MétaCan
Menu
Retour à la cohorte
Enregistrement W2088700347 · doi:10.4018/jcini.2011040102

A Computational Simulation of the Cognitive Process of Children Knowledge Acquisition and Memory Development

2011· article· en· W2088700347 sur OpenAlexaff
Jeff Bancroft, Yingxu Wang

Notice bibliographique

RevueInternational Journal of Cognitive Informatics and Natural Intelligence · 2011
Typearticle
Langueen
DomaineComputer Science
ThématiqueCognitive Computing and Networks
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésComputer scienceKnowledge acquisitionCognitionKnowledge representation and reasoningProcess (computing)Representation (politics)Procedural knowledgeCognitive modelCognitive scienceObject (grammar)Mental representationHuman–computer interactionKnowledge-based systemsArtificial intelligencePsychologyProgramming language

Résumé

récupéré en direct d'OpenAlex

The cognitive mechanisms of knowledge representation, memory establishment, and learning are fundamental issues in understanding the brain. A basic approach to studying these mental processes is to observe and simulate how knowledge is memorized by little children. This paper presents a simulation tool for knowledge acquisition and memory development for young children of two to five years old. The cognitive mechanisms of memory, the mathematical model of concepts and knowledge, and the fundamental elements of internal knowledge representation are explored. The cognitive processes of children’s memory and knowledge development are described based on concept algebra and the object-attribute-relation (OAR) model. The design of the simulation tool for children’s knowledge acquisition and memory development is presented with the graphical representor of memory and the dynamic concept network of knowledge. Applications of the simulation tool are described by case studies on children’s knowledge acquisition about family members, relatives, and transportation. This work is a part of the development of cognitive computers that mimic human knowledge processing and autonomous learning.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,021
Tête enseignante GPT0,297
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Cognitive Informatics and Natural IntelligenceMême sujetCognitive Computing and NetworksTravaux en français237 207