Models of knowledge representation and cognitive psychology: two sides of a medal.pdf УДК 001.2С.И. КарасьМОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ И КОГНИТИВНАЯ ПСИХОЛОГИЯ: ДВЕ СТОРОНЫ ОДНОЙ МЕДАЛИМоделирование знаний и когнитивную психологию объединяет прикладная предметная область - инженерия знаний. Для извлечения знаний используются индивидуальные и групповые коммуникативные методики, а также непрямые когнитивные методы обнаружения знаний. Полученные знания представляются с помощью ряда моделей: фреймовой, продукционной, сетевой. Важное место в моделировании знаний занимает онтологический подход, который реализуется в двухуровневых информационных системах. Ключевые слова: извлечение знаний, модели знаний.Что объединяет моделирование знаний и психологические методы, или что есть медаль? На эту роль претендует прикладная область науки - инженерия знаний (knowledge engineering). Этот термин введен Е. Шортлиффом и Е. Фей-генбаумом как привнесение принципов и инструментария исследований из об-ласти искусственного интеллекта в решение трудных прикладных проблем, тре-бующих знаний экспертов [1]. Центральным моментом инженерии знаний явля-ется создание базы знаний, т.е. извлечение экспертных знаний и их представле-ние в оптимальной модели. Для извлечения знаний используются коммуника-тивные и когнитивные методы, с помощью которых системный аналитик (ин-женер по знаниям) помогает эксперту формализовать необходимые сведения.Традиционно из широкого ассортимента психологических методов в ин-женерии знаний применяются различные виды диалогов (от ознакомитель-ного опроса в начале разработки до критического обзора ближе к ее завер-шению) и групповые методы (от мозгового штурма до заочной Дельфийской методики) [2, 3]. Когда эти прямые методы не дают желаемого результата , используются непрямые методы извлечения знаний.Непрямые методы близки к одному из направлений психологии - психо-семантике, которая занимается реконструкцией индивидуальных семантиче-ских пространств и основана на разных формах субъективного шкалирования [3]. Экспертом в определенной шкале оцениваются смысловые расстояния между элементами знаний. Эксперт отмечает различия и степень сходства ме-жду концептами, атрибутами, между элементами знаний разного типа и неко-торым заданным элементом. Построение семантического пространства экс-перта - это переход на язык более высокого уровня абстракции, хотя приме-няемые для этого методы инженерии знаний достаточно просты.К непрямым методам инженерии знаний относятся различные виды сор-тировок - по отношению эксперта к концептам в рамках решения опреде-ленного круга задач или по взаимоотношениям концептов предметной об-ласти между собой с построением иерархической диаграммы кластеров кон-цептов. В результате применения этих методов можно построить концептнуюC.И. Карась 24карту предметной области, смоделировать потоки данных, жизненный цикл объектов или последовательность действий (построить сети Петри).Как непрямой способ исследования знаний широко используется матрич-ный подход. Метод матрицы атрибутов заключается в количественной оцен-ке экспертом связи между каждым из набора атрибутов и каждым объектом предметной области. Метод репертуарных матриц (repertory grids) предложен автором теории личностных конструктов Дж. Келли. Целью его применения является выявление персональных конструктов эксперта, т.е. тех признаков или свойств, по которым объекты сходны между собой и, следовательно, отличны от других объектов. Конструкт - некоторая ось, относительно которой распола-гаются подмножества элементов, количественно связанных с конструктом. При этом объекты связа ны определенным контекст ом - репертуа ром предмет-ной области, а эксперт оценивает каждый объект предметной области по ка-ждому конструкту. Если аналитик изменяет репертуар (набор элементов знаний), то выявляются конструкты разного уровня общности [4].Перечисленные методы направлены на извлечение экспертных знаний, но не менее важным аспектом инженерии знаний является их моделирова-ние. Среди традиционных моделей представления знаний, имеющих психо-логические корни, можно выделить следующие:1..Модель фреймов. Марвин Минский называл фреймом иерархически организованную структуру памяти человека, являющуюся основной для хранения информации [5]. В инженерии знаний фреймом называется струк-тура для описания стереотипной ситуации, состоящая из характеристик этой ситуации, называемых слотами, и их значений. В этой модели знания чело-века представлены относительно большими единицами со сложной внутрен-ней структурой. Каждый фрейм может быть дополнен информацией о спо-собах его применения, последствиях этого применения, действиях, которые надо выполнить в определенных ситуациях. Каждый слот в качестве значе-ния может содержать не только числовую или символьную константу, но и функцию, правило, с помощью которого можно найти значение слота, при-каз на выполнение программы, ссылку на другие фреймы и слоты того же фрейма и т.п. Благодаря этому организуется сеть фреймов, в явном виде вво-дится иерархическая структура, основанная на различной степени абстрак-ции характеристик объектов и ситуаций.2..Сетевая модель имеет аналогом структуру долговременной памяти че-ловека и пригодна для представления знаний любых типов. Она начала раз-виваться в виде семантических сетей с целью моделирования естественного языка. В первой модели такого рода (модели Куиллиана) сетевая структура использовалась для представления семантических отношений между кон-цептами (словами, обозначающими некоторые понятия предметной области) [6]. Обычно используемая для моделирования знаний, семантическая сеть состоит из двух множеств: узлов и соединяющих узлы ребер, которые отра-жают бинарные отношения между ними [7]. В качестве узлов в модели ис-пользуются объекты предметной области, их свойства и значения, а также события, процессы, явления. Ребра могут иметь или не иметь тип, направле-ние и количественную оценку отношений между узлами. Главное преиму-1.Модели представления знаний и когнитивная психология25щество сетевой модели - способность выражения достаточно тонких смы-словых оттенков знаний.3. Продукционная модель как способ представления знаний предложена Э. Постом в 1943 г. Основу этой модели составляет множество так называемых продукционных правил, которые применяются в тех областях, где значитель-ная часть знаний основана на опыте специалистов, эмпирических законо-мерностях и ассоциациях [8, 9]. Модель базируется на логике «из ситуации следует действие», представляет систему правил вида «Если..., то...» и обес-печивает способ представления выводов, рекомендаций, указаний, страте-гий. Эта модель широко используется в слабоформализованных областях.С конца прошлого века активно разрабатывается онтологический подход к моделированию знаний. С одной стороны, онтология - раздел метафизиче-ской философии, в котором рассматриваются всеобщие основы, принципы бытия, его структура и закономерности. С другой - онтологией называются представленные на некотором языке знания о предметной области [10]. Он-тология - формальная система понятий предметной области, их свойств, отношений между ними и правил операций над ними. Онтология является моделью предметной области и может служить основой баз знаний и баз данных.Для чего разрабатываются онтологии и что они дают? Главная цель соз-дания онтологии - стандартизация и максимальная формализация моделей знаний. Онтология облегчает:·совместное использование людьми или программными агентамиструктуры информации о предметной области;·совмещение разных частей модели предметной области;·изменения и доступность моделей для новых пользователей;·отделение структуры знаний предметной области от конкретных данных.Можно выделить несколько этапов разработки онтологии. После опреде-ления предметной области надо осуществить поиск существующих онтоло-гий и рассмотреть возможность их повторного использования. Многие онто-логии доступны в электронном виде и могут быть импортированы в среду проектирования новой онтологии.Затем важно получить полный список терминов предметной области, разработать иерархию классов и описать их свойства. Следующим шагом является описание отношений между элементами онтологии. На этом этапе важно определиться, на каком уровне иерархии находится понятие, т.е. явля-ется ли оно классом объектов, конкретным объектом или свойством одного из объектов? Глубина детализации определяется приложением онтологии. Последним этапом является создание отдельных экземпляров классов путем ввода конкретных значений их свойств.Онтологический подход к моделированию предметной области дает воз-можность разрабатывать надстроечные информационные системы и обеспе-чить интероперабельность первичных информационных систем. В частно-сти, в настоящее время развивается парадигма двухуровневых информаци-онных систем [11, 12].В стандартных одноуровневых информационных системах конкретные данные согласованы с объектной моделью. Примером двухуровневого подхода является стандарт разработки информационных систем OpenEHR [13]. Одной из основных целей OpenEHR является объединение медицинских записей, созданных в информационных системах многих учреждений, в одной электронной карте пациента.На первом уровне стандарт OpenEHR опирается на стабильную базовую информационную модель-онтологию, называемую референтной моделью. Эта модель согласована с моделью архетипов. Архетип является частной моделью отдельных элементов знаний (медицинских терминов, процессов, явлений), соответствует реальным потребностям медицинских работников и может изменяться медицинскими аналитиками. Конкретные медицинские данные представлены на втором уровне системы в соответствии с референтной моделью и архетипами первого уровня. Такая архитектура значительно уменьшает вариабельность используемых данных в разных информационных системах, позволяет передавать информацию между системами и совмещать электронные записи пациентов.Но без объекта моделирования процесс моделирования невозможен. Методической основой извлечения экспертных знаний являются когнитивные и коммуникативные психологические методы. И в процедуре «добычи» знаний до сих пор не решены многие проблемы. Так, в настоящее время отсутствуют верифицированные методы извлечения и представления скрытых экспертных знаний, которые являются исключительно важными для разработки экспертных систем.Представляется, что разработка современных и доступных для аналитиков психологических методов извлечения знаний ускорит и увеличит эффективность разработки баз знаний и интеллектуальных компьютерных программ.Литература1..Shortliffe Е-Н. Knowledge engineering for medical decision making / E.H. Shortliffe, D.G. Buchaman, E.A. Feigenbaum // Rev. Computer-based Clin. Decision Aids. 1979. Vol. 67, № 9. P. 1207-1223.2..Приобретение знаний / С. Осуга, Ю. Саэки (ред.). М.: Мир, 1990.3..Червинская К.Р. Медицинская психодиагностика и инженерия знаний / К.Р. Червинская. О.Ю. Щелкова. СПб.: Ювента, 2002.4..Франселла Ф. Новый метод исследования личности: руководство по репертуарным личностным методикам /Ф. Франселла, Д. Баннистер. М.:Прогресс, 1987.5..МипскииМ.Л. Фреймы для представления знаний / М.Л. Минский. М.; Энергия, 1979.6..QuiUian M.R. Semantic memory / M.R. Quillian 11 Semantic Information Processing / Ed. by M. Minsky. Cambridge. Massachusetts: MIT Press, 1968. P. 216-270.7..КузнецовП.П. Семантические представления / И.П. Кузнецов. М.: Наука, 1986.8.Уотермен Д. Руководство по экспертным системам / Д. Уотермен. М.: Мир, 1989.9..Уэно X. Представление и использование знаний / X. Уэно, М. Исидзука (ред.). М.: Мир. 1989.10..Кяещев А.С. Определение структурных свойств онтологий // Изв. РАН. Теория и системы управления. 2008. №2. С. 69-7811..Алпатов А.П. Госпитальные информационные системы: архитектура, модели, решения/А.П. Алпатов, Ю.А. Прокопчук, В.В. Костра. Днепропетровск: УГХТУ, 2005.12.Гусев А.В. Медицинские информационные системы / А.В. Гусев, Ф.А. Романов.И.П. Дуданов, А.В. Воронин. Петрозаводск: Изд-во ПетрГУ, 2005.13.ISO 18308 Requirements for an Electronic Health Record Reference Architecture [Электронный ресурс]. Режим доступа:

Скачать электронную версию публикации