класс <животные> более обширен,
ВР при его проверке, казалось бы, должно быть больше), но
соответствует оценкам типичности. Такой результат опять-
таки создает затруднение для модели ОСПЯ (но не для мо-
дели АПЧ, которая позволяет объяснить его на основе оче-
редности при поиске: чем теснее близость между 5 и Р, тем
раньше начнется обследование соответствующих путей и тем
быстрее утверждение может быть проверено).
ТЕОРЕТИКО-МНОЖЕСТВЕННАЯ МОДЕЛЬ ДП
До сих пор мы рассмотрели лишь один тип моделей се-
мантической ДП-сетевые модели. Существуют, однако, мо-
дели иного типа, и мы сейчас рассмотрим одну из них, из-
вестную под названием <теоретикочмножественной> (Meyer,
1970). В основе ее лежит предположение, что семантические
классы представлены в ДП как множества, или совокупно-
сти, элементов информации. Это могут быть множества пред-
ставителей какого-либо класса (например, к классу <птицы>
относятся малиновки, соловьи, воробьи и т. д.). Это могут
быть также множества атрибутов или свойств данного класса
(например, птицы имеют крылья, имеют перья, могут летать
и т. д.). Иными словами, та или иная категория представлена
в ДП в виде некоторого набора информации.
Мейер (Meyer, 1970) использовал теоретико-множествен-
ную модель, чтобы объяснить различия во времени, затра-
чиваемом испытуемыми для проверки утверждений типа <все
5 суть Р> или <некоторые 5 суть Р> (например, <все кам-
ни-рубины> или <некоторые камни-рубины>). Для объ-
яснения данных относительно ВР он предложил двухфазную
модель, описывающую процесс выполнения такой задачи. Со-
гласно этой модели, испытуемый, которому предъявили тако-
го рода утверждение, сначала перебирает названия всех мно-
жеств, которые пересекаются (т. е. перекрываются, имеют
общих членов) с классом Р. Например, в случае утвержде-
ния типа <все 5. суть писатели> испытуемый начнет искать
ДП: структура и семантическая переработка информации
множества, перекрывающиеся с множеством <писатели>. Он
может обнаружить такие множества, как <женщины>, <муж-
чины>, <люди>, <профессора> и т. д., в каждом из них име-
ются члены, которые суть писатели. Если в этих множествах
будут обнаружены элементы класса 5 (будет выявлен факт
пересечения этих множеств с классом S), то первая стадия
завершится установлением соответствия. Если же при поиске
не будет обнаружено соответствия с классом S, то результа-
том первого этапа будет отрицательный ответ.
Если на первом этапе проверки будет обнаружено соот-
ветствие, то это означает, что классы 5 и Р имеют некоторых.
общих членов. Этого было бы достаточно, чтобы убедиться
в истинности утверждения типа <некоторые 5 суть Р>, но
недостаточно для проверки утверждения типа <все 5 суть Р>.
В последнем случае необходимо провести второй этап: срав-
нение всех атрибутов Р с атрибутами 5. Если каждый атри-
бут Р является также одним из атрибутов S, то утверждение
можно признать истинным. Если же нет, то испытуемый дает
отрицательный ответ.
Возьмем конкретный пример. Допустим, что Р - это <дра-
гоценные камни>. Рассмотрим теперь утверждение <некото-
рые минералы суть драгоценные камни>. На первом этапе
проверки просматриваются множества, которые пересекаются
с множеством <драгоценные камни> (т. е. имеют с ним об-
щих членов). К их числу относятся такие классы, как <алма-
зы>, а также <минералы>, поскольку многие минералы суть
одновременно и драгоценные камни. Таким образом, истин-
ность утверждения может быть проверена. Если бы слово S
было <птицы> (<некоторые птицы суть драгоценные камни>),.
первый этап привел бы к отрицательному ответу, поскольку
ни один из членов класса <птиц> не является членом также
и класса <драгоценных камней>. Если же проверяется истин-
ность утверждения <все рубины суть драгоценные камни>, то
тогда на первом этапе будет обнаружено соответствие. Од-
нако наличие слова <все> потребует проведения также и вто-
рого этапа. Для этого придется сравнить все атрибуты дра-
гоценных камней (они дорого стоят, используются в ювелир-
ном деле и т. д.) с атрибутами рубинов. Если атрибуты тех
и других совпадают-а в данном случае это так и есть, ибо
рубины тоже стоят дорого, используются в ювелирном деле
и т. д.,-то истинность утверждения установлена. Если же
нет, как в случае <все писатели-женщины>, то утвержде-
ние будет отвергнуто. В последнем случае на первом этапе-
будет обнаружено соответствие, поскольку множество <пи-
сатели> пересекается с множеством <женщины>, но на втором.
этапе будет получен отрицательный ответ.
Глава 8
Теоретико-множественная модель типа мейеровской позво-
ляет объяснить эффекты величины класса, подобные тем, ко-
торые были рассмотрены выше. Чтобы это понять, мы долж-
лы сначала указать на принятое в этой модели предположе-
ние о неслучайности поиска пересекающихся классов, произ-
.водимого на первом этапе. Классы, пересекающиеся с Р, об-
следуются в порядке, соответствующем степени пересечения,
причем наиболее сильно пересекающиеся классы проверяются
в первую очередь. Это означает, что чем меньше число чле-
нов, не являющихся общими для 5 и Р, тем быстрее будет
обнаружен на первом этапе факт пересечения 5 и Р, так "как
он выявится на более ранней стадии обследования всех тех
.классов, которые пересекаются с Р. Тем самым получает
объяснение эффект величины класса: чем больше Р по срав-
нению с S, тем меньше они будут пересекаться и тем больше
.потребуется времени для нахождения 5 на первом этапе по-
.исков. Например, если 5 - <канарейки>, а Р - <птицы>, то
.пересечение 5 и Р сильнее, чем в том случае, если Р - <жи-
вотные> (этот класс больше, чем класс <птицы>). Таким об-
разом, если Р-<птицы>, то при обследовании пересекаю-
.щихся с Р классов <канарейки> будут обнаружены быстрее
и время реакции будет меньше, чем если Р - <животные>.
.Это и приведет к обычному эффекту величины класса. Одна-
ко модель Мейера не объясняет нарушения эффектов вели-
чины, наблюдаемого в тех случаях, когда величина не соот-
ветствует близости (см.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43