Моделирование рассуждений. Опыт анализа мыслительных актов

Кроме причин а_i важную роль в процессах реализации причинно-следственных зависимостей играют так называемые тормоза. Наличие тормоза наряду с причиной, вызывающей b_j в обычных условиях, приводит к тому, что b_j не появляется. Так, принятие смертельной дозы яда не приводит к ожидаемому исходу, если до этого было принято противоядие.

Вернемся к ДСМ-методу. После сказанного становится ясным, что нахождение причин – кандидатов для формируемых гипотез – дело далеко не простое. В положительных и отрицательных примерах эти причины скрыты в описаниях реальных объектов, обладающих или не обладающих интересующими нас свойствами. Из этих описаний надо выделить кандидатов в причины, а затем убедиться, что выбор оказался не случайным. При первом реальном использовании ДСМ-метода одной из конкретных задач была задача нахождения причин того, что некоторое органическое химическое соединение будет обладать свойством биологической активности. Постулировалась, что информация о причинах биологической активности скрыта в структурной формуле того или иного соединения. Какие-то особенности этих формул оказывали влияние на интересующее исследователей свойство. Экспериментально для многих соединений было установлено наличие или отсутствие в них биологической активности. Эти экспериментальные факты составляли множество положительных и отрицательных примеров. На основании их программы, реализующие ДСМ-метод, должны были найти новые, не известные химикам и фармакологам закономерности, позволяющие без экспериментальной проверки (весьма дорогой и длительной) оценивать возможность того, что вновь синтезированное вещество будет обладать биологической активностью.

Суть того, как это делалось с помощью ДСМ-метода, состоит в следующем. Рассмотрим группу положительных примеров. Находим некоторую часть описания объектов, общую для определенной совокупности примеров из этой группы. Например, обнаруживаем в значительной части структурных формул соединений, обладающих свойством биологической активности, кольцевую структуру с фиксированным заполнением позиций в этой структуре. Тогда есть основания считать ее кандидатом в причины. Таких кандидатов может оказаться несколько. Образуем матрицу М⁺, в которой строки соответствуют выделенным кандидатам а_i, а столбцы – интересующим нас следствиям b_j (при одном интересующем нас следствии в М⁺будет один столбец). На пересечении строк и столбцов будем записывать оценки достоверности q_k гипотез h_i⁺_jk. Об их нахождении будет сказано ниже. Для множества отрицательных примеров аналогичным образом строится другая матрица М^–, в которой содержатся оценки достоверности отрицательных гипотез h_i^–_jk. Кандидаты в причины в матрицах М⁺и М^?могут частично совпадать, так как положительные и отрицательные примеры не образуют полной выборки из всего множества возможных примеров.

На каждом шаге работы ДСМ-метода используются новые наблюдения, пополняющие множества положительных и отрицательных примеров. Эти новые наблюдения могут либо подтверждать сформированные гипотезы h_i⁺_jk и h_i^–_jk либо противоречить им. В первом случае надо увеличивать оценки достоверности соответствующих гипотез, а во втором – уменьшать их. Механизм изменения оценок q_k может быть различным. В ДСМ-методе он устроен следующим образом. Значение n совпадает с числом имеющихся в данный момент положительных или отрицательных примеров. Таким образом, для М⁺и М^–значение n может оказаться различным. С ростом n растет «дробность» оценок достоверности. Оценка 1/n играет особую роль. Она соответствует полному незнанию о достоверности гипотезы. Поэтому в начальный момент М⁺и М^–заполнены лишь нулями, единицами и оценками 1/n. Значения истинности и лжи могут иметь гипотезы, у которых в качестве причин даны полные описания объектов, образующих множества примеров.

Если некоторая положительная или отрицательная гипотеза h_ijk имела оценку k/n, то при появлении нового примера (n заменяется на n+1) проверяется, подтверждает или не подтверждает новый пример эту гипотезу. При подтверждении оценка k/n заменяется на (k+1)/(n+1), а при неподтверждении новым примером ранее выдвинутой гипотезы ее оценка меняется с k/n на (k–1)/(n+1). Таким образом, в процессе накопления новой информации оценки гипотез либо приближаются к 0 или 1, либо ведут себя каким-либо «колеблющимся» образом. В первом случае гипотеза может на некотором шаге (когда будет пройден некоторый априорно заданный нижний порог достоверности) исчезнуть из М⁺или М^–. Во втором случае при достижении некоторого верхнего порога достоверности гипотеза может получить оценку, отражающую эмпирическую истину, и запомниться как некий установленный факт в системе или эта гипотеза сообщается человеку, работающему с ДСМ-программами. В третьем случае, если колебания оценок достаточно сильны, может также произойти исключение сформированной ранее гипотезы из тех, которые описаны в М⁺и М^?.