Обобщения примеры: приведите пример пожалуйста обобщения — Школьные Знания.com — Общие дети, г. Воронеж

Этап 6. ОБОБЩЕНИЯ ЗАТРУДНЕНИЙ ВО ВНЕШНЕЙ РЕЧИ // Уроки рефлексии // ГБОУ Лицей № 410

Этап 6. ОБОБЩЕНИЯ ЗАТРУДНЕНИЙ ВО ВНЕШНЕЙ РЕЧИ // Уроки рефлексии // ГБОУ Лицей № 410

Этап 6. ОБОБЩЕНИЯ ЗАТРУДНЕНИЙ ВО ВНЕШНЕЙ РЕЧИ

Этап обобщения затруднений во внешней речи
Основной целью этапа обобщения затруднений во внешней речи является закрепление способов действий, вызвавших затруднение.
Для реализации этой цели:
1)организуется обсуждение типовых затруднений;
2)проговариваются формулировки способов действий, которые вызвали затруднения.
Особое внимание здесь следует уделить тем учащимся, у которых возникли затруднения, — лучше, чтобы именно они проговорили вслух правильные способы действий.

Цель этапа	Приемы	УУД
Обобщение затруднений в устной речи, закрепление способов действий, вызвавших затруднения		Коммуникативные УД умение слушать и вступать в диалог;  интегрироваться в группу сверстников и строить продуктивное взаимодействие и сотрудничество со сверстниками и взрослыми. планирование учебного сотрудничества с учителем и сверстниками; инициативное сотрудничество в поиске и сборе информации; разрешение конфликтов; управление поведением партнера; умение выражать свои мысли в  соответствии с условиями коммуникации;

«Шесть шляп«

Описание: рефлексивный прием, способствующий организации рефлексии на уроке.
Формирует:

• умение осмысливать свой опыт;
• умение давать личностную оценку событиям, явлениям, фактам;
• ценностное отношение к окружающему миру и самому себе.

Учащихся можно разделить на группы и предложить приобрести одну из шляп. Обладателям шляп необходимо дать оценку событиям, фактам, результатам деятельности в зависимости от цвета.
Пример.
Белая шляпа символизирует конкретные суждения без эмоционального оттенка.

Желтая шляпа – позитивные суждения.
Черная – отражает проблемы и трудности.
Красная – эмоциональные суждения без объяснений.
Зеленая – творческие суждения, предложения.
Синяя – обобщение сказанного, философский взгляд.

«Связи«

Описание: универсальный прием-игра ТРИЗ.
Формирует:

• умение находить связи между объектами в системе;
• умение устанавливать связи между объектами, находящимися в различных надсистемах путем построения цепочки связанных объектов;
• умение устанавливать связи между любыми объектами.

Учитель задает (или ученики выбирают) два объекта, на первый взгляд никак не связанные между собой (как вариант, объекты выбираются случайным образом, например, с помощью кубика). Дети строят цепочку объектов и взаимодействий между ними так, чтобы первое взаимодействие начиналось от одного из исходных объектов, а последнее заканчивалось вторым объектом.
Пример1.
У: Древние мудрецы говорили: «Трогая траву, не потревожь звезду…». Согласны ли вы с этим утверждением, можете ли его объяснить… Действительно, в мире все связано со всем, и мы попробуем сейчас это доказать. Назовите два как можно более различных, далеких друг от друга, объекта.

Д: Вулкан – тетрадь.
У: Принимается. Наша задача построить цепочку, которая показала бы, как связаны эти два объекта.
Д: Слово «вулкан» написали в тетради.
У: Хорошо. А теперь давайте все же попробуем связать реальный вулкан с реальной тетрадью, например, с той, что лежит у меня на столе. Не обязательно искать прямую связь, можно связать их через другие объекты, построить длинную цепочку.
Д: Из вулкана сыпется пепел, он летит по воздуху. Кусочек пепла примешался к капельке воды. Эта капелька попала в океан, а оттуда – в Белое море. Потом она испарилась, был ветер, поток воздуха принесло к нам, он залетел в форточку и попал на тетрадь. ..
У: Замечательно. Кто предложит другие варианты…?
Пример 2.
У: Мы будем играть в игру «связи в природе». Для этого нам потребуются два кубика. На каждой грани написано название какого-то природного объекта: солнце, воздух, почва и т. Бросаем кубики. Дети подбрасывают кубики, на одном выпадает почва, на другом – птица.
У: Ваша задача – найти связи между этими природными объектами. Кто найдет, к тому переходит ход.

Д: В земле развиваются гусеницы, а птицы их клюют.
У: Принимается. Бросай кубики… и т. д.

«Зигзаг«

Описание: Данную стратегию уместно использовать для развития у школьников следующих умений: • анализировать текст совместно с другими людьми; • вести исследовательскую работу в группе; • доступно передавать информацию другому человеку; • самостоятельно определять направление в изучении какого-то предмета с учетом интересов группы.

Пример.
прием используется для изучения и систематизации большого по объему материала. Для этого предстоит сначала разбить текст на смысловые отрывки для взаимообучения. Количество отрывков должно совпадать с количеством членов групп. Например, если текст разбит на 5 смысловых отрывков, то в группах (назовем их условно рабочими) — 5 человек.

«Генераторы-критики«

Описание: Педагог ставит проблему, не требующую длительного обсуждения. Формируются две группы: генераторы и критики.
Пример.
Задача первой группы — дать как можно большее число вариантов решений проблемы, которые могут быть самыми фантастическими. Все это делается без предварительной подготовки. Работа проводится быстро. Задача критиков: выбрать из предложенных решений проблемы наиболее подходящие. Задача педагога – направить работу учащихся так, чтобы они могли вывести то или иное правило, решить какую-то проблему, прибегая к своему опыту и знаниям.

Данный метод можно использовать для активизации самостоятельной работы учащихся.

«Публичное выступление«

Технология приема:
Подготовить публичное выступление по теме определенной продолжительности.
Пример 1: «Мое турагентство».
В ходе выступления ответить на следующие вопросы:

1.Название турфирмы.
2.Способы доставки туристов к месту и способ их перемещения.
3.Продолжительность туров.
4.Описание маршрута и основных достопримечательностей, посещение которых планируется.
5.Место ночлега, если продолжительность тура более 1 дня.
6.Оборудование и снаряжение, которым располагает турфирма.
7.Стоимость экскурсии с обоснованием.
Пример 2:
Найти на карте новые названия этих городов, государств, островов. Подготовить доклад о причинах переименования.
1.Государство Британский Гондурас в Центральной Америке. (17°с. ш.,88°з.д.)
2.Государство Сиам в Азии. (16° с. ш., 101’в. д.)
3.Государство Бирма в Азии. (21°с. ш., 95°в. д.)
4.ГородСайгон, Вьетнам. (1Гс. ш., 107°в. д.)
5.Южная Родезия. (17’ю. т., 29°в. д.).
6.Остров Формоза, Китай. (24°с. ш., 121°в. д.)

«Перекрестная дискуссия»

Данный прием помогает избежать одностороннего суждения при возникновении спорных вопросов. Порядок проведения дискуссии:

• Сформулируйте вопрос.
• Составьте таблицу для записи аргументов:

Да (за) Нет (против)

•  
• аргументы
• 1.
• аргументы
•  
• Составить список аргументов (в каждой графе обязательно).
• Обменяться аргументами в группе, классе (в таблицу вписать наиболее интересные).
• Записать свой вывод: Да, потому что…. Нет, потому что…

Прием может использоваться при подготовке к эссе, сочинению дебатам, полемике, закончить очерком, построенным по следующей схеме:

• Моя позиция.
• Краткое обоснование.
• Возможные возражения.
• Доказательство правильности моей позиции.
• Заключение.

«Реклама«

Описание: учитель предлагает прорекламировать предмет, на подготовку 5- 10 мин. Работу можно организовать в группе.

Пример. Создайте рекламу Серебряному веку Русской поэзии. Придумайте слоган таблице умножения.

generalize | Microsoft Docs

• 09/13/2021
• Чтение занимает 2 мин

В этой статье

этап настройки generalize Windows® установки используется для создания Windows эталонного образа, который можно использовать в организации. Параметры на этапе настройки обобщения позволяет автоматизировать поведение всех развертываний этого эталонного образа. В сравнении параметры, применяемые на этапе настройки specialize , позволяют переопределить поведение для отдельного конкретного развертывания.

когда система обобщена, удаляются определенные данные конфигурации для данной установки Windows. Например, на этапе настройки обобщения уникальный идентификатор безопасности (SID) и другие параметры, относящиеся к оборудованию, удаляются из образа.

Этап настройки generalize выполняется только при использовании команды Sysprep с параметром /generalize . Параметры файла ответов в <generalize> разделе файла ответов применяются к системе перед обобщением Sysprep . Затем система завершает работу.

На следующей схеме показан процесс этапа настройки generalize .

Этап настройки specialize запускается сразу после следующей загрузки системы. при запуске Sysprep можно решить, будет ли Windows загружаться в режиме аудита или Windows добро пожаловать с помощью параметра /audit или /oobe. этап настройки specialize всегда запускается после обобщенного компьютера, независимо от того, настроен ли компьютер для загрузки в режиме аудита или Windows добро пожаловать.

любой способ перемещения или копирования образа Windows на новый компьютер должен быть подготовлен с помощью команды sysprep/generalize . дополнительные сведения см. в разделе Sysprep (generalize) a Windows установки.

Как работают этапы настройки

auditSystem

Этап

offlineServicing

oobeSystem

specialize

Этапе

Счет 25 «Общепроизводственные расходы» / КонсультантПлюс

СЧЕТ 25 «ОБЩЕПРОИЗВОДСТВЕННЫЕ РАСХОДЫ»

Счет 25 «Общепроизводственные расходы» предназначен для обобщения информации о расходах по обслуживанию основного производства и управлению отраслями, цехами, отделениями и другими подразделениями.

К общепроизводственным расходам относят затраты на оплату труда, отчисления на социальные нужды аппарата управления отраслей и подразделений, амортизационные отчисления, основных средств отраслевого назначения, затраты на мероприятия по охране труда и технике безопасности, расходы на транспортное обслуживание работ и другие расходы, связанные с обслуживанием отраслей основного производства (арендная плата за основные средства общепроизводственного назначения, расходы по содержанию машин и оборудования).

Учет бригадных (фермских), цеховых расходов в растениеводстве, животноводстве, промышленном производстве должен осуществляться раздельно с целью включения в себестоимость той продукции, с производством которой они связаны.

Общепроизводственные расходы ежемесячно или ежеквартально (в нормативном или плановом размере) относят на счета по учету затрат на производство по принадлежности и включают в себестоимость продукции (работ, услуг).

Общепроизводственные расходы учитывают по субсчетам:

25-1 «Растениеводства»;

25-2 «Животноводства»;

25-3 «Промышленных производств».

Сельскохозяйственные организации и подсобные сельские хозяйства общепроизводственные расходы распределяют в течение года по объектам учета растениеводства и животноводства (в нормативном или плановом размере) с корректировкой в конце года. При этом бригадные (фермские) расходы относят на затраты только того подразделения, где они имели место.

Общеотраслевые расходы включают в себестоимость продукции только соответствующей отрасли.

Организации агросервиса на субсчете 25-3 учитывают общепроизводственные (цеховые) расходы по видам производств.

СЧЕТ 25 «ОБЩЕПРОИЗВОДСТВЕННЫЕ РАСХОДЫ»

КОРРЕСПОНДИРУЕТ СО СЧЕТАМИ:

N п/п	Содержание операции	Корреспондирующий счет
1	2	3
1	По дебету счета Начисление амортизации по основным средствам общепроизводственного назначения	02
2	Начисление амортизации по нематериальным активам	05
3	Использование материальных ценностей на общепроизводственные цели	10
4	Использование инвентаря и хозяйственных принадлежностей на общепроизводственные цели	10
5	Списание отклонений в стоимости материалов (при применении счетов 15, 16)	16
6	Оказание услуг вспомогательными производствами на общепроизводственные нужды	23
7	Списание денежных документов на общепроизводственные нужды	50
8	Списание стоимости услуг сторонних организаций для общепроизводственных целей	60
9	Начисление платежей по налогам и сборам	68
10	Отчисления на социальные нужды	69
11	Начисление оплаты труда персоналу общепроизводственного назначения	70
12	Отнесение командировочных расходов общепроизводственного персонала и сумм расходов, произведенных подотчетными лицами	71
13	Отражение услуг, работ, выполненных для общепроизводственных целей:
	— прочими кредиторами	76
	— подразделениями, состоящими на отдельном балансе	79
14	Списание стоимости недостач и потерь материальных ценностей (кроме отнесенных на потери от стихийных бедствий и на виновные лица), выявленных при инвентаризации в цеховых кладовых	94
15	Включение в общепроизводственные расходы отчислений в резервы предстоящих расходов	96
16	Списание расходов будущих периодов на общепроизводственные нужды отчетного периода	97
17	По кредиту счета Оприходование возвратных материалов, не использованных на общепроизводственные цели	10
18	Отнесение общепроизводственных (цеховых) расходов на:
	— основное производство	20
	— полуфабрикаты собственного производства (кроме сельскохозяйственного производства)	21
	— вспомогательные производства	23
	— исправление брака в производстве	28
	— расходы будущих периодов	97
19	Отражение части общепроизводственных расходов на обособленные подразделения	79
20	Списание части общепроизводственных расходов в связи с чрезвычайными обстоятельствами	99

Открыть полный текст документа

Использование операторов объединения строк и подстановочных знаков в Numbers на Mac

Оператор объединения строк (&) используется в формулах для сцепления (объединения) двух и более строк или содержимого ячеек, на которые даны ссылки. Подстановочные символы (*,?,~) используются для представления одного или нескольких символов в условиях.

Сцепление строк или содержимого ячеек

Символ & используется для сцепления (объединения) двух и более строк или содержимого ячеек, на которые даны ссылки.

Примеры использования оператора сцепления.

• «Абв»&»Где» возвращает «АбвГде».

• «Абв»&A1 возвращает «Абв2», если ячейка A1 содержит 2.

• A1&A2 возвращает «12», если ячейка A1 содержит 1, а ячейка A2 содержит 2.

• B2&», «&E2 возвращает «Последний, Первый», если ячейка B2 содержит «Последний», а ячейка E2 содержит «Первый».

Использование подстановочного символа для представления любого одиночного символа

Символ ? представляет один символ в выражении, в котором можно использовать условия.

Примеры использования подстановочного символа ? в шаблонах подстановки.

• «Ка?» представляет любую строку, которая начинается с «Ка» и содержит ровно один дополнительный символ, например «Ка2» или «Каж».

• «Эт??» представляет любую строку, которая начинается с «Эт» и содержит ровно два дополнительных символа, например «Этих» или «Этим».

• СЧЕТЕСЛИ(B2:E7;»?ол») возвращает количество ячеек в диапазоне B2:E7, содержащих значение, которое начинается с любого символа и после которого идут символы «ол», например «кол» и «вол». Такие слова, как «скол» и «ствол», не удовлетворяют этому условию.

Использование подстановочного символа для представления любого количества символов

Символ * представляет любое количество символов (включая отсутствие символов) в выражении, в котором можно использовать условия.

Примеры использования подстановочного символа * в шаблонах подстановки.

• «*ег» представляет строку любой длины, оканчивающуюся на «ег», например «бег» или «снег».

• СЧЕТЕСЛИ(B2:E7;»*ек») возвращает количество ячеек в диапазоне B2:E7, содержащих значение, которое оканчивается на «ек», например «человек» и «век». Слово «веко» не удовлетворяет этому условию.

Представление подстановочного символа

Символ ~ означает, что следующий символ представляет сам себя, а не используется как подстановочный символ в выражении, в котором можно использовать условия.

Примеры использования символа ~ в шаблонах подстановки.

• Примеры использования символа ~ в шаблонах подстановки.

• «~?» представляет вопросительный знак, а не подстановочный символ, используемый для представления любого одиночного символа.

• СЧЕТЕСЛИ(E;»~*») возвращает количество ячеек в столбце E, содержащих символ звездочки.

• ПОИСК(«~?»;B2) возвращает 11, если ячейка B2 содержит «Это вопрос? Да!», поскольку вопросительный знак является 11-м символом строки.

Использование нескольких подстановочных символов в условии

Подстановочные символы (? * ~) можно сочетать в выражениях, в которых можно использовать условия. Примеры:

• «*а?» представляет любое выражение, содержащее символ «а», после которого идет еще один любой одиночный символ, например «смак», «шар» и «кочан».

• СЧЕТЕСЛИ(B2:E7;»*не?») возвращает количество ячеек в диапазоне B2:E7, содержащих значение, которое начинается с любого количества символов (включая отсутствие символа), после которого идет «не» и еще один символ. Этому условию удовлетворяют слова «снег», «лайнер», «венец» и «фитнес». Такие слова, как «абонент» (два символа после «не») и «граждане» (нет символов после «не»), не удовлетворяют этому условию.

Передовой педагогический и инновационный опыт

Передовой педагогический и инновационный опыт

 

 

 

Обобщением педагогического опыта учителя географии гимназии №4 города Курска Филипповой Анны Викторовны по теме «Использование современных технических средств обучения и интерактивных технологий на уроках географии». Подробнее

Обобщением педагогического опыта учителя биологии школы №56 города Курска Пироговой Людмилы Вячеславовны по теме «Развитие познавательных способностей учащихся на уроках биологии с применением новых образовательных технологий». Подробнее

Обобщение передового педагогического опыта работы учителя истории школы № 59 города Курска Падоговой Марины Валерьевны по теме «Патриотическое воспитание учащихся средствами музейной педагогики в преподавании истории и во внеурочной деятельности». Подробнее

Обобщение передового педагогического опыта работы учителя географии МБОУ «Лицей № 21» г. Курска Мусской Татьяны Михайловны по теме «Особенности формирования системы геолого-геоморфологических знаний обучающихся через систему дидактических игр». Подробнее

Обобщение передового педагогического опыта работы педагога дополнительного образования Захаровой Ирины Анатольевны по теме «Развитие музыкальных способностей детей младшего школьного возраста в детском объединении «Перезвон». Посмотреть №1, №2, №3, №4, №5, №6.

Обобщение педагогического опыта Ломакиной Галины Алексеевны учителя химии МБОУ «Средняя общеобразовательная школа № 36» г. Курска по теме «Усиление практической направленности уроков химии посредством формирования ключевых компетенций обучающихся» Посмотереть № 1, № 2.

Из опыта работы учителей начального общего образования МБОУ «СОШ №10 им. Е.И.Зеленко» г. Курска Структурные единицы урока технологии в начальной школе в соответствии с ФГОС НОО. Посмотреть №1, №2, №3.

Обобщение опыта работы учителя географии Музылевой Елены Васильевны по теме «Применение ИКТ на уроках географии»МБОУ «СОШ №10 имени Е.И. Зеленко» г. Курска. посмотреть

Обобщение опыта работы педагога дополнительного образования Арцыбашевой Ольги Васильевны по теме «Формирование навыков самоконтроля у детей 6-7 лет через продуктивные виды деятельности». посмотреть

Игровая реконструкция как форма защиты творческого проекта в детском объединении «Авиамоделирование» (описание опыта работы педагога дополнительного образования Славкова Владимира Ивановича). посмотреть

Обобщение опыта работы Правдиной Анны Леонидовны, педагога дополнительного образования по теме «Использование самостоятельных и контрольных работ по изобразительному искусству для формирования регулятивных универсальных учебных действий» посмотреть

 Обобщение опыта работы педагогов дополнительного  образования  Мезенцевой Елены Александровны,  Пугачевой Татьяны Александровны, Шпилько Екатерины Олеговны  по теме «Внедрение нетрадиционных техник рисования в образовательный процесс»просмотреть

Обобщение опыта работы Горючкиной Дины Владимировны, методиста, педагога дополнительного образования муниципального бюджетного учреждения дополнительного образования «Дом детского творчества Железнодорожного округа» по теме «Развитие коммуникативных навыков и речевой культуры как один из способов успешной социализации подростков» посмотреть

 

Обобщение опыта работы учителя математики гимназии № 44 Громашевой Н. В.     просмотреть

 

Обобщение опыта педагогической работы Синяковой Марины Владимировны, учитель русского языка и литературы высшей категории, почетный работник общего образования  Российской Федерации, победитель конкурса лучших учителей Российской Федерации     просмотреть

 

Обобщение опыта педагогической работы учителя математики М.А. Гончаровой по теме «Организация проектной и учебно-исследовательской деятельности на уроках математики и во внеурочное время»

просмотреть

Инновационный проект МБОУ «Гимназия № 4»                                                    просмотреть

Инновационный проект МБДОУ «Детский сад комбинированного вида № 84»  просмотреть

Инновационный проект МБОУ «Лицей № 21»                                                        просмотреть

Инновационный проет МБДОУ «Центр развития ребенка — детский сад № 98»    просмотреть

Методические рекомендации по созданию модели работы с молодыми специалистами в образовательной организации посмотреть

Методические рекомендации по созданию условий для повышения профессиональной компетентности  современного учителя посмотреть

 

 

Обобщение (философия) — это.

.. Что такое Обобщение (философия)?

Обобщение понятий — логическая операция, посредством которой в результате исключения видового признака получается понятие более широкого объема. Например, «доверенность» — «документ» — «деловая бумага».

Обобщение, форма приращения знания путём мысленного перехода от частного к общему в некоторой модели мира, что обычно соответствует и переход на более высокую ступень абстракции. «Мысленное выделение каких-нибудь свойств, принадлежащих некоторому классу предметов, и формулирование такого вывода, который распространяется на каждый отдельный предмет данного класса.»^[1]

Пример: переход от наблюдения над совокупностями индивидуализированных объектов к мысленному их разбиению на классы равночисленных совокупностей и далее к понятию натурального числа.

Проблема научно-теоретического обобщения

Проблема научно-теоретического обобщения состоит в следующем. Отличается ли научно-теоретическое обобщение (понятие), претендующее на всеобщность и необходимость, от любого эмпирически-индуктивного «обобщения»?

Сложности, здесь возникающие, остроумно обрисовал Б. Рассел в виде забавной притчи:

живет в курятнике курица, каждый день приходит хозяин, приносит ей зернышек поклевать, курица, несомненно, сделает отсюда вывод: появление хозяина связано с появлением зернышек. Но в один прекрасный день хозяин явится в курятник не с зернышками, а с ножом, чем убедительно и докажет курице, что ей не мешало бы иметь более тонкое представление о путях научного обобщения… .

Обобщение как задача искусственного интеллекта

Формулирование задачи было сделано Ф. Розенблаттом.

В эксперименте по «чистому обобщению» от модели мозга или перцептрона требуется перейти от избирательной реакции на один стимул (допустим, квадрат, находящийся в левой части сетчатки) к подобному ему стимулу, который не активизирует ни одного из тех же сенсорных окончаний (квадрат в правой части сетчатки). К обобщению более слабого вида относится, например, требование, чтобы реакции системы распространялись на элементы класса подобных стимулов, которые не обязательно отделены от уже показанного ранее (или услышанного, или воспринятого на ощупь) стимула.

Так же как и в случае экспериментов по различению, и в этом случае можно исследовать спонтанное обобщение, при котором критерии подобия не вводятся извне или не навязываются экспериментатором, и принудительное обобщение, при котором экспериментатор с помощью соответствующей процедуры «обучает» систему понятию подобия.

Ссылки

1. ↑ Кондаков Н.И. Логический словарь-справочник, Изд. 2, М.:Наука, 1975, с. 395, «Обобщение».

Литература

• Коротаев А. В., Малков А. С., Халтурина Д. А. Законы истории. Математическое моделирование развития Мир-Системы. Демография, экономика, культура. 2-е изд. М.: УРСС, 2007.
• Коротаев А. В., Комарова Н. Л., Халтурина Д. А. Законы истории. Вековые циклы и тысячелетние тренды. Демография, экономика, войны. 2-е изд. М.: УРСС, 2007.
• Ильенков Э.В. Диалектическая логика. Очерки истории и теории. 2‑е изд., доп. М.: Политиздат, 1984. – 320 с.
• Мате Э., Тиксье Д. Логистика. С-Петербург: Дом «Нева», 2003. 120 с.

Смотри также

Wikimedia Foundation. 2010.

Вред обобщений: почему теория поколений не работает

Теория поколений впервые была описана в 1991 году, когда Нейл Хоув и Уильям Штраус выпустили книгу, рассказывающую о биографиях представителей различных поколений. В 1997 году они уже подробно описали свою теорию как цикличное повторение моделей поведения различными поколениями. Идея авторов заключалась в том, что происходящие в политике и экономике события влияют на формирование человека как личности и во многом определяют его поведение, в том числе в работе. Хоув и Штраус изложили свою теорию ярко и убедительно, но, согласитесь, мысль не нова.

Про спиральное развитие истории говорили и гораздо раньше, причем применительно к совершенно разным областям — к экономике, и, например, моде. В этом отношении повальное увлечение теорией поколений и стремление описать любые поступки сотрудников, основываясь на получивших новые смыслы буквах X, Y, Z, выглядит как пустое навешивание ярлыков. Поколенческая теория отразилась не только на HR-сфере, но и получила большую популярность в маркетинге. Однако в современном мире, когда способов анализировать аудиторию невероятное множество, а ценность каждого маркетингового сообщения теперь заключается в точном попадании в интересы конкретного потребителя (индивидуальные предложения, таргетинг, пуш-уведомления и многое другое), деление аудитории на такие крупные группы по возрасту кажется очень грубой. Все больше брендов переходит от количества к качеству аудитории, выстраивая работу с микроинфлюенсерами.

Один из критиков теории Нирадж Давар, профессор маркетинга в бизнес-школе имени Ричарда Айви (Канада), пишет: «Разделение потребителей на поколения на основании года их рождения является одной из самых примитивных форм сегментации. Сегодня на фоне повсеместного использования смартфонов эти методы кажутся такими же устаревшими, как наборный диск телефона».

Реклама на Forbes

Мир слишком большой

Теория поколений была создана американцами и как бы вписана в историю США — имела привязку к событиям в этой стране в разное время. Но даже Америка слишком большая для того, чтобы одинаково описывать поколения, взрощенные в респектабельных районах Калифорнии, и, например, жителей Айовы, где исторически жили фермеры. Поэтому экстраполируя теорию поколений на жителей европейских стран, получается выделить только самые общие тенденции, отразившиеся на всех и являющиеся следствием развития всего человечества, и даже преимущественно — технологий. Территория нашей страны настолько велика, что любая федеральная компания видит совершенно разные особенности мотивации у сотрудников в зависимости от региона. Обобщения в этом отношения скорее вредны, так как с помощью них можно выделить наиболее популярные факторы, а самой ценной информацией при работе с сотрудниками наоборот является специфика каждой целевой аудитории. Например, если мы будем пытаться привлечь молодых специалистов в компанию, используя количественные исследования мотивации, то будем ориентироваться на самые популярные ответы о мотиваторах — достойная зарплата и удобный график работы. На этой информации построить отличную от конкурентов кампанию по привлечению талантов точно не получится.

Теория отражает лишь часть факторов

Даже если адаптировать теорию поколений под реалии конкретной страны и города (а для России конкретный регион, о котором идет речь, действительно, крайне важен), то вырабатывать HR-политику и вести проекты на основании только этой теории — плохая идея. Например, одна из компаний FMCG-сектора, ориентируясь на молодежную аудиторию, решила ввести для молодых сотрудников возможность удаленной работы, надеясь тем самым сильно увеличить их лояльность. Каково же было удивление работодателя, когда около 30% отпущенных в свободное плаванье специалистов попросились обратно: кто из-за неспособности себя дисциплинировать самостоятельно, кто из-за желания постоянно находится «в тусовке». Забавный факт — первым назад попросился ИТ-разработчик. Хотя, казалось бы…

Помимо исторических обстоятельств, в которых происходит формирование личности, влияние на нее оказывает огромное количество других факторов, которые могут полностью нивелировать первое. Семья, отношения с родственниками, уровень дохода родителей, окружение, друзья, школа, наличие увлечений, занятия спортом — это огромный комплекс факторов, который влияет на формирование человека. Теория поколений — только небольшая деталь в этом пазле. Пример из жизни: недавно на стартовую позицию в одну FMCG-компанию мы искали ассистента департамента продаж с перспективами роста. У нас был отличный кандидат, но он был слишком молод — заказчик сказал, что не готов рассматривать представителей поколения Z, так как они «гедонисты, не готовые бороться за результат несмотря ни на что». Мы убедили заказчика встретиться с молодым человеком, и его приняли на работу, потому что с четырех лет он занимался хоккеем: четыре тренировки в неделю, нацеленность на результат, ответственность перед тренером — лучшего достигатора просто невозможно найти.

Мы слишком медленные

Все говорят о том, что мы живем в быстро меняющемся мире, во времена VUCA (volatility — нестабильность, uncertainty — неопределенность, complexity — сложность и ambiguity — неоднозначность), когда наши решения должны приниматься в условиях неопределенности. При этом, если проследить реакцию компаний на появление новых трендов, можно честно признать: мы медленные. Как происходят изменения в компаниях на российском рынке? Сначала тренд появляется в Европе или Америке. К нам его привозят зарубежные бизнес-гуру или самые продвинутые эксперты, читающие западную литературу и посещающие зарубежные мероприятия. Затем мы проводим исследования: работает ли это у нас? После проект внедряют самые передовые — российские представительства зарубежных компаний. Мы собираем данные и результаты, слушаем об их опыте на конференциях, рисуем прогнозы и проекты, защищаем бюджеты, тестируем локально, пишем планы по внедрению. Внедряем.

Исследование YounGo 2018 года показало, что компании готовы к работе с представителями поколения Y, однако при этом 70% респондентов отметили, что главным открытием последнего года считают то, что требования молодежи к работодателям изменились. Что это значит? Пока компании разрабатывали программы по привлечению и развитию сотрудников поколения Y, на рынок труда уже вышли Z-ты. Сегодня нужны быстрые решения, гибкие и простые, а главное — смелость быстро отказываться от одних проектов и заменять их новыми, сохраняя высокое качество и полную отдачу. А это дается тяжело.

Обобщающий урок для детей: определение и примеры

Что такое обобщение?

В рассказе, который вы только что прочитали, Эллисон и Мэтт сделали несколько обобщений . Обобщение — это утверждение, которое применяется к группе людей или вещей на основе некоторых примеров. Кто-то смотрит на доказательства или примеры и приходит к выводу о том, что они означают. Например, тот, кто любит читать и имеет друзей, которые любят читать, может прийти к выводу: «Все, кто любит читать, умны.»

Некоторые обобщения действительны или верны; другие обобщения неверны. Когда обобщения основаны на многих, многих примерах, они более вероятны, чем если бы они основывались только на нескольких примерах.

Давайте еще раз посмотрим на рассказ, чтобы найти некоторые обобщающие утверждения.

Все птицы откладывают яйца

«Все птицы откладывают яйца», — заявление Эллисон является обобщением. Он утверждает факт, который должен быть правдой в отношении каждого члена группы.Эллисон говорит, что все птицы (группа) откладывают яйца (факт, который должен быть правдой). В этом случае Эллисон права. Все птицы откладывают яйца. Она не привела никаких примеров в рассказе, но вы могли бы привести сотни примеров, которые показали бы, что это обобщение справедливо.

Все рептилии откладывают яйца

Когда Мэтт говорит, что «все рептилии откладывают яйца», он также обобщает. Все ли рептилии откладывают яйца? Эллисон ставит под сомнение его обобщение, основанное на том, что она узнала о удавах.Обобщение Мэтта на самом деле неверно; все рептилии не откладывают яиц. Большинство из них, но есть некоторые исключения. В этом случае вы можете привести множество примеров рептилий, которые откладывают яйца, но есть также примеры рептилий, которые не откладывают яйца, например удав. Следовательно, это обобщение неверно. Мэтт мог бы сказать: «Большинство рептилий откладывают яйца». Это было бы правильным обобщением.

Все змеи — рептилии

Заявление Эллисон о том, что «… все змеи — рептилии», также является обобщением.Это верное обобщение: все змеи — рептилии. Опять же, вы можете придумать много-много примеров, подтверждающих это утверждение, чтобы показать, что это действительное обобщение.

Сигнальные слова

Следите за этими сигнальными словами; они намекнут, что сделанное заявление, вероятно, является обобщением:

• Нет
• Всегда
• Каждые
• Никогда
• Все
• Мост
• Все / все
• Обычно
• Обычно

Когда вы заметите обобщение, обязательно поищите доказательства, которые говорящий или автор использует для подтверждения сделанного вывода.Если приведено не так много примеров, подтверждающих это утверждение, обобщение может быть неверным.

Остерегайтесь сигнальных слов, таких как «каждый» или «все». Очень мало утверждений, которые можно сделать, если нет исключения, так часто обобщения с такими словами не правда.

Краткое содержание урока

Обобщение — это утверждение, сделанное о группе людей или вещей. Некоторые обобщения действительны , а другие нет.Следите за сигнальными словами, которые помогут вам обнаружить обобщения, и ищите доказательства или примеры, приведенные в поддержку вывода .

Детектив заблуждений

ВАЖНЫЙ: Внимательно прочтите это письмо. Внизу короткая викторина которую вы можете взять, если хотите. Если вы ответите на все вопросы правильно, то вы получите небольшой, неважный и вообще не такой уж и большой приз.

Обобщения

Мы все делаем общие выводы.То есть мы все делаем широкие комментарии о группе людей или вещей. Мы говорим что-то вроде:

«Что бы ни говорили, продавцам наплевать людям, которым они продают. Им просто нужны ваши деньги «.

Мы говорим это, потому что встретили много продавцов, услышали от наших друзей о многих продавцах, или когда-то мы сами были продавцом. Мы обобщаем каждый день, и это очень полезно. (Видите, это последнее предложение было обобщение.)

Мы делаем прогнозы относительно того, что кто-то собирается делать, прежде чем они делаем это, и иногда мы правы. Например: вы играете игра в Clue с Дженни и Бертом. Берт, после одного из своих ходов, с кривой улыбкой кладет карты и начинает изучать потолок равнодушно. Вы видели этот взгляд раньше. Это означает у него есть решение, и он вот-вот выиграет игру.

В следующий ход он побеждает.Вы знали, что он это сделает, потому что обобщили. Вы заметили, что он делал это в прошлых играх, когда выигрывал, и вы обобщили, что он сделает то же самое на этот раз.

Когда вы изучаете примеры людей или предметов в классе, вы взяв «образец», из которого вы сделаете обобщение о вещах в классе. Вы говорите: «Все продавцы ( класс вот «продавцы») хищники «или, «92.93% продавцов — хищники «- по данным ваше обобщение.

Если вы не знаете, что делаете, взятие образцов и обобщение может быть рискованным делом. Когда наши образцы и обобщения не проведенные должным образом, они называются «поспешным обобщением».

Я рассмотрю поспешные обобщения более подробно ниже. Прямо сейчас ты нужно знать …..

Некоторые комментарии к обобщениям, в частности, о том, как сделать хороших:

1.

Обобщения должны основываться на образцах, взятых из класса — не изучать всех или все в классе.

Если бы я исследовал каждого политика (здесь класс «все политиков «), которые когда-либо были, и выяснили, что все коррумпирован, а затем сказал об этом, я бы не стал обобщать, когда сказал «Все политики коррумпированы». Я бы сказал, что Я знал, что это правда.

2.Обобщение может быть сильным или слабым.

Обобщения полезны, потому что с ними вам не нужно изучите каждую вещь в классе, прежде чем сделать вывод. Если бы мы пытались выяснить, все ли политики коррумпированы, было бы очень утомительно исследовать каждого политика, который когда-либо существовал на планете (а недавно и в космосе), чтобы проверить, взял взятку.

Итак, обобщаем.Однако вы никогда ДЕЙСТВИТЕЛЬНО не знаете, действительно ли ваш обобщение будет совершенно правильным, пока вы не изучите каждый политик; всегда есть шанс, что позже ты найдешь тот, кто не коррумпирован.

Следовательно, мы должны сказать, что обобщение не может быть истинным или ложным; он может быть только сильным или слабым. Сильное обобщение — это то, что скорее будет правильным.

3. Любое обобщение должно быть ниспровергнуто или, по крайней мере, должно быть с поправкой на один случай наоборот.

Если бы я изучил 3 000 000 политиков по всему миру и обнаружил, что что они все коррумпированы, я могу обобщить, что все политики коррумпированы. Но если бы я нашел хоть одного политика, который не был коррумпирован (может, он где-то в джунглях жил и не показывался до переписи), мне пришлось бы выбросить свое обобщение — или, по крайней мере, изменить его: «Все политики — кроме один из тех, кого я знаю, живущий в джунглях — коррумпирован.» Или: «Все политики, которых я изучал, коррумпированы». Или, еще лучше: «Большинство политиков коррумпированы».

4. Обобщение усиливается при нахождении большей выборки. и найдя более репрезентативные образцы.

Хорошее обобщение — это то, что исследует большую выборку, которая распространяется по всем углам изучаемого класса. я буду рассмотрим это более подробно далее.

Поспешные обобщения.

Самая распространенная логическая ошибка — это поспешное обобщение. Ах, вот и еще одно обобщение!

Поспешное обобщение — это то, в котором кто-то обобщает класс или группа — скажем, «все итальянцы» — основанные на маленькой и плохой выборке; возможно, только итальянцы, которые живут по соседству.

Примеры этого можно найти везде (обобщение) — особенно когда мы покупаем вещи.Мы склонны делать обобщения по поводу бренды.

Здесь, в дебрях Иллинойса, люди склонны обобщать много о брендах. У всех фермеров есть хотя бы один пикап — крупный пикап для вождения — и несколько второстепенных «резервных копий» пикапы, которые служат время для украшения газонов.

Каждый фермер будет отдавать предпочтение одной марке пикапов. Некоторые фермеры являются фермерами Ford, а другие — фермерами Chevy.(А Растущее меньшинство составляют фермеры Dodge.) Каждый думает, что его бренд — это Лучший.

А причина их верности? «Ну,» фермер Макдональд. скажет: «Когда-то у меня был Форд, и это было старье. Теперь я только привод Chevies. »

Итак, весь опыт фермера Макдональда с грузовиками Ford получен из это единственный образец. Это хороший повод судить обо всех грузовиках Ford? При дальнейшем нажатии фермер Макдональд признается: его несчастный Форд действительно был старьем, 15-летним старым барахлом, купленным подержанным, и все фермерское Последующие Chevies McDonald’s были куплены новыми и проданы досрочно.

Таким образом, его образец грузовиков Ford не может быть репрезентативным.

У фермера Брауна, чуть позже, есть похожая история: «Я только купить грузовики форд. Когда-то у меня был шевроле, и это было старье ». Конечно, ветхая Chevy фермера Брауна тоже знала лучшие времена прежде, чем он впервые принес его домой.

Может быть, грузовики Ford — утиль. Может быть, грузовики Chevy — утиль. Но пока Фермер Макдональд и фермер Браун могут быть правы, называя их собственными грузовики «барахло», им нужно увидеть намного больше грузовиков, прежде чем они могут точно сказать, что один бренд лучше другого.Их обобщение поспешно.

НЕКОТОРЫЕ СПОСОБЫ ОБОБЩЕНИЯ ЛЮДЕЙ:

1. Слишком маленький образец.

Поспешные обобщения обычно не занимают достаточно больших образец. Если наша выборка окажется недостаточно большой, мы рискуем найти образец, который не является репрезентативным для класса, который мы изучаем.

Все мы знаем, что подбрасывание монеты приведет к тому, что она упадет наполовину. время идет орлом, а половина времени идет хвостом.Однако это не означают, что если мы подбросим его четыре раза, мы увидим дважды орел и решку дважды. Даже если мы подбросим его дюжину раз, мы можем не увидеть равных количество орлов и решек. Чтобы реально увидеть головы и решки даже выпадут, нам нужно подбрасывать его еще много-много раз — скажем, сотню, тысячу или больше — и даже тогда мы можем быть прочь несколько.

Очевидно, фермеру Макдональду и фермеру Брауну не хватало образцы для их обобщений.Грузовики они купили просто возможно, это были рваные отходы со всех заводов или изношенные подержанные автомобили.

2. Выборка не репрезентативна.

В целом выборка иногда бывает достаточно большой, но это не представитель всего класса. Делая обобщения, люди очень часто будут изучать только образцы под рукой, либо легкие чтобы добраться до. Часто это не дает хорошей картины весь изучаемый класс, что приведет к обобщению однобокий.

Например: если бы я хотел узнать пищевые привычки итальянцев, мне было бы очень легко изучить итальянцев, которые живут в моем город. Однако в мире много итальянцев: тех, кто живет в Америке и придерживаются или не придерживаются своих региональных тарифов; те, кто все еще живет в Италии; те, кто состоит или не состоит в мафии; сидящие на диете ….

Итальянцы в моем городе не могут есть то же самое, что и те, кто жить где-нибудь еще.Из моего исследования можно сделать вывод, что большинство итальянцев есть спагетти, а на самом деле едят только те, что в моем городе. И возможно даже не все. Или, может быть, везде они едят пиццу и равиоли. Может быть, я изучал итальянцев, только когда они ужинали и выяснили, что они ели спагетти тогда — но остальные раз они ели пирожные с начинкой.

Грузовики фермера Макдональда и фермера Брауна также не были репрезентативными. из «среднего» грузовика в своем роде.Есть много видов грузовиков в различных стадиях разрушения. Их грузовики были старыми и сломан. Им нужно будет увидеть несколько примеров, которых нет.

Время викторины

Итак, теперь, когда вы знаете все об обобщениях, пришло время для — как вы уже догадались — викторины. Ответьте на это письмо, используя ваши ответы вводятся чуть ниже каждого вопроса.

Если вы ответите на ВСЕ правильно, то я пришлю вам бесплатный Кофейная кружка Logic Loop (двухмерная).Предупреждаю: хорошенько подумай по каждому вопросу; они могут быть хитрыми.

В следующих примерах ответьте на следующие вопросы: 1. Является ли пример обобщение? 2. Если да, то какого размера образец взятый? 3. На ваш взгляд, это поспешное обобщение? И если так почему?

ВОПРОС 1. Все сантехники молодцы. Я знаю водопроводчика, который может вычислить Пи до 289 954-й цифры.

ВОПРОС 2. Все сантехники богатые. Я только что пошел на международный съезд сантехников и изучил там 3000 сантехников. Все они зарабатывала более 100 000 долларов в год.

ВОПРОС 3. Моя мама хорошо учит людей. Всякий раз, когда она объясняет что-то для меня, я это прекрасно понимаю.

ВОПРОС 4. Некоторые сантехники молодцы. Я сантехник и я знаю, что я гениален.

ВОПРОС 5.Все, что написано Чарльзом Диккенсом, скучно. я прочитал все его романы, и все они усыпили меня.

ВОПРОС 6. Есть части Аляски, которые находятся на большой высоте. Гора Мак-Кинли имеет высоту 20 320 футов.

ВОПРОС 7. Блохи есть у всех собак. Я только что закончил изучать каждый единственная собака во вселенной, и у всех были блохи.

ВОПРОС 8. В бочке 100 000 мармеладов.После встряхивания Тщательно закройте ствол (следя за тем, чтобы никто не сдавил), вы извлекаете 5000 мармеладов. 500 из них черные. Следовательно, 10% мармелада в бочке черные.

ВОПРОС 9. Коммерческие авиалинии очень безопасны. Сколько крупных Вы слышите о авиакатастрофах каждый год? Может, двое или трое. Сравните это с количеством рейсов в год. Или сравните количество авиакатастроф с количеством автокатастроф!

ВОПРОС 10.Предпосылка: в прошлом я несколько раз носил эту соломенную шляпу. неделю во время прополки сада и я начал чихать.

Предпосылка: я носил эту соломенную шляпу, когда шел к костру, и Я начал чихать.

Предпосылка: вчера я носил эту соломенную шляпу на улице и начал чихать.

Заключение: у меня аллергия на эту соломенную шляпу.

БОНУС (ответив на этот бонусный вопрос, вы можете пропустить один из другие вопросы и все равно получите кофейную кружку Logic Loop): Самостоятельно найдите пример поспешного обобщения.Смотрящий в газете или вечерних новостях могут дать результаты. Смотреть для мест, где люди делают широкие заявления и смотрят, чтобы увидеть насколько хорошо они их поддерживают.

Ханс Бледорн

ПИСЬМА ПОЛУЧИЛ

Дата: Вт, 20 ноября 2001 г. 21:04:31 -0800 (PST)
От: Ted and Robin Shoemaker shoemakerted # yahoo.com
Тема: еще одно заблуждение на телевидении

Здравствуйте,

Это ошибка, но я не знаю ее названия.Это было на повторный запуск «Розанны».

Некоторые женщины говорят об абортах:

«Некоторые говорят, что это убийство».

«Некоторые говорят, что это не так».

«Да, и некоторые люди говорят, что у тебя есть выбор».

Я против абортов. Но, несмотря на это, есть очень здесь использовано интересное заблуждение (или заблуждения).

* Человек, который сказал, что последняя линия установлена ​​(в силу будучи последним оратором), чтобы быть Голосом Мудрости.

* Даже если последнее утверждение притворяется «выше» другие, т. е. более объективные, просто повторяют одно из предыдущие мнения.

Это одно или несколько заблуждений? Как это называется?

Большое спасибо,

Тед Шумейкер

ОТВЕТ:

Тед Шумейкер,

Аборты долгое время пытались заставить нас скажите «за выбор» вместо «за аборты».» Это хитрый прием манипулирования разумом, который иногда называют пропагандой. который пытается заставить нас думать о чем угодно, кроме того, что они на самом деле верю. Про какой выбор? Возможность выбрать наш вкус мороженого? Аборты знают, что слово аборт ассоциируется с со смертью, и поэтому они стараются использовать ее как можно реже.

Ваша цитата является хорошим примером строки пропагандистского сценария, устроены так, чтобы показать точку зрения писателя — без вы это знаете.

Ханс Бледорн

Авторские права 13 декабря 2001 г., все права защищены. 72749 просмотры

Пока комментариев нет.

Правильный пример Обобщающего литературного устройства Пример

Литературный прием имеет дело с повторением звука. Здесь вы найдете список литературных приемов с определениями и примерами.В обобщении писатели используют наречия частоты, такие как всегда часто и обычно, и прилагательные, подобные большинству всех.

Пример литературного устройства обобщения и немногое, что корректор письма может сделать, чтобы исправить ошибки обобщения. Вы захотите позаботиться о себе. Однако большинство возможных ошибок в отношении вашей статьи — от механики до структуры — будут в достаточной мере исправлены с помощью одной из них.

Пример этого примера литературного устройства обобщения

Пример литературного устройства обобщения .Литературно-риторическая терминология, глоссарий литературных и риторических терминов. Логос — это греческое слово, означающее логику. 10 распространенных литературных приемов с примерами Есть определенные литературные приемы, которые я часто использую в своем письме, потому что они просты и, кажется, заставляют его течь.

Заявление, достаточно широкое, чтобы охватить или описать имеющиеся характеристики. Четкий список литературных приемов — хороший ресурс для любого писателя.Поспешное обобщение, также известное как.

Английский язык i литературные термины устройства аллегории устройство использования персонажей или элементов рассказа символически для представления абстракции в дополнение к буквальному значению. Часто обобщения представляют собой расплывчатые или неопределенные утверждения. Добро пожаловать на сайт литературных устройств, посвященных литературным терминам.

Аргумент из статистики малых чисел Недостаточная статистика аргумент за счет обобщения ошибочное обобщение поспешная индукция индуктивное обобщение недостаточная выборка одинокий факт заблуждение над общностью чрезмерное обобщение нерепрезентативная выборка.Часто обобщения не совсем верны, потому что обычно есть примеры людей или ситуаций, в которых обобщение неприменимо. В некоторых аллегориях, например, автор может иметь намерение, чтобы персонажи олицетворяли абстракцию, такую ​​как надежда или свобода.

Чтобы утверждение было убедительным, оно должно быть более вероятным по сравнению с неправдоподобием и должно иметь веское фактическое основание, на котором оно основано.Существует четыре различных категории индуктивного рассуждения, а именно: индуктивное обобщение, статистический силлогизм, простая индукция, и аргумент по аналогии. Абстракция общего принципа идеи или паттерна от наблюдения за конкретными объектами, событиями или переживаниями.

Использование определения и список примеров логотипов в повседневной речи и литературе. Интенсивное использование устройств может помочь превратить книгу из рассказа, который люди забывают, в литературный материал, который останется с ними еще долго после того, как они перевернут последнюю страницу.Логотипы — это литературный прием, который можно определить как высказывание, предложение или аргумент, используемый для убеждения или убеждения целевой аудитории с помощью разума или логических логотипов.

Примеры обобщения с помощью вашего словаря на повседневном языке обобщение определяется как широкое утверждение или идея, которая применяется к группе людей или вещей. Я никогда не утруждал себя намеренно использовать их, когда писал в прошлом, но теперь я обнаружил, что они просто добавляют что-то лишнее.Название «До конца лета» предвещает, что до конца лета произойдет что-то важное.

Обобщение — общая идея или принцип утверждения. Примеры индукции, пример 1.

У обобщения, очевидно, тоже есть свои недостатки, включая высокие затраты на установку, которые может быть сложно амортизировать. Кабина для покраски кузова автомобиля, используемая один раз в неделю, стоит во многом так же, как спроектированная для использования один раз в день, а деньги на эту еженедельную работу довольно незначительны.И давайте даже не смотреть на зарплату того, кто владеет бородавчатым ружьем. Как именно он играет роль в этой суровой правде, когда он стоит без дела и ждет, пока его работа не подведет?

Кроме того, трудно добиться успеха в самых разных вещах, что усложняет полное удовлетворение потребностей каждого клиента. Это, в свою очередь, может создать хорошее имя для менее звездного сервиса, а также как следствие вялой молвы, которая идет не хуже него. Ежедневные головные боли управления умножаются и с обобщением, поскольку требуется более широкий набор навыков сотрудников, не забывая при этом о большем разнообразии проектных проблем, которые могут возникнуть.Решение почти для всех владельцев бизнеса находится где-то посередине.

Границы | Использование предшествующего концептуального обучения улучшает обобщение на нескольких примерах в вычислительных моделях распознавания человеческих объектов

Введение

Люди обладают замечательной способностью быстро изучать новые концепции из разреженных данных. Дошкольники, например, могут усваивать и использовать новые слова на основе иногда всего лишь одного примера (Carey and Bartlett, 1978), а взрослые могут надежно различать и называть новые категории всего после одного или двух тренировочных проб (Coutanche and Thompson-Schill , 2014, 2015b; Lake et al., 2015). Учитывая, что принципиальное обобщение невозможно без использования предшествующих знаний (Watanabe, 1969), такая впечатляющая производительность поднимает вопрос о том, как мозг может использовать предшествующие знания для создания новых концепций на основе таких разреженных данных.

Несколько десятилетий анатомической, вычислительной и экспериментальной работы показывают, что мозг создает представление о визуальном мире посредством так называемого вентрального визуального потока, по которому информация обрабатывается иерархией от простого к сложному, вплоть до нейронов в вентральная височная кора, которая избирательна для сложных объектов, таких как лица, предметы и слова (Kravitz et al., 2013). Согласно компьютерным моделям (Nosofsky, 1986; Riesenhuber and Poggio, 2000; Thomas et al., 2001; Freedman et al., 2003; Ashby and Spiering, 2004), а также функциональной магнитно-резонансной томографии (fMRI) и электроэнцефалографии (EEG) человека. ) исследований (Jiang et al., 2007; Scholl et al., 2014), эти объектно-избирательные нейроны в зрительной коре высокого уровня могут затем обеспечивать входные данные в нижележащие области коры, такие как префронтальная кора (ПФК) и передняя височная доля. (ATL), чтобы опосредовать идентификацию, различение или категоризацию стимулов, а также в более широком смысле по всей коре головного мозга для конкретных задач (Hebart et al., 2018). Именно на этом уровне теории категоризации объектов в мозге связаны с влиятельными теориями семантического познания, которые предполагают, что ATL может выступать в качестве семантического узла (Ralph et al., 2017), основываясь на нейропсихологических открытиях (Hodges et al., 2000; Mion et al., 2010; Jefferies, 2013) и исследования, в которых использовалась фМРТ (Vandenberghe et al., 1996; Coutanche and Thompson-Schill, 2015a; Malone et al., 2016; Chen et al. , 2017) или внутричерепной ЭЭГ (iEEG; Chan et al., 2011) для декодирования представлений категорий в антеровентральной височной доле.

Вычислительная работа предполагает, что иерархическая структура является ключевой архитектурной особенностью вентрального потока для гибкого обучения новым задачам распознавания (Poggio, 2012). Например, растущая терпимость к масштабированию и трансляции на все более высоких уровнях иерархии обработки из-за объединения афферентов, предпочитающих одну и ту же функцию в разных масштабах и положениях, поддерживает надежное обучение новым задачам распознавания объектов за счет уменьшения сложности выборки задачи (Poggio, 2012) .Действительно, вычислительные модели, основанные на этой иерархической структуре, такие как модель HMAX (Riesenhuber and Poggio, 1999) и, совсем недавно, подходы, основанные на сверточной нейронной сети (CNN), показали, что они достигают производительности, подобной человеку, в задачах распознавания объектов при заданных условиях. достаточное количество обучающих примеров (Jiang et al., 2006; Serre et al., 2007a; Crouzet, Serre, 2011; Yamins et al., 2013, 2014) и даже для точного прогнозирования нейронной активности человека (Schrimpf et al., 2018 ).

В дополнение к их свойствам инвариантности, сложная избирательность формы промежуточных функций в мозге, e.g., в V4 или задней нижневисочной коре (IT), как полагают, охватывает пространство признаков, хорошо соответствующее внешнему виду объектов в естественном мире (Serre et al., 2007a; Yamins et al., 2014). Действительно, было показано, что повторное использование одних и тех же промежуточных функций позволяет эффективно обучаться новым задачам распознавания (Serre et al., 2007a; Donahue et al., 2013; Oquab et al., 2014; Razavian et al., 2014; Yosinski). et al., 2014), а повторное использование существующих представлений на разных уровнях иерархии обработки объектов лежит в основе моделей иерархического обучения в мозге (Ahissar and Hochstein, 2004).Однако эти теории и предшествующие вычислительные работы ограничены повторным использованием существующих представлений на уровне объектов и ниже. Тем не менее, как упоминалось ранее, иерархии обработки в мозгу не заканчиваются на уровне объекта, а простираются до уровня концепций и выше, например, в ATL, ниже по течению от представлений на уровне объектов в ИТ. Эти представления существенно отличаются от более ранних визуальных представлений, обобщая примеры для поддержки поведения, зависимого от категорий, за счет деталей, характерных для конкретного образца (Bankson et al., 2018). Интуитивно, использование этих ранее изученных визуальных представлений концепции может существенно облегчить изучение новых концепций, например, «утконос немного похож на утку, бобра и калана». Фактически, есть интригующие доказательства того, что мозг может использовать существующие представления концептов для облегчения изучения новых концепций: в fast mapping (Carey and Bartlett, 1978; Coutanche and Thompson-Schill, 2014, 2015b) новая концепция — это выводится из единственного примера, сравнивая его со связанной, но уже известной концепцией, оба из которых имеют отношение к ответу на некоторый запрос.Быстрое отображение в целом согласуется с интуицией, что отношения между концепциями и категориями имеют решающее значение для понимания самих концепций (Miller and Johnson-Laird, 1976; Woods, 1981; Carey, 1985, 2009). Тогда способность мозга быстро осваивать новые визуальные категории может зависеть от размера и объема банка визуальных категорий, который он уже освоил. Действительно, было высказано предположение, что способность мозга выполнять быстрое отображение может зависеть от его способности соотносить новые знания с существующими схемами в ATL (Sharon et al., 2011). Тем не менее, нет компьютерной демонстрации того, что такое использование предшествующего обучения действительно может облегчить изучение новых концепций. Демонстрация того, что использование существующих концептуальных представлений может резко сократить количество примеров, необходимых для изучения новых концепций, не только объяснит превосходную способность мозга изучать новые концепции на нескольких примерах, но также будет представлять значительный интерес для искусственного интеллекта, учитывая, что Современные системы глубокого обучения по-прежнему требуют значительно большего количества обучающих примеров, чтобы достичь производительности, подобной человеческой (Lake et al., 2017; Schrimpf et al., 2018).

Мы показываем, что использование предшествующего обучения на концептуальном уровне в эталонной модели глубокого обучения приводит к значительному улучшению способности учиться на нескольких примерах. В то время как визуальное обучение и рассуждение включают в себя широкий спектр навыков, включая память (Brady et al., 2008, 2011), композиционное мышление (Lake et al., 2015; Overlan et al., 2017) и мультимодальную интеграцию (Yildirim and Jacobs , 2013, 2015) — здесь мы сосредоточимся на задаче распознавания объектов. Эта способность классифицировать визуальные стимулы по категориям является ключевым навыком, лежащим в основе многих других наших визуальных способностей.Мы, в частности, обнаруживаем, что широко настроенные концептуальные представления могут использоваться для изучения визуальных концепций всего лишь на двух положительных примерах, точно отличая положительные примеры концепции от большого количества отрицательных примеров; визуальные представления из более ранней визуальной иерархии требуют значительно большего количества примеров для достижения сопоставимых уровней производительности.

Методы

ImageNet

ImageNet (www.image-net.org) упорядочивает более 14 миллионов изображений в 21 841 категорию в соответствии с иерархией WordNet (Deng et al., 2009). Важно отметить, что эти изображения поступают из нескольких источников и сильно различаются по размерам, таким как поза, положение, окклюзия, беспорядок, освещение, размер изображения и соотношение сторон. Этот набор изображений был разработан и использован для тестирования крупномасштабных систем компьютерного зрения (Русаковский и др., 2015), включая модели распознавания визуальных объектов приматов и человека (Яминь и др., 2014; Schrimpf и др., 2018). Мы аналогичным образом используем непересекающиеся подмножества ImageNet для обучения и проверки модифицированного GoogLeNet, а также для обучения и тестирования серии двоичных классификаторов.

Для обучения и проверки GoogLeNet мы случайным образом выбрали 2000 категорий из 3177 категорий ImageNet, предоставляя как ограничивающие рамки, так и более 732 изображений в целом (минимальное количество изображений для каждой категории в конкурсе Image Net Large Scale Visual Recognition Challenge (ILSVRC) 2015), таким образом обеспечение того, чтобы каждая категория представляла конкретное существительное со значительными вариациями, как можно увидеть в дополнительной таблице 1. Один из авторов дополнительно проанализировал каждую категорию, чтобы убедиться, что она представляет конкретную визуальную категорию.Мы выделили 25 изображений из каждой категории для использования в качестве изображений для проверки, а остальные использовали в качестве обучающих изображений. Таким образом, мы использовали в общей сложности 2 401 763 изображения из 2000 категорий для обучения и 50 000 изображений из тех же 2000 категорий для проверки. Чтобы уменьшить вычислительную сложность, все изображения были изменены до 256 пикселей по самому короткому краю с сохранением ориентации и соотношения сторон, а затем автоматически обрезаны до 256 × 256 пикселей во время обучения и проверки. Хотя с помощью этой стратегии можно вырезать интересующий объект из изображения, предыдущая работа с архитектурой GoogLeNet (Szegedy et al., 2014) предполагает, что влияние на производительность незначительно.

Для обучения и тестирования наших бинарных классификаторов мы использовали обучающие и проверочные изображения из 100 из 1000 категорий из задачи ILSVRC2015 (Русаковский и др., 2015). Как и в случае с изображениями GoogLeNet, все изображения были изменены до 256 пикселей по самому короткому краю с сохранением ориентации и соотношения сторон, а затем автоматически обрезаны до 256 × 256 пикселей во время извлечения функций. Все эти 100 категорий тестов являются новинкой по сравнению с 2000 категориями обучения в том смысле, что нет точных дубликатов в категориях обучения и тестирования.Существуют тестовые категории, обеспечивающие значительное визуальное совпадение с учебными категориями, например, автомобильное колесо , имеющее аналогичную структуру с велосипедным колесом , инвалидной коляской, рулевым колесом, велосипедом, колесом обозрения и т. Д. Центральным элементом гипотезы данной статьи является то, что подобные визуальные сходства можно использовать для более быстрого изучения новых категорий. В данном случае автомобильное колесо является неизвестной категорией: никакая категория в визуальном лексиконе, освоенном GoogLeNet, точно не соответствует автомобильному колесу .Однако его можно было бы изучить быстрее, если бы отметили, что оно относительно визуально похоже на велосипедное колесо и инвалидное кресло , но относительно не похоже, например, на ограждение , горн или пешеходный мост . Определенный образец сходства и несходства на уровне визуальных категорий может использоваться в качестве сигнатуры для идентификации автомобильных колес.

GoogLeNet

GoogLeNet — это высокопроизводительная (Szegedy et al., 2014) глубокая нейронная сеть (DNN), предназначенная для крупномасштабного распознавания визуальных объектов (Russakovsky et al., 2015). Поскольку предыдущая работа показала, что производительность DNN коррелирует с их способностью предсказывать нейронные активации (Yamins et al., 2013, 2014), и что GoogLeNet, в частности, является сравнительно хорошим предсказателем нейронной активности (Schrimpf et al., 2018) , мы используем GoogLeNet как модель распознавания визуальных объектов человека. Поскольку точная мотивация GoogLeNet и подробности его построения были описаны в другом месте, мы сосредоточимся здесь на деталях, имеющих отношение к нашему расследованию.Мы использовали реализацию Caffe BVLC GoogLeNet с одним заметным изменением: мы увеличили размер последнего слоя с 1000 до 2000 единиц, что соответствует 2000 категориям, которые мы использовали для обучения сети. Мы обучили сеть для ~ 133 эпох (итерация 1E7 для 32 изображений), используя график обучения, аналогичный тому, который описан в Szegedy et al. (2014) (фиксированная скорость обучения, начинающаяся с 0,01 и снижающаяся на 4% через каждые изображения 3.2E5 с импульсом 0,9), достигая 44,9% эффективности в топ-1 и 73,0% эффективности в топ-5 по всем 2000 категориям.

Основное моделирование

Чтобы изучить, как ранее изученные визуальные концепции могут способствовать изучению новых визуальных концепций, мы обучили серию бинарных классификаторов «один против всех» (эластичная сетевая логистическая регрессия) распознавать 100 новых категорий из задачи ILSVRC2015. 100 категорий, перечисленных в дополнительной таблице 2, были выбраны равномерно случайным образом и оставались неизменными для всех наборов функций.

Основная гипотеза этой статьи состоит в том, что предварительное изучение визуальных концепций может значительно улучшить изучение новых визуальных концепций на нескольких примерах.Таким образом, изучение новых категорий с точки зрения существующих функций, отобранных по категориям, представляет первостепенный интерес, поэтому мы сравнили несколько наборов функций, чтобы проверить эффективность обучения с помощью функций, отобранных по категориям, по сравнению с другими типами функций. Мы специально сравнили следующие наборы функций:

• Концептуальный: 2000 функций, извлеченных из loss3 / classifier, полностью связанного уровня GoogLeNet непосредственно перед операцией softmax, дающей окончательный результат.

• Generic ₁ : 4096 функций, извлеченных из pool5 / 7x7_s1, среднего уровня объединения GoogLeNet (ядро: 7, шаг: 1), используемых при вычислении окончательного результата.

• Generic ₂ : 13 200 функций, извлеченных из loss2 / ave_pool, среднего уровня объединения GoogLeNet (ядро: 5, шаг: 3) в середине архитектуры, используемой при вычислении второй потери обучения.

• Generic ₃ : 12 800 функций, извлеченных из loss1 / ave_pool, среднего уровня объединения GoogLeNet (ядро: 5, шаг: 3) на ранней стадии архитектуры, использовавшейся при вычислении третьей потери обучения.

• Общий ₁ + Концептуальный: 4 096 Общие ₁ функций в сочетании с 2 000 концептуальных функций, всего 6096 функций.

Все функции были выбраны для широкой настройки, чтобы способствовать обобщению. Концептуальные особенности — максимально приближенные к окончательному результату, но без повышения резкости реакции на конкретные задачи операции softmax — представляют собой наиболее чувствительные к категориям функции GoogLeNet (т. Е. Отдельные функции служат более надежными сигналами категории членство, чем функции из других наборов функций; см. Дополнительные данные). Различные наборы общих функций были выбраны в качестве элементов управления для сравнения концептуальных функций.Основываясь на предыдущей работе с использованием GoogLeNet, эти слои, вероятно, соответствуют высокоуровневой зрительной коре (например, V4, IT, веретенообразная кора) (Yamins et al., 2014; Schrimpf et al., 2018). Общие функции ₁ действуют как точные средства контроля, с которыми можно сравнивать концептуальные функции. Эти функции обеспечивают репрезентативную основу, на которой можно точно описать многие визуальные категории, в то время как сами они относительно не зависят от категории, как показано в дополнительных данных. Мы выбрали слой ближе к концу сети, но перед полностью связанными слоями, которые рекомбинируют промежуточные функции в характеристики, относящиеся к конкретной категории.Архитектура GoogLeNet определяет два вспомогательных классификатора — сверточные сети меньшего размера, подключенные к промежуточным уровням для обеспечения дополнительного градиентного сигнала и регуляризации во время обучения — на нескольких глубинах сети. Мы определяем объекты Generic ₂ и Generic ₃ , используя слои из этих вспомогательных сетей, которые соответствуют слою из основного классификатора, используемого для определения Generic ₁ .

Мы измерили производительность набора функций, обучив серию бинарных классификаторов типа «один против всех» (эластичная чистая логистическая регрессия) для каждого набора функций, что означает, что каждый набор функций служил в суб-моделировании как единственный вход для классификаторов.Для каждого набора функций мы обучили 14 000 классификаторов — по одному для каждой комбинации тестовой категории, размера обучающего набора и случайного обучающего разбиения — и измерили производительность, используя d ‘. В нашем наборе изображений ImageNet на основе ILSVRC было 100 категорий (см. Раздел «ImageNet» выше). Положительные примеры выбирались случайным образом из целевой категории, а отрицательные — из других 99 категорий. Поскольку нас интересовало, как предыдущие знания помогают в обучении на нескольких примерах, мы протестировали классификаторы, обученные с помощью n ϵ {2, 4, 8, 16, 32, 64, 128} общих обучающих примеров, равномерно разделенных между положительными и отрицательными примерами. .Чтобы лучше оценить производительность и усреднить эффекты случайного выбора классификаторов, мы повторили каждую симуляцию, создав 20 случайных разделений для обучения / тестирования, уникальных для каждой комбинации категории тестирования и размера обучающей выборки.

Результаты

Чтобы выяснить, приводит ли использование предшествующего обучения на уровне концепций к более высокой способности изучать новые концепции по сравнению с использованием обучения на более низких уровнях, мы провели крупномасштабный анализ с использованием современных CNN (мы также провели аналогичный анализ с использованием Модель HMAX (Riesenhuber, Poggio, 1999; Serre et al., 2007b), получив качественно аналогичные результаты, хотя и с более низким уровнем производительности). В частности, мы исследовали эффективность концептуального обучения как функцию обучающих примеров для четырех наборов функций (Conceptual, Generic ₁ , Generic ₂ , Generic ₃ ), извлеченных из глубокой нейронной сети (GoogLeNet; Szegedy et al., 2014 ), как показано на рисунке 1. Основываясь на предыдущей работе с использованием GoogLeNet, мы выдвигаем гипотезу, что концептуальные особенности семантической коры наилучшей модели (например,, ATL), тогда как общие слои лучше всего моделируют зрительную кору высокого уровня (например, V4, IT, веретенообразную кору) (Yamins et al., 2014; Schrimpf et al., 2018). Мы предсказали, что более высокие уровни будут поддерживать улучшенное обобщение на нескольких примерах, и, в частности, что использование представлений для ранее изученных концепций значительно улучшит эффективность обучения на нескольких примерах. Чтобы проверить эту последнюю гипотезу, мы изменили архитектуру GoogLeNet для выполнения 2000-позиционной классификации. Затем мы обучили модифицированную сеть распознавать 2000 концепций из ImageNet (Deng et al., 2009), перечисленных в дополнительной таблице 1. Мы исследовали активации каждого набора функций для изображений, взятых из 100 дополнительных концепций из ImageNet, отличных от ранее изученных 2000 концепций и перечисленных в дополнительной таблице 2.

Рисунок 1 . Схема нейронной сети GoogLeNet (Szegedy et al., 2014), используемой в этих симуляциях (основной рисунок), и схема начального модуля сети (серая вставка в правом нижнем углу). Мы модифицировали сеть для получения 2000 выходных сигналов, имитируя представления для 2000 ранее изученных категорий.Затем мы исследовали, насколько хорошо представления на разных уровнях иерархии поддерживают изучение новых концепций. Чтобы стимулировать обобщение, мы хотели, чтобы каждый уровень был широко настроен, поэтому мы взяли наш концептуальный уровень не из специально настроенного и четко настроенного слоя окончательного решения (Softmax), а из непосредственно предшествующего уровня. Множители (например, x2 или x3) указывают на то, что несколько идентичных слоев соединены последовательно.

Чтобы наша схема работала, концептуальные особенности должны поддерживать обобщение за счет широкой настройки.Таким образом, все проанализированные нами наборы функций являются частью стандартной архитектуры GoogLeNet и предшествуют уровню окончательного решения сети. Однако бинарные классификаторы, которые мы обучили для этого анализа, были отделены от GoogLeNet. Мы не столько утверждаем, что они являются частью визуальной иерархии, сколько используем их для прямой оценки полезности различных частей этой иерархии для эффективного обучения с помощью выборки.

Концепции, которые изучает GoogLeNet, основаны только на визуальной информации и, следовательно, не охватывают всей полноты богатых и тонких концепций, используемых в повседневном познании.Тем не менее, они обеспечивают дополнительный уровень абстракции, выходящий за рамки объектного уровня, и могут использоваться прямым способом для участия в последующих представлениях супрамодальных концепций (см. Раздел «Обсуждение»).

Чтобы проверить нашу гипотезу, мы сравнили производительность каждого набора функций на нескольких небольших количествах обучающих примеров. Результаты на рисунке 2 подтверждают прогнозы: для небольшого числа обучающих примеров наборы функций, извлеченные позже в визуальной иерархии, обычно превосходят по эффективности наборы функций, извлеченные ранее в визуальной иерархии.Важно отметить, что, как и предсказывалось, мы видим, что концептуальные функции значительно превосходят функции Generic ₁ для небольшого количества обучающих примеров (особенно для 2, 4 и 8 положительных примеров, но включая также 16 и 32). Кроме того, функции Conceptual и Generic ₁ превосходят по характеристикам Generic ₂ , который превосходит Generic ₃ . Эти результаты предполагают, что комбинации общих функций ₁ часто согласованы в небольших наборах примеров, не обобщаясь на всю категорию; закономерности среди категориальных признаков, напротив, обычно лучше обобщаются на небольшом количестве примеров.

Рисунок 2 . Средняя производительность (ось Y) классификаторов в нашем анализе по категориям (точки) по набору функций (цвет) и количеству положительных обучающих примеров (ось X). Производительность на обоих графиках измеряется как d ′. Перекрестные столбцы показывают среднее значение по категориям с 95% -ным начальным доверительным интервалом.

Чтобы проверить этот паттерн количественно, мы построили линейную модель смешанных эффектов, предсказывающую d ‘на основе основных эффектов размера обучающего набора и набора функций, а также взаимодействия между набором функций и размером обучающего набора со случайным эффектом категории.Анализ ANOVA типа III с использованием метода Саттертуэйта обнаруживает основные эффекты набора признаков [ F (3, 55 873) = 9105,5, p, <0,001] и размера обучающего набора [ F (6, 55 873) = 15 833,5, p. <0,001], а также взаимодействие между набором функций и размером обучающего набора [ F (18, 55 873) = 465,1, p <0,001]. Кроме того, с помощью удаления одного члена мы обнаруживаем, что случайный эффект категории объясняет значительную дисперсию [χ ² (1) = 20 646.5, p. <0,001].

Установив главный эффект набора функций, мы далее проанализировали различия в производительности между наборами функций, вычислив попарные различия в оценках предельной средней производительности. Мы обнаружили, что концептуальные функции превзошли стандартные функции ₁ , универсальные ₂ и универсальные ₃ , общие ₁ превзошли общие ₂ и универсальные ₃ , а универсальные ₂ превзошли универсальные ₂ 3 ( p s <0.001).

Взаимодействие между набором функций и размером обучающего набора также подтверждается попарными различиями в оценках предельного среднего d ‘. Критически важно, что мы обнаружили, что концептуальные функции превосходят общие функции ₁ для 2–32 положительных обучающих примеров ( p s <0,001) и незначительно превосходят их для 64 положительных обучающих примеров (разница в производительности = 0,041, p = 0,074). . Таким образом, как и предполагалось, использование изучения предшествующих концепций приводит к значительным улучшениям в способности систем глубокого обучения изучать новые концепции на нескольких примерах.

Обсуждение

Поразительной особенностью зрительной системы человека является ее способность изучать новые концепции на нескольких примерах, что резко контрастирует с текущими вычислительными моделями обработки зрительной информации в коре головного мозга, которые все требуют большего количества обучающих примеров (Серр и др., 2007b; Яминь и др. др., 2014; Schrimpf et al., 2018). И наоборот, предыдущие модели изучения визуальных категорий с помощью информатики, которые хорошо работают на небольшом количестве примеров (Fei-Fei et al., 2006; Vinyals et al., 2016; хотя и не на уровне современных подходов) не были явно мотивированы тем, как мозг может решить эту проблему, и не обеспечивали биологически правдоподобных механизмов. Поэтому было неясно, как мозг может изучать новые визуальные концепции на нескольких примерах. В этом отчете мы показали, как использование предшествующего концептуального обучения может значительно улучшить производительность на нескольких учебных примерах. Важно отметить, что эта производительность была получена в архитектуре модели, которая непосредственно основывается на нашем нынешнем понимании того, как зрительная кора, в частности нижневисочная кора, представляет объекты, и расширяет их (Яминь и др., 2014): с помощью «концептуального» слоя, сродни концептуальным представлениям, идентифицированным ниже ИТ в передней височной коре (Binder et al., 2009; Binder and Desai, 2011; Malone et al., 2016; Ralph et al., 2017) новые концепции можно изучить всего на двух примерах. Это говорит о том, что человеческий мозг также может достичь своей превосходной способности к обучению, используя предшествующее обучение, в частности, представления концепций в ATL. Как проверить эту гипотезу? В случае, если могут быть идентифицированы непересекающиеся нейронные популяции, кодирующие связанные концепции, изученные в разное время, можно использовать такие меры причинности, как причинность Грейнджера (Granger, 1969; Seth et al., 2015; Martin et al., 2019) могут предоставить доказательства их направленного подключения. На более грубом уровне более длительные задержки кодирования нейронных сигналов для недавно изученных концепций по сравнению с ранее изученными концепциями также будут совместимы с изучением новых концепций с использованием ранее изученных концепций.

Интуитивно понятно, что требование наличия двух примеров для успешного изучения новых концепций имеет смысл, поскольку это позволяет идентифицировать общие черты между элементами, принадлежащими целевому классу, по сравнению с элементами, не являющимися членами.Однако феномен быстрого картирования предполагает, что при определенных условиях люди могут изучать концепции даже на основе одного положительного и отрицательного примера. Напротив, в нашей системе производительность для этого сценария в целом была низкой. Тем не менее, теоретически одного положительного и одного отрицательного примера уже должно быть достаточно, если отрицательный пример выбран из связанной категории, которая послужит для установления решающего, определяющего категорию различия, что именно и делается в традиционных парадигмах быстрого сопоставления в литература.В симуляциях, представленных в этой статье, наш отрицательный пример был выбран случайным образом, поэтому мы не обязательно ожидаем хорошей способности делать обобщения от одного положительного примера. Тем не менее, изучение того, как вариации в выборе отрицательных примеров могут еще больше улучшить способность изучать новые концепции из нескольких примеров, является интересным вопросом для будущей работы, который можно легко изучить в рамках существующей структуры.

Другой интересный вопрос: существуют ли условия, при которых использование предшествующего обучения приводит к неоптимальным результатам по сравнению с обучением с функциями на более низких уровнях иерархии.В частности, общие функции ₁ так же хороши, как и концептуальные, для большего количества обучающих примеров. В ходе будущей работы можно было бы изучить, есть ли в какой-то момент, когда функции, аналогичные Generic ₁ , превосходят обучение, основанное на концептуальных характеристиках: например, когда доступно достаточно много примеров, помогает ли это узнать границы категорий непосредственно на основе формы, а не с помощью связь новой категории с ранее изученными? Ответы на эти вопросы будут важны для понимания того, как мозг использует предшествующее обучение для эффективного установления новых визуальных концепций.

Заявление о доступности данных

Наборы данных, представленные в этом исследовании, можно найти в онлайн-репозиториях. Имена репозитория / репозиториев и номера доступа можно найти по адресу: https://osf.io/jgep7 (Open Science Foundation).

Авторские взносы

MR и JR придумали и разработали работу, проанализировали данные и написали статью. JR реализовал модели и получил данные. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Эта работа была частично поддержана Ливерморской национальной лабораторией Лоуренса (https://llnl.gov) под эгидой Министерства энергетики США по контракту DE-AC52-07NA27344 и программой LLNL-LDRD в рамках проекта № COMP-19. — ERD-007 (MR) и Национальным научным фондом (https://nsf.gov), грантами 1026934 и 1232530 (MR), а также грантами на стипендии для аспирантов 1122374 и 1745302 (JR). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы благодарят Джейкоба Г. Мартина за полезные беседы и Бенджамина Мальтби за помощь с симуляциями бега. Эта рукопись была выпущена в качестве препринта на BioRxiv (Rule and Riesenhuber, 2020).

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/articles/10.3389/fncom.2020.586671/full#supplementary-material

Дополнительная таблица 1. 2 000 категорий ImageNet, используемых для обучения сети распознавания объектов GoogLeNet. Таблица с разделителями-запятыми, в которой перечислены WordNet ID, краткое название на естественном языке и краткое описание на естественном языке для каждой из 2000 категорий, используемых для обучения модифицированной сети распознавания объектов GoogLeNet, используемой в этой статье.

Дополнительная таблица 2. 100 категорий ImageNet, используемых для сравнения наборов функций.Таблица с разделителями-запятыми, в которой перечислены идентификаторы WordNet, краткое название на естественном языке и краткое описание на естественном языке для каждой из 100 категорий, используемых для сравнения наборов функций, извлеченных из GoogLeNet.

Дополнительные данные. Анализ селективности категорий. Дополнительный анализ, показывающий, что для четырех наборов функций, рассмотренных в этой статье, чем ближе набор функций к окончательному выходу сети, тем более избирательным по категориям является этот набор функций (т. Е. Отдельные функции более надежно сигнализируют о принадлежности к категории) .

Список литературы

Бэнксон Б. Б., Хебарт М. Н., Гроен И. И. и Бейкер К. И. (2018). Временная эволюция концептуальных представлений объектов, выявленная с помощью моделей поведения, семантики и глубоких нейронных сетей. NeuroImage 178, 172–182. DOI: 10.1016 / j.neuroimage.2018.05.037

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Биндер, Дж. Р., Десаи, Р. Х., Грейвс, У. У. и Конант, Л. Л. (2009). Где семантическая система? критический обзор и метаанализ 120 исследований функциональной нейровизуализации. Cereb. Cortex 19, 2767–2796. DOI: 10.1093 / cercor / bhp055

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Брэди, Т. Ф., Конкл, Т., и Альварес, Г. А. (2011). Обзор емкости зрительной памяти: помимо отдельных предметов и в сторону структурированных представлений. J. Vis. 11: 4. DOI: 10.1167 / 11.5.4

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Брэди, Т. Ф., Конкл, Т., Альварес, Г. А., и Олива, А. (2008).Зрительная долговременная память имеет огромную емкость для хранения деталей объекта. PNAS 105, 14325–14329. DOI: 10.1073 / pnas.08033

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кэри, С. (1985). Концептуальные изменения в детстве . Кембридж, Массачусетс: MIT Press.

PubMed Аннотация

Кэри, С. (2009). Происхождение концепций . Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета.

Google Scholar

Кэри, С., и Бартлетт, Э. (1978). «Усвоение единственного нового слова», в Proceedings of the Stanford Child Language Conference (Стэнфорд, Калифорния), 17–29.

Google Scholar

Чан А. М., Бейкер Дж. М., Эскандар Э., Шомер Д., Ульберт И., Маринкович К. и др. (2011). Селективность первого прохождения семантических категорий в антеровентральной височной доле человека. J. Neurosci. 31, 18119–18129. DOI: 10.1523 / JNEUROSCI.3122-11.2011

CrossRef Полный текст | Google Scholar

Chen, Q., Гарси Ф. Э., Алмейда Дж. И Махон Б. З. (2017). Связанные ограничения на специфичность категории в вентральном пути обработки объекта. Neuropsychologia 105, 184–196. DOI: 10.1016 / j.neuropsychologia.2016.11.014

CrossRef Полный текст | Google Scholar

Кутанш, М. Н., Томпсон-Шилл, С. Л. (2014). Быстрое отображение быстро интегрирует информацию в существующие сети памяти. J. Exp. Psychol. Gen. 143, 2296–2303. DOI: 10.1037 / xge0000020

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кутанш, М.Н., и Томпсон-Шилл, С. Л. (2015b). Быстрое закрепление новых знаний в зрелом возрасте с помощью быстрого картирования. Trends Cogn. Sci. 486–488. DOI: 10.1016 / j.tics.2015.06.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Li, F.-F. (2009). «ImageNet: крупномасштабная иерархическая база данных изображений», Конференция IEEE 2009 г. по компьютерному зрению и распознаванию образов (Майами, Флорида), 248–255. DOI: 10.1109 / CVPR.2009.5206848

CrossRef Полный текст | Google Scholar

Донахью, Дж., Цзя, Ю., Виньялс, О., Хоффман, Дж., Чжан, Н., Цзэн, Э. и др. (2013). DeCAF: функция глубокой сверточной активации для общего визуального распознавания. в arXiv: 1310.1531 [cs] . Доступно в Интернете по адресу: http://arxiv.org/abs/1310.1531 (по состоянию на 13 марта 2020 г.).

Google Scholar

Фридман, Д. Дж., Ризенхубер, М., Поджио, Т., и Миллер, Э. К. (2003). Сравнение префронтальной и нижней височной коры приматов во время визуальной категоризации. J. Neurosci. 23, 5235–5246. DOI: 10.1523 / JNEUROSCI.23-12-05235.2003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Грейнджер, К. У. (1969). Исследование причинно-следственных связей с помощью эконометрических моделей и кросс-спектральных методов. Эконом. J. Econom. Soc. 37, 424–438. DOI: 10.2307 / 1912791

CrossRef Полный текст | Google Scholar

Хебарт, М. Н., Бэнксон, Б. Б., Харел, А., Бейкер, К. И., и Чичи, Р. М. (2018). Репрезентативная динамика обработки задач и объектов у людей. Элиф 7: e32816. DOI: 10.7554 / eLife.32816

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ходжес, Дж. Р., Бозеат, С., Ральф, М. А. Л., Паттерсон, К., и Спатт, Дж. (2000). Роль концептуального знания в использовании доказательств семантического слабоумия. Мозг 123, 1913–1925. DOI: 10.1093 / мозг / 123.9.1913

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Джеффрис, Э. (2013). Нейронная основа семантического познания: конвергентные данные нейропсихологии, нейровизуализации и ТМС. Cortex 49, 611–625. DOI: 10.1016 / j.cortex.2012.10.008

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цзян, X., Брэдли, Э., Рини, Р. А., Зеффиро, Т., ВанМетер, Дж., И Ризенхубер, М. (2007). Обучение категоризации приводит к избирательной нейропластичности человека по форме и категориям. Neuron 53, 891–903. DOI: 10.1016 / j.neuron.2007.02.015

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цзян X., Розен Э., Зеффиро, Т., ВанМетер, Дж., Бланц, В., и Ризенхубер, М. (2006). Оценка модели различения человеческого лица на основе формы с использованием фМРТ и поведенческих методов. Нейрон 50, 159–172. DOI: 10.1016 / j.neuron.2006.03.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кравиц, Д. Дж., Салим, К. С., Бейкер, К. И., Унгерлейдер, Л. Г., и Мишкин, М. (2013). Вентральный зрительный путь: расширенная нейронная структура для обработки качества объекта. Trends Cogn. Sci. 17, 26–49. DOI: 10.1016 / j.tics.2012.10.011

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лейк, Б. М., Салахутдинов, Р., Тененбаум, Дж. Б. (2015). Изучение концепций на уровне человека посредством индукции вероятностной программы. Science 350, 1332–1338. DOI: 10.1126 / science.aab3050

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лейк, Б. М., Ульман, Т. Д., Тененбаум, Дж. Б., и Гершман, С.J. (2017). Создание машин, которые учатся и думают, как люди. Behav. Brain Sci. 40: e253. DOI: 10.1017 / S0140525X16001837

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мэлоун П. С., Глезер Л. С., Ким Дж., Цзян X. и Ризенхубер М. (2016). Многомерный анализ паттернов выявляет категориальную организацию семантических представлений в передней височной коре. J. Neurosci. 36, 10089–10096. DOI: 10.1523 / JNEUROSCI.1599-16.2016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мартин, Дж.Г., Кокс, П. Х., Шолль, К. А., и Ризенхубер, М. (2019). Сбой при визуальной обработке: помехи между прямой связью и обратной связью последовательных целей ограничивают обнаружение и категоризацию. J. Vis. 19: 20. doi: 10.1167 / 19.12.20

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Миллер Г. А. и Джонсон-Лэрд П. Н. (1976). Язык и восприятие. Кембридж, Массачусетс: Belknap Press.

Google Scholar

Мион, М., Паттерсон, К., Акоста-Кабронеро, Дж., Пенгас, Г., Искьердо-Гарсия, Д., Хонг, Ю. Т. и др. (2010). Что левая и правая передние веретенообразные извилины говорят нам о семантической памяти. Мозг 133, 3256–3268. DOI: 10.1093 / мозг / awq272

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Окуаб М., Боттоу Л., Лаптев И. и Сивик Дж. (2014). «Изучение и передача представлений изображений среднего уровня с использованием сверточных нейронных сетей», в Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) (Колумбус, Огайо).DOI: 10.1109 / CVPR.2014.222

CrossRef Полный текст | Google Scholar

Оверлан, М. К., Джейкобс, Р. А., и Пиантадози, С. Т. (2017). Изучение абстрактных визуальных концепций посредством индукции вероятностной программы на языке мысли. Познание 168, 320–334. DOI: 10.1016 / j.cognition.2017.07.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Поджио, Т. (2012). Вычислительная магия брюшного потока: к теории. Nat.Пред. DOI: 10.1038 / npre.2011.6117

CrossRef Полный текст | Google Scholar

Ральф, М.А.Л., Джеффрис, Э., Паттерсон, К., и Роджерс, Т.Т. (2017). Нейронные и вычислительные основы семантического познания. Nat. Rev. Neurosci. 18, 42–55. DOI: 10.1038 / номер 2016.150

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Разавиан А.С., Азизпур Х., Салливан Дж. И Карлссон С. (2014). CNN Особенности готовые: поразительная база для признания.arXiv: 1403.6382 [cs] . Доступно в Интернете по адресу: http://arxiv.org/abs/1403.6382 (по состоянию на 19 августа 2019 г.). DOI: 10.1109 / CVPRW.2014.131

CrossRef Полный текст

Рул, Дж. С., Ризенхубер, М. (2020). Использование предшествующего концептуального обучения улучшает способность делать обобщения на нескольких примерах в вычислительных моделях распознавания человеческих объектов. bioRxiv. [Препринт] . DOI: 10.1101 / 2020.02.18.944702

CrossRef Полный текст | Google Scholar

Русаковский, О., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., et al. (2015). ImageNet Проблема визуального распознавания большого масштаба. Внутр. J. Comput. Vis. 115, 211–252. DOI: 10.1007 / s11263-015-0816-y

CrossRef Полный текст | Google Scholar

Шолль К. А., Цзян X., Мартин Дж. Г. и Ризенхубер М. (2014). Динамика избирательности формы и категорий, выявленная при быстрой адаптации ЭЭГ. J. Cogn. Neurosci. 26, 408–421. DOI: 10.1162 / jocn_a_00477

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шримпф, М., Kubilius, J., Hong, H., Majaj, N.J., Rajalingham, R., Issa, E.B., et al. (2018). Оценка мозга: какая искусственная нейронная сеть для распознавания объектов больше всего похожа на мозг? bioRxiv. [Препринт] . DOI: 10.1101 / 407007

CrossRef Полный текст | Google Scholar

Серр Т., Олива А. и Поджио Т. (2007a). Архитектура с прямой связью обеспечивает быструю категоризацию. Proc. Natl. Акад. Sci. США 104, 6424–6429. DOI: 10.1073 / pnas.0700622104

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Серр, Т., Вольф, Л., Билески, С., Ризенхубер, М., и Поджио, Т. (2007b). Надежное распознавание объектов с корковыми механизмами. IEEE Trans. Pattern Anal. Mac. Intell. 29, 411–426. DOI: 10.1109 / TPAMI.2007.56

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шарон Т., Москович М. и Гильбоа А. (2011). Быстрое приобретение неокортикалом длительных произвольных ассоциаций, независимых от гиппокампа. Proc. Natl. Акад. Sci. США 108, 1146–1151.DOI: 10.1073 / pnas.1005238108

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сегеди К., Лю В., Цзя Ю., Серманет П., Рид С., Ангелов Д. и др. (2014). Углубляясь в свертки. в arXiv: 1409.4842 [cs] Доступно в Интернете по адресу: http://arxiv.org/abs/1409.4842 (по состоянию на 24 сентября 2020 г.).

Google Scholar

Thomas, E., Van Hulle, M., and Vogel, R. (2001). Кодирование категорий нейронами, не зависящими от категории, в нижней височной коре. J. Cogn. Neurosci. 13, 190–200. DOI: 10.1162 / 089892

4252

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ванденберге, Р., Прайс, К., Уайз, Р., Джозефс, О., и Фраковяк, Р. С. Дж. (1996). Функциональная анатомия общей семантической системы слов и изображений. Nature 383, 254–256. DOI: 10.1038 / 383254a0

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Виньялс, О., Бланделл, К., Лилликрэп, Т., Кавукчуоглу, К., и Виерстра, Д. (2016). «Согласование сетей для однократного обучения», в Advances in Neural Information Processing Systems (Barcelona), 3630–3638.

Ватанабэ, С. (1969). Знание и предположение: количественное исследование выводов и информации. Хобокен, Нью-Джерси: Джон Уайли и сыновья.

Google Scholar

Вудс, W. (1981). «Процедурная семантика как теория значения», в Elements of Discourse Understanding , ред. А. К. Джоши, Б.Л. Уэббер и И. К. Саг (Кембридж: издательство Кембриджского университета), 300–334.

Яминь, Д. Л., Хонг, Х., Кадье, К., и ДиКарло, Дж. Дж. (2013). «Иерархическая модульная оптимизация сверточных сетей обеспечивает представление, подобное IT макак и вентральному потоку человека», в Advances in Neural Information Processing Systems (Lake Tahoe, NV), 3093–3101.

Google Scholar

Яминь, Д. Л. К., Хонг, Х., Кадье, К. Ф., Соломон, Э. А., Зайберт, Д., и ДиКарло, Дж. Дж. (2014). Иерархические модели, оптимизированные для производительности, предсказывают нейронные реакции в высших зрительных коре головного мозга. Proc. Natl. Акад. Sci. 111, 8619–8624. DOI: 10.1073 / pnas.1403112111

CrossRef Полный текст | Google Scholar

Йилдирим И., Якобс Р. А. (2013). Передача знаний о категориях объектов через визуальные и тактильные модели: экспериментальные и вычислительные исследования. Познание 126, 135–148. DOI: 10.1016 / j.cognition.2012.08.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Йылдырым, И., и Джейкобс, Р. А. (2015). Изучение мультисенсорных представлений для слухово-визуальной передачи знаний категории последовательности: вероятностный язык мышления. Психон. Бык. Ред. 22, 673–686. DOI: 10.3758 / s13423-014-0734-у

CrossRef Полный текст | Google Scholar

Йосински Дж., Клун Дж., Бенжио Й. и Липсон Х. (2014). «Насколько переносимы функции в глубоких нейронных сетях?» in Advances in Neural Information Processing Systems 27, eds Z.Гахрамани, М. Веллинг, К. Кортес, Н. Д. Лоуренс и К. К. Вайнбергер (Ред-Хук, штат Нью-Йорк: Curran Associates, Inc.), 3320–3328. Доступно в Интернете по адресу: http://papers.nips.cc/paper/5347-how-transferable-are-features-in-deep-neural-networks.pdf (по состоянию на 19 августа 2019 г.).

Google Scholar

Обобщение и его применение к ABA-терапии

Обобщение — это когда человек применяет что-то, чему он научился в конкретной ситуации, к другим аналогичным ситуациям, что отмечено прогрессом в достижении целей терапии.Это также называется «переходящим остатком». Прогресс желательно видеть за пределами терапевтической обстановки, например, дома, в школе, парке и т. Д., А также с несколькими людьми, такими как родитель, бабушка и дедушка, няня, учитель. В большинстве программ ABA для обобщения используется конкретное программирование. Обобщение не является автоматическим, и над ним нужно работать постоянно, чтобы максимально использовать изменение поведения и сделать его значимым. Обобщение относится к процессу отработки навыков часто и достаточно тщательно, чтобы убедиться, что человек может использовать их, когда это необходимо, в любой конкретной ситуации или среде.

Методы обобщения

1. Обучение множеству примеров

Один из самых надежных способов достичь обобщения — это преподать множество различных примеров. Это можно сделать в отношении людей, настроек, объектов, поведения или любого другого важного аспекта.

Пр. Обучение слову «чашка» с помощью разнообразных чашек.

2. Обучение многих людей

Обобщение на людей будет легче, если у ребенка будет несколько разных учителей, а не один.Если разные люди учат ребенка, это поможет в выполнении чего-то с разными людьми.

Пр. Не поддаваться нытью должны практиковаться все, кто контактирует с ребенком.

3. Обучайте с помощью нескольких инструкций

Очень часто дети с аутизмом не обобщают понимание автоматически на несколько инструкций, которые должны означать одно и то же. Рекомендуется начать с обучения одного, затем научить другого, при этом время от времени используя старый.Продолжая интегрировать новые инструкции по мере освоения предыдущих. В конце концов, когда конкретный ребенок научился таким образом достаточное количество раз, вы можете начать с обучения с использованием нескольких инструкций с самого начала при обучении новым навыкам.

Пр. «Подойди к столу» и «Подойди сюда»

4. Выберите «функциональное» поведение

Обучайте ребенка поведению, которое может быть полезно в повседневной жизни. Изменение поведения должно привести к тому, что ребенок сможет самостоятельно получать подкрепление из своего окружения.Навыки, которые улучшают жизнь ребенка, например, научить ребенка просить то, что он хочет, являются целью, а не обучение новым навыкам, которые бесполезны.

5. Обучение происходит 24 часа в сутки
Включение обобщения должно происходить не только в запланированное время. Это должно происходить в запланированное время, но также и в их естественной среде, поскольку каждый момент, когда ребенок бодрствует, — это еще одна возможность чему-то научиться.

Пр. Когда ребенок чего-то хочет, практикуйте обобщающие требования (просьбы).

Обобщение обычно происходит очень маленькими шагами. Важно быть последовательным, не сдаваться и дать этому достаточно времени, чтобы дать ему шанс сработать. Пробуйте один подход за раз и при необходимости приспосабливайтесь к новым подходам, избегая быстрой зависимости. Обобщение требует четкого планирования и вмешательства.

Поспешное обобщение: определение, примеры и способы избежать этой ошибки в написании

Иногда вы можете услышать аргумент, который на первый взгляд кажется убедительным, но когда вы действительно думаете об этом, возникает логическая лазейка.Вот почему важно знать, как правильно прийти к выводу.

Когда вы пишете, особенно в случае исследования или журналистики, ошибочные выводы сделают вашу статью слабой и заставят усомниться в вашей точности и достоверности.

Заблуждение — это когда кто-то приходит к ошибочному выводу. Обычно это происходит, когда информации недостаточно или нет в рассуждениях.

Что такое поспешное обобщение?

Поспешное обобщение — это один из примеров логической ошибки, когда кто-то приходит к выводу, который логически не оправдывается объективными или достаточными доказательствами.

Это также известно под несколькими другими названиями:

• недостаточная выборка
• ошибочное обобщение
• необъективное обобщение
• поспешное заключение
• обратная авария
• пренебрежение квалификацией
• второй фунт

Одна из основных причин ошибочного обобщения — это когда люди приходят к выводу, основанному на размер выборки слишком мал: это аргумент, который переходит от частного к общему, экстраполируя вывод об этом небольшом размере выборки и применяя его к гораздо большей совокупности.

Однако наличие большого размера выборки само по себе не гарантирует правильных выводов. Во-первых, вам нужно убедиться, что выборка, которую вы используете для обобщения, репрезентативна для всей генеральной совокупности.

Здесь также важную роль играет статистическая концепция случайной выборки: все респонденты не должны быть слишком похожими, чтобы ваши результаты были более точными и репрезентативными для всего населения.

Что такое пример поспешного обобщения?

Примеры поспешного обобщения включают следующее:

• Когда я был молод, папа и братья никогда не помогали по дому.Все мужчины в доме бесполезны.
• Одноклассники моего ребенка издевались над ним. Все дети терроризируют хулиганов.
• Десятки бедных семей обращаются к деду за финансовой помощью. Жизнь всех бедных людей зависит от других людей.
• Я ел в трех ресторанах Бангкока, и мне не понравилось это впечатление. В Бангкоке нет хороших ресторанов.

Проанализируйте приведенные выше примеры. В первом предложении человек, делающий заявление, имел опыт отца и братьев, которые не помогали по хозяйству по дому.Затем, основываясь на очень небольшой выборке мужчин из ее собственной семьи, она пришла к выводу, что ни один мужчина не знает, как помочь по дому.

Во втором предложении ребенок говорящего подвергался издевательствам в дошкольном учреждении — несколькими учениками, о чем свидетельствует форма множественного числа «одноклассники». Это означает, что размер выборки может составлять два или более студентов. Но это все еще очень маленький размер выборки, чтобы заявить, что всех детей терроризируют хулиганов. (Фактически, делая это заявление, она включает в смесь своего собственного ребенка!)

В третьем предложении мы не знаем точно, сколько бедных семей обратилось к дедушке говорящего за финансовой помощью.Фраза «десятки» говорит нам, что это большое число, но это все еще слишком натянуто, чтобы описать каждую бедную семью как всегда зависимую от других.

В четвертом предложении, посетить три ресторана недостаточно, чтобы сказать, что все рестораны в Бангкоке плохие.

Проблема поспешных обобщений

Поскольку поспешные обобщения, как правило, являются обычной практикой, их не всегда легко обнаружить. Но верить в идею о чем-то, основанную всего на нескольких доказательствах, не только неправильно, но и потенциально опасно.

Ошибочные обобщения имеют этические последствия: они могут привести к дезинформации и проявлению стереотипов. Тогда люди, которые верят в это обобщение, могут оказаться предвзятыми против того, против кого бы ни был выдвинут ошибочный аргумент.

Как вы находите поспешные обобщения?

Чтобы определить поспешное обобщение, нужно отточить навыки критического мышления:

1. Сначала сделайте шаг назад и проанализируйте, кто высказывает мнение.Этот человек обычно объективен или очень субъективен? Это даст вам важную подсказку относительно обоснованности их претензии.
2. Затем проверьте, какой размер выборки использовал человек, чтобы прийти к своему выводу. Если размер выборки невелик, высока вероятность того, что они экстраполировали недостаточные данные. Если размер выборки кажется достаточно разумным, переходите к следующему шагу.
3. Наконец, проверьте источник или доказательства, которые использует человек. Если заявление из возможно предвзятого источника, найдите доказательства, которые поддерживают и опровергают сделанное заявление.Это дополнительное свидетельство поможет вам найти более разумную золотую середину.

Как избежать поспешных обобщений?

Вы не только должны определять, когда другие люди делают предвзятые обобщения, но также должны избегать их самих. Следующие советы помогут вам всегда предоставлять точную информацию:

Приведите конкретные примеры; не применяйте выводы к большей группе.

Если у вас есть опыт работы с небольшой выборкой, упомяните только конкретные экземпляры.Не применяйте полученные результаты к большей группе.

Например, если вы опросили 20 мам, обучающихся на дому, и пятнадцать из них сказали, что работают по жесткому графику, вы не можете сказать: «75% всех мам, обучающихся на дому, работают по жесткому графику».

Вместо этого вы можете сказать что-то вроде: «Из 20 мам, опрошенных в [укажите ваше местонахождение], мы обнаружили, что три четверти из них предпочитают работать по фиксированному графику».

Допустим, вы нашли ребенка с неблагоприятной реакцией на укус паука, но вы знаете, что другие дети пострадали иначе.Будьте осторожны, чтобы не обобщать; вместо этого вы можете сказать что-то вроде: «Хотя укусы этого вида паука обычно не вызывают побочных эффектов, у одного ребенка была серьезная реакция».

Убедитесь, что у вас есть исследования, подтверждающие точность заявления.

Это может оказаться непростым делом, потому что вы также должны убедиться, что исследование, которое вы цитируете, правильно интерпретирует данные.

Вот где важно изучить методологию исследования: проверьте размер выборки и посмотрите, как исследователи поняли выборку.

Также спросите себя, на какие доказательства вы смотрите. Анекдотические свидетельства могут быть ошибочными, поэтому с недоверием относитесь к отдельным примерам, когда вы с ними сталкиваетесь.

Станьте более точным писателем

Суть всего в том, что мы стремимся к максимально возможной точности во всех наших произведениях, как в художественной, так и в документальной литературе.

Хотя это может потребовать больше усилий, проявление усердия в отношении точности ваших утверждений поможет вам укрепить голос и завоевать доверие ваших читателей.

Вы нашли этот пост полезным? Дайте нам знать в комментариях ниже!

Если вам понравился этот пост, то вам также может понравиться:

Йен Кабаг — автор блогов TCK Publishing. Она также занимается домашним обучением, семейным тренером и лектором по методу Шарлотты Мейсон, философии образования, в которой большое внимание уделяется классической литературе и шедеврам искусства и музыки. Она также написала несколько книг, как художественных, так и документальных.Она страстно желает, чтобы следующее поколение детей стало любителями чтения и обучения в условиях короткого промежутка времени.

Примеры — поспешные обобщения

Теперь, когда у вас есть определение, давайте подробнее рассмотрим, как выглядит поспешное обобщение в действии. ПРИМЕР 1 Из моей комнаты аромат пиццерии непреодолим! Я чувствую запах дрожжей, чеснока и трав в соусе для пиццы, наполняющих воздух.Я уже знаю, что это будет просто замечательно! Эту пиццерию закрыли три дня назад из-за нарушения здоровья. У него 42 1-звездочных отзыва о Yelp. Тесто заморожено, соус извлечен из банки, чеснок измельчен и обильно нанесен. — The Purdue Owl В этом примере человек, о котором идет речь, делает вывод об уровне качества пиццерии слишком быстро, основываясь на слишком небольшом количестве доказательств. Хороший запах — это только один компонент хорошей пиццы, и нелогично предполагать, что пицца будет отличной, основываясь только на запахе. ПРИМЕР 2 Обычно в первый день занятий учитель может извлечь наиболее важные части программы и подробно их изучить. Это дает студенту представление не только о сроках выполнения работы, но и о важных фактах, которые требует инструктор. Ясность часто упрощает задачу. Однако детали к некоторым оказывает давление, и они реагируют негативно. Пример: «Несмотря на то, что это только первый день, я могу сказать, что это будет трудный курс для изучения.” — Purdue Owl В этом случае ученик делает нелогичный вывод о том, что урок будет трудным, основываясь только на учебной программе. На самом деле, ученику нужно будет пройти тесты, домашние задания, лекции и дискуссии, чтобы действительно определить, будет ли занятие трудным. ПРИМЕР 3 Поспешные обобщения в рекламе В этом видео общая тема — обобщение группы на основе популярной идеи.Например, в рекламе Taco Bell женщины привлекают нескольких парней запахом бекона, который должен любить все мужчины. Некоторые мужчины могут любить бекон, но не все. Поэтому это поспешное обобщение. Хотя мужчин в рекламе привлекает Бэкон, нет достаточных доказательств, чтобы предположить, что Бэкон привлечет всех мужчин. Точно так же в рекламе Axe парень наносит спрей на все тело, намекнув на шоколад. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт