Примеры я концепция: Я-концепция: в согласии с собой

Моя Я – концепция — Эссе

Эссе на тему: «Моя Я – концепция».

Прежде всего начну с того, что такое «Я – концепция» — система представлений индивида о себе самом, осознаваемая часть личности, образ собственного Я. Эти представления о себе самом в большей или меньшей степени осознанны и обладают относительной устойчивостью. На формирование Я-концепции влияет целый комплекс факторов, из которых особенно важны контакты со «значимыми другими», в сущности определяющие представления о самом себе.

 Я-концепция состоит из определённых структурных компонентов, которые в свою очередь также подразделяются на составляющие. Ниже я постараюсь описать себя.

Я считаю себя довольно общительный человеком, но в тоже время меня нельзя назвать «душой компании». Так же могу сказать, что я добродушная, внимательная, стремлюсь увидеть в людях только лишь хорошее, отходчивая. В случае если меня кто-то о чем-то попросил, невзирая на свои проблемы и дела, я прежде всего могу помочь другому, во вред своего времени, состоянии и сил, и не всегда получаю за такую жертву «спасибо» в ответ.

Из отрицательной стороны, большая часть происходящее со мной я принимаю всё «близко к сердцу, меня обижают определенные вещи, в итоге я очень долго думаю над этим, анализирую, зачастую это сбивает с обычной повседневной рутиной, настроиться на нее бывает тяжело. Также в дальнейшем мне трудно контактировать с этими людьми как будто ничего не случилось.

Рассмотрим физические стороны меня – это пол, рост, строение организма, о своей внешности в целом. Говоря о моем поле, я очень рада, что родилась девочкой, меня полностью устраивает это. А вот охарактеризовать свой рост и тело сложение будет не просто, есть к чему стремиться  и есть к чему расти. Так как родители маленькие, мне достался от них рост, миниатюрная девочка, но в этом есть много минусов, доставляющие дискомфорт в жизни. В будущем, я, конечно планирую заняться собой, чтобы придать телу спортивный вид. В целом, я довольно милая девушка, с выразительными глазами, в которую влюбился молодой человек.

Методические материалы к курсу нлп-мастер

Koob. ru Методические материалы к курсу НЛП-Мастер Участнику курса НЛП-Мастер: Фамилия _______________________________________________________ Имя ___________________________________________________________ Отчество _______________________________________________________ Содержание. ЛИЧНОСТНЫЕ ИЗМЕНЕНИЯ НА УРОВНЕ УБЕЖДЕНИЙ И ЦЕННОСТЕЙ. 7 Убеждения. 7 Реимпринтинг. 11 Сущностная Трансформация. 12 МЕТАПРОГРАМНЫЕ ФИЛЬТРЫ. 21 Паттерны метапрограмм. 22 МОДЕЛИРОВАНИЕ. 36 Общая схема процесса моделирования 37 Стратегия моделирования по Дэвиду Гордону. 49 МИССИЯ. 60 Элементы раскрытия миссии 62 ТЕХНИКИ НЛП НА ПРОДВИНУТОМ ЭТАПЕ. 71 Модель решения проблемы S.O.A.R. 71 Комбинация НЛП и модели S.O.A.R. 72 Волшебная Сказка. 88 ЗНАКИ И СИМВОЛЫ. 100 Активное мечтание. 100 Сны и сновидения. 100 Интерпретация снов и метафор 101 ХАОС И ПОРЯДОК. 105 Стратегия реальности. 105 МЕТАФОРЫ. 112 Я – КОНЦЕПЦИЯ. 122 ЛИНГВИСТИЧЕСКАЯ РАБОТА С УБЕЖДЕНЯМИ. 125 DHE и NHR. 127 РАБОЧИЙ ЛИСТ МЕТАМОДЕЛИ III 130 КРИТЕРИИ МАСТЕРСТВА. 134 «…Жил однажды на свете принц, который верил во все, кроме трех вещей, в которые он не верил. Он не верил в принцесс, он не верил в острова, и он не верил в Бога. Отец принца, король, сказал ему, что таких вещей на свете не существует. Так, во владениях отца не было ни принцесс, ни островов и никаких признаков Бога; и принц верил своему отцу. Но вот однажды принц сбежал из дворца и оказался в другой стране. И в этой стране он с любого места побережья мог видеть острова, а на этих островах странные, вызывающие волнение в крови, существа, называть которые у него не хватило духу. В то время, как он был занят поисками лодки, к нему подошел человек в вечернем наряде. — Это настоящие острова? — спросил юный принц. — Разумеется, это настоящие острова, — ответил ему человек в вечернем платье. — А эти странные волнующие существа? — Это самые настоящие, самые подлинные принцессы. — Тогда Бог тоже должен существовать! — воскликнул принц. — Я и есть Бог, — ответил ему человек в вечернем наряде и поклонился. Юный принц изо всех сил поспешил к себе домой. — Итак, ты вернулся, — приветствовал его король-отец. — И я видел острова, видел принцесс и я видел Бога, — заметил ему принц с упреком. Король отвечал непреклонно: — На самом деле не существует ни островов, ни принцесс, ни Бога. — Но я видел их! — Скажи мне, во что был одет Бог? — Он был в вечернем наряде. — Были ли закатаны рукава его пиджака ? Принц вспомнил, что рукава были закатаны. Король улыбнулся. — Это обычная одежда мага, тебя обманули. Тогда принц вернулся в другую страну, пошел на тот же берег и снова встретил человека в вечернем наряде. — Король, мой отец, рассказал мне, кто вы такой, — заявил ему принц с возмущением. — Прошлый раз вы обманули меня, но на этот раз этого не пройдет. Теперь я знаю, что это ненастоящие острова и ненастоящие принцессы, потому что вы сами — всего лишь маг. Человек на берегу улыбнулся в ответ: — Ты сам обманут, мальчик мой. В королевстве твоего отца множество островов и принцесс. Но отец подчинил тебя своим чарам, и ты не можешь увидеть их. В раздумье принц вернулся к себе домой. Увидев отца, он взглянул ему прямо в глаза. — Отец, правда, что ты не настоящий король, а всего лишь маг ? — Да сын мой, я всего лишь маг. — Значит, человек на берегу был Богом? — Человек на берегу — другой маг. — Я должен знать истину, истину, которая лежит за магией! — За магией нет никакой истины, — заявил король. Принцу стало очень грустно. Он сказал «Я убью себя». С помощью магии король вызвал смерть. Смерть стала в дверях и знаками подзывала к себе принца. Принц содрогнулся. Он вспомнил о прекрасных, но ненастоящих принцессах и о ненастоящих, но прекрасных островах. — Что же делать, — сказал он. Я смогу выдержать это. — Вот, сын мой, — сказал король, — вот и ты начинаешь становиться магом…» Джон Фаулз «Волхв» ЛИЧНОСТНЫЕ ИЗМЕНЕНИЯ НА УРОВНЕ УБЕЖДЕНИЙ И ЦЕННОСТЕЙ. «…Для обычного человека мир кажется странным своим свойством либо нагонять скуку, либо быть с ним не в ладах. Для воина мир странен, потому что он огромен, устрашающ, таинствен, непостижим. Воин должен с полной ответственностью отнестись к своему пребыванию здесь — в этом чудесном мире, сейчас — в это чудесное время…» К. Кастанеда «Путешествие в Икстлан» «…Наши убеждения относительно самих себя и своих возможностей в окружающем мире неизменно и в значительной мере влияют на всю нашу повседневную деятельность. У каждого есть убеждения, служащие ресурсом, и наряду с этим – убеждения, сдерживающие движение вперед… Утверждают, что изменение убеждений напоминают рецепт жаркого из тигра. Прежде всего, нужно добыть тигра – и здесь могут возникнуть определенные трудности! В остальном же — ничуть не сложнее, чем жаркое из кролика…» Р. Дилтс «Изменение убеждений с помощью НЛП» «…Когда вы подходите к перекрестку, любое решение о новом направлении является всего лишь миражом, летящим на крыльях времени… однако может ли кто-то из вас действительно позволить себе воспользоваться этим шансом?…» Искренне, насколько можно, Ричард Бэндлер. Поделитесь с Вашими друзьями:

Я-концепция Представления человека о самом себе и то, каким знают его другие люди, никогда полностью не совпадают. Каждый

извлекает из собственных переживаний некое существенное со своей точки зрения содержание и создает из него специфическую персонификацию — образ человека, модель его (или своей) личности, как он ее себе представляет. Все знают, что человек идеализирует («выдумывает») объект своей любви и создает контрастный образ врага. По тому же принципу создается персонификация самого себя… Организованная когнитивная (познавательная. — Ред.) структура, извлеченная из собственных переживаний своего собственного «Я», называется Я-концепцией. Однажды возникнув, она очень избирательно принимает в данную концептуальную категорию новые переживания или новую информацию. Поэтому ей приписывают тенденцию к самоподкреплению. Серьезный вклад в разработку этого понятия внес Манфред Кун. Он рассматривает Я-концепцию как основу для организации личности, ее интеграции в процессах социального взаимодействия. Кун выделяет пять функций данного образования в регуляции поведения: а) определение собственной идентичности; б) собственных интересов, симпатий и антипатий; в) своих целей и продвижений к успеху; г) системы соотнесения, в центре которой находится сам индивид в окружении значимых объектов; д) самооценивания. «Центральным в Я-концепции индивида, — пишет М. Кун, — является его идентичность, т. е. его генерализованная (обобщенная. — Ред.) позиция в обществе, происходящая из его статусов в группах, членом которых он является, которая предопределена этими статусами, и социальных категорий, которые группа членства заставляет его приписывать самому себе (пол, возраст, класс, раса и т. п.)». Вопросы и задания: 1) Как вы понимаете положение о том, что представление о себе и представление других людей о вас не совпадают? Приведите примеры такого несовпадения, известные вам из литературы. 2) Какие элементы входят в Я-концепцию? Как вы понимаете их сущность? 3) Какой важный для самопознания вывод можно сделать из того, что людям свойственно идеализировать предмет любви? 4) Может ли сформироваться Я-концепция у человека, лишенного общественных контактов? Ответ аргументируйте.

концепция в предложении | Примеры предложений по Кембриджскому словарю

Эти примеры взяты из корпусов и из источников в Интернете. Любые мнения в примерах не отражают мнение редакторов Cambridge Dictionary, Cambridge University Press или его лицензиаров.

Учащиеся в небольшой группе могут учиться на объяснениях других задач, концепций и более крупных идей, а также на сильных сторонах других как мыслителей и искателей информации.

Учителя-математики обнаружили важность использования текущих событий для обоснования математических концепций.

Сила векторной алгебры заключается в ее способности масштабироваться — концепции, уравнения и теоремы плавно (обычно одинаково) перемещаются в более высокие измерения.

За этот период мы усвоили несколько общих концепций по мере того, как мы приобрели опыт работы с данными геномных последовательностей.

Есть и другие причины, по которым текстовые редакторы нуждаются в концепциях намерения и авторитета.

Различие между концепциями или понятиями не влечет за собой разницы в указанном объекте.

Внимание уделяется тому, как наши концепции ментального и физического, человека, тела и человеческого существа могут быть уточнены.

Такой подбор терминов и понятий незаменим при подготовке к исследованию фактов проблемной ситуации.

Концептуальная организация и составляющие ее понятия не совпадают со значениями лексических единиц языка.

Такие авторы считают, что телеологические концепции можно использовать для объяснения возникновения некоторого поведения.

Войны также предлагают очень интересные тематические исследования для изучения таких экономических концепций, как альтернативные издержки, дефицитные расходы, налогообложение и гиперинфляция.

В основе лежали концепции прав человека и свободы.

Желательно, чтобы ценности и концепции, приобретенные через первую культуру, были релятивизированы и подвергнуты тщательному анализу.

Подобная реструктуризация понятий кажется невозможной для богословия.

Легкодоступный стиль способствует всестороннему прочтению книги и твердому пониманию концепций.

Основным преимуществом этого подхода является его абстракция представления высокого уровня, которая имеет дело с концепциями моделирования, а не с реализацией.

Однако основные концепции этой главы ясны.

Возникающие моральные и религиозные концепции и практики являются частью способа, которым человеческий мозг управляет человеческим поведением.

Кажется, что между понятиями нет никакой связи.

У них нет мистических переживаний, потому что у них нет концепций, с помощью которых переживания можно было бы переживать как мистические.

В обоих типах понимания пользователь языка является компетентным пользователем различных лингвистических концепций.

Возможные, но неактуальные, созданные субстанции также имеют законченные концепции, и они аналогичным образом связаны только с одним возможным миром.

Одним из преимуществ нашего проекта является то, что он показывает, как произвести надежный эмпирический анализ концепций, которые часто чрезмерно теоретизировались и недостаточно исследовались эмпирически.

Сегодня в неврологии существуют две совершенно разные концепции работы мозга в целом.

Кроме того, концепции скорости обработки и избирательного внимания следует оценивать с помощью более обширного набора тестов.

По мере продвижения исследований в области управления интерфейсами возникли некоторые концепции, на которых может быть основана структура для разработки интерфейса человек-компьютер.

Мы разрабатываем соответствующие концепции и результаты в общих рамках институтов.

Задача выбора положительных примеров может быть очень сложной из-за сложности некоторых концепций в сценарии.

Адекватная трактовка других лингвистических концепций поддерживается посредством унификации.

Следовательно, должны быть механизмы для представления многоязычных отношений между концепциями разных языков.

В то же время язык скрывает свой референциально-метафорический характер, делая вид, что эти понятия относятся к объективной реальности.

Первая глава подытожена определениями всех важных терминов и понятий, введенных авторами.

Цель этого сборника — проиллюстрировать взаимосвязь этих концепций.

Хотя эти три понятия связаны, они референциально различны.

Что касается общих понятий, два в частности должны быть определены в их более широком контексте.

Мы также дадим первое представление об основных концепциях иерархических графов, а именно об идеях группировки и инкапсуляции элементов графа.

Более того, эти результаты показывают, что они хорошо сравниваются с современными оценщиками, основанными на значительно более сложных концепциях.

Примеры того, как проводится анализ текста с точки зрения этих понятий, также представлены на протяжении всей главы.

Объединяющие концепции в исследовании когнитивных структур учителей.

Статья посвящена анализу концепций сотрудничества и поддержки в обучении.

В статье сначала обсуждаются основные концепции — не портфолио как такового, а портфельной педагогики.

Явное обучение — это преднамеренное построение вербализуемого знания в форме символов (понятий) и правил.

Теоретические концепции, такие как иностранный язык0 второй язык, детский язык0 детская культура и письменная речь0 грамотная культура, относятся к дифференциальному уровню.

Она объясняет, и исследования, представленные в этом томе, демонстрируют, что эти концепции необходимо прояснить.

Примеры в этой главе упрощают понимание и визуализацию этих сложных концепций.

Другой особенностью файла синонимов является то, что синонимы представляют собой очень общие фразы, которые могут соответствовать множеству различных концепций.

Здесь четко описаны эвристики, используемые для определения базовых концепций.

Основные концепции проиллюстрированы примерами как из формальных, так и из естественных языков.

Мы еще не рассмотрели создание квалификаторов для концепций.

В большинстве таких случаев семантические теги двух концептов совпадают, и их статистические рейтинги также очень близки к одинаковым.

Специалисты в предметной области используют временную декомпозицию для описания представляющих интерес закономерностей, что означает, что более крупные, но менее подробные концепции разбиваются на более подробные сущности.

Чтобы иметь возможность сформулировать и обсудить этот опыт, необходим соответствующий новый набор терминов и концепций.

Большинство концепций 12-тональной музыки можно применить к третьей тональной музыке.

Другие представляют собой более сложные разработки исходных концепций; например, перемешивание происходит от «микромонтажа», но используется случайным образом для одного или двух смешанных звуков.

С этого момента начинается долгая история электроакустической музыки с ее технологическим развитием, концепциями и формами.

Подобная перекрестная категоризация (а также перечисление существующих устройств) кажется хорошим способом определения основных лежащих в основе концепций.

Аналитическое обсуждение акусматической музыки может быть полезно, если оно основано на пространственных концепциях, и эта статья призвана предоставить основу для исследования.

При использовании этих техник для звуковой композиции композитор должен также обладать навыками физики, чтобы даже начать; концепции быстро становятся громоздкими и вводящими в заблуждение.

Семиотические концепции предлагают интересный подход к восприятию звука.

Используемые определения этих понятий позволяют ввести их в действие, используя стандартный набор баллов как для политических свобод, так и для политической демократии.

Одно из преимуществ такой идентификации — упрощение концепций.

Одна из интерпретаций этих альтернативных концепций равновесия связана со способностью центрального банка брать на себя краткосрочные обязательства.

В экономической литературе есть два основных понятия гистерезиса.

Важность этих концепций для изучения языка хорошо известна.

Конечно, концепции вотчины не были структурированы только этим использованием домашнего пространства.

Хотя власть и культура еще не обозначены как таковые, на самом деле они являются центральными парными концепциями этого подхода.

Я показал им пять эскизов и объяснил все плюсы и минусы этих концепций, этих типов зданий.

Тест сортировки также оказывается пригодным для оценки степени, в которой смысловые отношения между лексическими понятиями отражаются в составляющих их контекстах.

Концепции контроля использовались для описания того, как эти многочисленные компоненты сочетаются друг с другом для модуляции индивидуальных социальных реакций.

Подход к моделированию структурным уравнением: основные понятия и фундаментальные вопросы.

В первом разделе (шесть глав) представлены основные психолингвистические концепции с упором на лексическое / семантическое развитие.

Дисциплинарные модели позволяют членам каждой дисциплины работать в соответствии со своими собственными концепциями и представлениями.

Однако первые три не являются концепциями продукта и не должны учитываться при расчете рейтинга документа.

Каждая таксономия — это иерархическая организация понятий в независимой подобласти семантики проекта.

Онтология состоит из набора концепций, аксиом и отношений, описывающих интересующую область.

Поиск на основе таксономии требует иерархической организации понятий предметной области.

Понятия организованы в иерархии родитель-потомок, представляющие таксономии понятий в определенных предметных областях.

245 мысленно создают свои критерии поиска 7, выбирая комбинации понятий из просматриваемого графического дисплея.

Какие бы идеи ни были воплощены, представляют ли сидящие и стоящие на коленях фигуры исторических личностей столько же или больше, чем они представляют идеализированные события и концепции?

На данном этапе эти и другие концепции все еще разрабатываются для повышения уровня сглаживания пятен для прямого привода.

Нотация сведена к минимуму, теоретические концепции объясняются простым языком, а видным музыковедам дается краткое введение.

Идея происходит от концепции конфликта при конверсионном расстройстве.

В литературе, посвященной распространению политики, концепции иммунитета и изоморфии находятся на противоположных концах спектра.

В первой части вводятся понятия.

Однако способ, которым авторы используют эти концепции, варьируется.

Система извлечения медицинской информации нуждается в лексиконе синтаксической и семантической информации о медицинских терминах и понятиях.

На протяжении веков художники экспериментировали с красками (например, пробуя новые пигменты или масла) и с такими концепциями, как перспектива и свет.

Чтобы помочь нам в этом, мы можем использовать два ключевых понятия: среда и материалы популярной музыки.

Критика класса и других великих концепций происходила в мире, в котором мета-нарративы становились все более несостоятельными.

Мы предполагаем, что благодаря языковому опыту они адаптируют свои довербальные концепции к конкретным пакетам, очерченным их собственным языком.

Расстояние между концептами в контекстном пространстве — вот что стоит за внутри- и межконтекстной обработкой.

Введение контекстного пространства позволяет определить дистанцию ​​между этими разными концепциями контекста.

Более того, разные агенты могут рассматривать разные концепции как релевантные, что приводит к тому, что их онтологии различаются по степени детализации и объему.

Для начала он вводит некоторые базовые концепции, такие как искусственные нейроны, сети нейронов и основы обучения.

Ядро онтологии в своей текущей версии включает 114 концептов.

На основе факторов корреляции термины индекса связаны с релевантными концепциями онтологии с помощью слепой связи.

Размерность вектора определяется количеством понятий в онтологии.

Внутренняя система перекрестных ссылок позволяет читателю связать различные концепции, методы и теории.

Однако он утверждает, что даже опытным юристам трудно дать определение в этой форме юридических понятий.

Другими словами, мы стремимся прояснить наши концепции, чтобы прийти к общему объяснению юридических явлений.

Эти примеры взяты из корпусов и из источников в Интернете. Любые мнения в примерах не отражают мнение редакторов Cambridge Dictionary, Cambridge University Press или его лицензиаров.

Что это такое и почему это актуально

Что входит в разработку концепции?

Концепция должна включать пуленепробиваемое определение или правило , которое содержит критические атрибуты концепции. Кроме того, для пояснения концепции предоставляются примеры и не примеры (если применимо) путем выявления критических , некритических и общих атрибутов . Примеры используются, чтобы подчеркнуть эти атрибуты. Не примеры помогают прояснить концепцию или показать, как некоторые атрибуты концепции часто совпадают с другими концепциями.

Концепция имеет критических , некритических и общих атрибутов .

• • Критические атрибуты присутствуют всегда.
  • Иногда присутствуют некритические атрибуты . Иногда необходимы дополнительные утверждения или предложения, чтобы внести ясность или дополнительную информацию о концепции.
  • Общие атрибуты используются совместно с другими концепциями. Важно показать вашим ученикам, как атрибуты используются совместно с другими концепциями, чтобы не допустить чрезмерного обобщения учащимися.

Почему актуальна разработка концепции?

Разработка концепции важна по многим причинам:

1. Разработка концепции важна, потому что она заставляет учителя иметь очень четкое понимание и определение того, что преподается, и предоставляет письменную справку для студентов, особенно English Learners .
2. Разработка концепции важна для того, чтобы учащиеся могли обобщать новые ситуации в школе и реальной жизни. Студентам нужна хорошая основа на концептуальном уровне, чтобы они могли применять изученные концепции в новых ситуациях. Например, учащиеся могут подсчитать, сколько краски нужно для покраски стены, потому что они сразу понимают, что это требует определения площади.
3. Разработка концепции важна, чтобы учащиеся могли усвоить обобщение, а не изучать отдельные примеры.Например, научите правило, что дней недели всегда должны начинаться с заглавной буквы . Это общее правило, которое студенты могут применять к любому дню недели вместо того, чтобы учить отдельные дни отдельно. Согласно исследованию мозга (Allard 2007), информация должна быть представлена ​​в виде обобщений (один крючок), а не отдельных примеров (несколько случайных крючков), чтобы информация сохранялась в долговременной памяти . Если учащихся не учат концепциям, информация не сохраняется в долговременной памяти.
4. «Разработка концепций» актуальна, потому что все учащиеся должны уметь описывать изучаемые концепции. В статье Ричарда Кларка, Пола Киршнера и Джона Свеллера «Помещая студентов на путь обучения » студенты, не имеющие соответствующих концепций долговременной памяти, будут слепо искать решения в течение длительного времени и почти ничего не узнают.
Концепции
5. — это , протестированные на государственных тестах и Common Core Assessments . Например, 5 ^th класс Smarter Balanced Assessment использует концепцию , основную идею в вопросе.Студентам необходимо знать, в чем состоит основная идея , чтобы выбрать правильный ответ.

Цитаты

Явное прямое указание: сила хорошо продуманного, хорошо преподанного урока от Джон Холлингсворт и Сильвия Ибарра

Явные прямые инструкции для изучающих английский язык Джона Холлингсворта и Сильвии Ибарра

Explicit Direct Instruction® (EDI®) for Common Core Workshop , разработанный DataWORKS

Каким образом преподавание этой концепции может быть полезно для ваших учеников? Пожалуйста, поделитесь любыми примерами, комментариями или отзывами в разделе комментариев ниже.

Концептуальная карта

: определение и примеры — видео и стенограмма урока

Кто изобрел концептуальные карты?

Итак, кто вообще изобрел концептуальные карты? В 1972 году Джозеф Новак, профессор Корнельского университета, изучал, как меняются знания детей о науке. Он создал концептуальную карту, чтобы представить эту концепцию. Затем он решил, что картографирование концепций — это не только отличный инструмент для визуального представления концепций и их взаимосвязей, но и если его ученики смогут создавать концептуальные карты, это покажет, что они понимают материал, который они изучали на его курсах.

Компоненты концептуальной карты

Есть несколько компонентов концептуальных карт, которые выделяют их из других визуальных организаторов, таких как интеллектуальные карты. Давайте рассмотрим типичные компоненты концептуальной карты:

1. Концепции обычно заключаются в прямоугольники или кружки.
2. Концепции идут сверху вниз в иерархическом порядке.
3. Основная концепция (и) обычно помещается в большую рамку или кружок в верхней части карты концепций, а другие концепции ответвляются от нее.
4. Глаголы на ветвях, соединяющих понятия, называются соединяющими словами или соединяющими фразами , которые обозначают отношения между двумя понятиями.

Теперь, когда мы знаем компоненты концептуальной карты, давайте посмотрим на этот очень простой пример карты на коровах:

Обратите внимание, как связывающие фразы отображают отношения между концепциями.

Более сложная карта концептов показала бы взаимные отношения между концепциями и имела бы больше стрелок, указывающих различные и перекрывающиеся отношения между концепциями на карте.Давайте посмотрим на концептуальную карту депрессии в качестве примера более подробной концептуальной карты.

Теперь, когда у вас есть представление о том, что влечет за собой и как выглядит концептуальная карта, давайте посмотрим на другой визуальный органайзер, который часто путают с концептуальной картой, интеллект-карту.

Различия между интеллектуальными картами и концептуальными картами

Помните, когда вам приходилось делать интеллектуальные карты в начальной и средней школе? Интеллектуальные карты — это более простой визуальный органайзер, который учителя обычно просят сделать учеников, чтобы отсортировать знания и информацию по теме, прежде чем они напишут черновик исследовательской работы или что-то в этом роде.Между интеллект-картами и концептуальными картами есть несколько ключевых различий.

Например, ментальные карты имеют центральную концепцию посередине и отходящие от нее подтемы. Концептуальные карты организованы иерархически, обычно сверху вниз. Кроме того, ментальные карты обычно имеют одну основную концепцию в середине страницы, в то время как концептуальные карты могут иметь несколько основных концепций, а не только одну посередине. Вместо прямых линий от основного понятия к подконцепции в ментальных картах, на концептуальных картах могут быть линии со стрелками на обоих концах, указывающие на взаимные отношения между концепциями.На концептуальных картах также могут быть линии, идущие в разных направлениях к разным темам, от концепта, указывающего на сложные и разнообразные отношения между темами или концепциями.

Преимущества концептуальных карт

Интеллектуальные карты иногда легче построить, но они не позволяют показать взаимосвязи между концепциями. Концептуальные карты также упрощают определение ключевых концепций, на которых учителям или учащимся необходимо сосредоточиться по определенной теме. Они также могут выступать в качестве визуальной дорожной карты отношений между концепциями.Концептуальные карты могут служить графическим обзором того, что студенты узнали. Они могут быть отличным обучающим методом повторения перед экзаменом. Кроме того, учителя могут познакомить учащихся с темой, используя концептуальную карту, чтобы увидеть, сколько информации они уже знают по теме, попросив их построить концептуальную карту. Учителя и студенты или студенты также могут создавать концептуальные карты, чтобы вместе обсудить все идеи и знания по теме и выгрузить информацию в концептуальную карту.

При всех перечисленных преимуществах концептуальные карты являются очень полезным и популярным инструментом для учителей и учеников, позволяющим систематизировать концепции и определять взаимосвязи.

Резюме урока

Концептуальные карты — это визуальные организаторы концепций и их взаимосвязей, которые помогают в преподавании и обучении. Они имеют иерархический характер и простираются от верхнего края страницы до низу с пузырьками, прямоугольниками и линиями или стрелками, обозначающими взаимосвязи между темами на карте. Каждая линия или стрелка имеет глагольную фразу, также называемую связывающим словом или фразой, которая определяет отношения между связывающими концепциями.

Как писать выигрышные концепции

Как писать концепции

Хорошо разработанная концепция — это одновременно искусство и наука.Наука исходит из наличия правильных элементов в правильной формуле — для позиционирования концепций, которые означают понимание, пользу и причины верить; для новых концепций продукта или услуги, что означает ключевое преимущество и краткое описание. Искусство исходит не только из языка, используемого для воплощения элементов в жизнь, но и из процесса, призванного помочь вам в этом. Звучит просто? Обычно это не так. Ключ к написанию выигрышных концепций заключается в том, чтобы знать, как их соединить. Эта статья посвящена концепциям позиционирования.

Начните с Killer Insights

Проницательность должна быть одной из следующих вещей:

• Ясно заявленное, убедительное убеждение.
• Правда о жизни вашего потребителя.
• Правильное состояние вашего потребителя.

Insights установил , почему Мне (потребителю) нужен продукт, о котором вы мне рассказываете. Иногда это определяется как проблема, которую необходимо решить, но это определение может быть немного узким — это не всегда проблема, в точности.Он должен установить контекст, в котором потребителю может понадобиться следующая выгода. Это предпосылка истории, которую вы собираетесь рассказать.

Правильное понимание — одна из самых сложных частей разработки концепции. Это потому, что понимание должно быть связано с темой или категорией, но , а не о продукте. Понимание действительно должно касаться человека — это лучший тест на то, является ли то, что вы написали, пониманием или преимуществом. Если речь идет о человеке, вероятно, это озарение.Если речь идет о продукте, это, вероятно, выгода.

THE WATCHOUT

Легко попасться в ловушку написания идеи, которая начинается со слов «Было бы здорово, если бы…». Проблема с этой структурой в том, что далее следует выгода, а не понимание. Каждый раз, когда вы обнаруживаете, что пишете подобное понимание, спрашивайте себя, ПОЧЕМУ. Почему это было бы здорово? Ответ на вопрос «Почему?» — это, скорее всего, озарение.

Итак, хорошо написанное понимание должно содержать в себе «я» и должно говорить о том, что потребитель думает, чувствует или верит до , которые он узнает об этом конкретном продукте.Это одна из причин, по которой писать сложно: вы должны знать, о каком продукте вы говорите, и должны понимать суть преимуществ, которые он принесет. Затем вам нужно «вернуться» к пониманию, которое открыто не касается конкретного продукта или его преимуществ.

Например: «Разве не было бы замечательно, если бы у меня был личный механик, который решал бы все проблемы с моей машиной?» Почему это было бы здорово? Потому что я часто задаюсь вопросом, действительно ли автомеханики заботятся о моих интересах. Это понимание.

Вот несколько возможных вариантов начала предложения, которые направят ваше понимание в правильном направлении:

Хорошая проверка способности проникновения в суть: «Кивнули бы другие люди в знак согласия, если бы они услышали это?» Если да, то вы, вероятно, нашли для себя значимое понимание.

Найдите преимущества, которые мотивируют

Выгода — это обещание потребителю. Это что-то положительное, что они получат от продукта. При написании заявлений о преимуществах часто бывает полезно начать со слов «Я получаю…» (где «Я» — это потребитель).

Если вы работаете в отрасли, где покупатель может не быть конечным пользователем, просто замените слово «I.» на соответствующего конечного пользователя. Например, если это детский товар, а покупателем является мама, начните со слов «Мой ребенок получит…». (Хотя в этом случае для мамы также часто возникает эмоциональная выгода, поэтому вам, возможно, придется решить, как расположить выгоду — для ребенка или для мамы.) Точно так же, если вы работаете в медицинской отрасли, и врачу. покупатель — с пациентом в качестве конечного пользователя, начните со слов: «Мой пациент получает…».”

Пособие может быть функциональным или эмоциональным, но что лучше? Это извечный вопрос в маркетинге. Хотя мы знаем, что потребители в конечном итоге принимают решения на основе эмоций, это не означает, что рациональная выгода не работает. Рациональная выгода позволяет потребителю подниматься по лестнице к эмоциональной выгоде в своем собственном сознании (даже если они не могут ее сформулировать).

Но может сработать и откровенное заявление об эмоциональной пользе. Пока выгода соответствует пониманию — и поддерживается Причинами верить — могут работать либо рациональные, либо эмоциональные выгоды.Вам нужно решить, что наиболее привлекательно для рассматриваемого продукта и как можно объединить общую историю, чтобы помочь вам принять решение.

Часто легче начать с функциональной выгоды, даже если вы хотите получить эмоциональную выгоду. Затем, чтобы подняться до эмоциональной выгоды, спросите: «И что? Почему это важно? Почему меня (потребителя) это волнует?» Ответом на этот вопрос будет преимущество более высокого порядка.

Может возникнуть необходимость спросить «Ну и что?» более одного раза, чтобы добраться до «правильного» уровня эмоциональной выгоды.Каждый последующий ответ на вопрос «И что?» будет преимуществом более высокого уровня следующего уровня. Сколько раз вам нужно будет спросить, варьируется. Но вы, вероятно, узнаете это, когда увидите (или услышите). Часто это просто кажется правильным.

THE WATCHOUT

Вы хотите избежать того, что мы называем концепцией «дух». Вот тогда понимание и польза почти одинаковы. Например:

Insight: мне нужно что-то, что может управлять GPS и навигацией в моей машине.
Преимущество: теперь вы получаете то, что управляет GPS и осуществляет навигацию за вас, так что вы можете сосредоточиться на вождении.

Ду.

Это хорошее упражнение, чтобы довести выгоду до того, что, вероятно, является завышенным обещанием, просто для того, чтобы убедиться, что вы выбрали правильное. Например, когда мы работаем с фармацевтическим продуктом, мы иногда принуждаем себя к очень широкому заявлению о пользе, которое может сказать почти любое лекарство, а затем оглядываемся на список, чтобы выбрать преимущество «более низкого порядка» в качестве нашего окончательный выбор.

Также можно начать с чрезмерной выгоды и спуститься по лестнице, чтобы раскрыть более достоверное и актуальное заявление о выгодах. Чтобы спуститься по лестнице, нужно спросить: «Как?» Как можно было бы достичь этой невероятной выгоды? Ответ на вопрос «Как?» является преимуществом следующего уровня ниже.

После того, как у вас есть заявление о преимуществах, которое кажется правильным, вам необходимо провести последнюю проверку того, насколько хорошо понимание и выгода соответствуют друг другу. «Отвечает» ли пособие на прозрение? Это лучшая формулировка того, что ответит на прозрение? Если нет, вам нужно изменить одно или другое, чтобы связь между ними имела смысл.

Если вы обнаружите, что ваше понимание и выгода говорят почти одно и то же, вам нужно изменить одно из двух. Часто нужно изменить понимание. В примере с WATCHOUT инсайт на самом деле не является инсайтом — это выгода, выраженная в виде желания.

Практически каждый раз, когда вы начинаете озарение со слов «Мне нужно…», последующее, вероятно, является преимуществом, а не инсайтом. И помните, один контрольный признак заключается в том, что «понимание» касается продукта, а не человека.

Заставить кого-то поверить

THE WATCHOUT

При написании концепций позиционирования, то есть разных способов говорить об одном и том же продукте, клиенты часто спрашивают: «Разве RTB не одинаковы во всех концепциях?» (Ответ: НЕТ.НЕТ. НЕТ.) Если вы обнаружите, что RTB для разных концепций позиционирования идентичны, что-то пошло не так. Либо ваши пары «понимание / выгода» на самом деле не сильно отличаются друг от друга, либо вы не слишком разборчивы в выборе RTB, которые лучше всего подходят для каждой из них.

причины верить (RTB) — это доказательство для потребителей, что они действительно получат обещанную выгоду. Они бывают разных вкусов:

• Характеристики продукта, включая любую технологию, которая заставляет его работать.
• Факты о продукте:
  • Производство или переработка.
  • Ингредиенты.
  • История или предыстория создания.
  • Или почти все, что вы можете подумать, связанное с продуктом.
• Торговая марка, название компании или имя владельца / учредителя.
• Подтверждения (от известных людей или типа «4 из 5 стоматологов рекомендуют…»).
• Внешний вид, звук, аромат, текстура.

Для начала начните с конкретной комбинации понимания / выгоды для создания RTB.Лучше всего начинать с фразы «Это потому, что…» И постарайтесь ограничить количество RTB примерно 3-5 на концепцию (даже если потенциально есть больше, с которыми можно работать). Выбирая только те RTB, которые специально поддерживают выбранную информацию / выгоду, вы уменьшаете путаницу для потребителя в том, как вы обеспечиваете обещанную выгоду. Так что будьте разборчивы.

Вероятно, будет одна или две RTB, которые очень похожи в каждой концепции, вероятно, на основе какой-то выдающейся особенности продукта.Но несколько концепций не должны иметь полностью идентичный список RTB. Даже аналогичные RTB, возможно, придется сформулировать по-другому, чтобы обеспечить максимальную поддержку преимуществ данной конкретной концепции.

Вопросы процесса

Не пытайтесь написать готовую для потребителя концепцию за один шаг. Вместо этого используйте двухэтапный процесс:

Сначала напишите набросок концепции.

• Это означает, что у вас есть правильная идея для понимания, правильная идея для выгоды и правильные идеи для RTB.
• Запишите их все в виде схемы.
• Убедитесь, что все это взаимосвязано и создает ли логичную историю.
• Попросите других прочитать его, чтобы убедиться, что они согласны с тем, что он в основном правильный.

Затем напишите полную концепцию.

• Теперь пора писать полными предложениями и немного романтизировать.
• Если это пищевой продукт, добавьте больше вкусовых добавок.
• Если это детский продукт, добавьте уверенности, что он нежный.
• Если это чистящее средство, добавьте уверенности, что оно сильное.
• Не добавляйте такой уверенности, что потеряете суть преимущества и конкретные ставки RTB.

Заключительный этап написания концепции

Редактировать, редактировать, редактировать. Испытайте себя, чтобы сократить количество слов как минимум на 25%. Самая распространенная проблема при написании концепций — это слишком длинные и слишком сложные концепции.

Когда вы думаете, что закончили, попросите людей, которые не знакомы с работой, закрыть глаза и послушать, как вы читаете концепцию вслух.Попросите их рассказать вам суть. Если они не могут сказать вам сразу — и лаконично — в чем суть, вам нужно продолжить редактирование.

В конце концов, концепция качества написания проистекает из того, что правильные элементы — идеи, преимущества и причины верить — объединены вместе, чтобы рассказать хорошую историю. И эта история должна быть ясной, правдоподобной и убедительной, чтобы в конечном итоге побудить потребителя к покупке. Но чтобы достичь этого, вы не можете сократить процесс. Методично прорабатывая каждый раздел концепции и правильно создавая каждую деталь, вы можете быть уверены, что она сфокусирована и доработана таким образом, чтобы ясно донести до потребителей вашу уникальную особенность.Это повод верить.

Для получения дополнительной информации о Insights или написании концепции ознакомьтесь с этими сообщениями в блоге:

---

Ideas To Go — это инновационное агентство, которое работает с компаниями из списка Fortune 500 над идеей и разработкой концепций, чтобы учесть мнение потребителей.

© Ideas To Go, Inc., 2018. Все права защищены.

Как сделать концептуальную карту | Пример концептуальной карты

Ключевые особенности концептуальных карт

Хорошие новости: концептуальные карты не так уж и сложно создать, особенно если вы понимаете различные элементы.Вот что должно включать в себя каждая простая концептуальная карта:

• Основной вопрос: Это тема, которую ваша карта решает, или проблема, которую она пытается решить. Для простоты предположим, что наш главный вопрос — «что такое пицца?»
• Концепции: Это основные идеи вашей концептуальной карты, представленные кругами, овалами или прямоугольниками. Вы также можете услышать, что они называются «узлами».
• Взаимосвязи: Соединяют разные концепции с помощью стрелок.Они часто включают связующее слово или глагол, показывающий, как связаны между собой понятия. Вы также можете услышать, что это называется «перекрестными ссылками».

И все! Это три основные функции, которые вам понадобятся для построения базовой концептуальной карты.

Рекомендации по карте концепции

Вы можете знать ингредиенты домашней пиццы, но это не значит, что вы готовы испечь вкусную пиццу. То же самое и с концептуальными картами.

Помимо знания функций, вам также необходимо изучить несколько советов и передовых методов, чтобы максимально использовать эту диаграмму.Вот некоторые из них, о которых следует помнить.

Когда вы начнете мозговой штурм для своей концептуальной карты, вы, вероятно, начнете придумывать несколько разных идей. Но помните, что ваша карта должна включать только пару слов для каждой концепции, а не целое предложение.

Давайте продолжим нашу «что такое пицца?» пример. Один из лучших способов начать и сосредоточиться на простых словах и фразах — это начинать ставить разные глаголы после предмета.

Например, «пицца есть», «вкус пиццы» и «потребность в пицце» могут генерировать различные концепции, которые могут соответствовать вашей карте.

Точно так же сопротивляйтесь побуждению отвлечься на различные касательные и вместо этого сосредоточьтесь на своем единственном ключевом вопросе.

Если вы создаете концептуальную карту, чтобы ответить на вопрос «что такое пицца?» сфокусированный вопрос, вы же не хотите сбиваться с пути и начинать придумывать кучу концепций, связанных с тем, «как вы готовите пиццу?» Это может быть внесено в отдельную концептуальную карту, чтобы ваши мысли были организованы.

Существует несколько различных типов диаграмм, которые подпадают под «концептуальную карту» (т.е., блок-схемы и системные карты).

Но когда вы только начинаете, лучше придерживаться более простых структур. К ним относятся:

Карта паука: Ваш основной вопрос или основная тема находится в центре, а ваши концепции разветвляются оттуда.

Пример карты паука

Карта иерархии: Ваш основной вопрос или основная тема идет вверху, а ваши концепции перечислены ниже.

Карта иерархии — это тип концептуальной карты, которая показывает структуру и порядок.

Они немного более интуитивно понятны и могут помочь вам освоиться с концептуальными картами, прежде чем переходить к более сложным параметрам и макетам.

Как использовать шаблон концептуальной карты Miro

Заложив этот фундамент, давайте перейдем к хорошему: как создать концептуальную карту. Существует множество вариантов — от создания набросков в простом документе до использования инструментов графического дизайна. Но один из самых простых способов создать свои собственные концептуальные карты — использовать бесплатный шаблон концептуальной карты Miro. Просто нажмите «Использовать шаблон», и вы попадете на доску с шаблонной концептуальной картой, которая состоит из линий соединения и заметок и выглядит следующим образом:

Использование предшествующего концептуального обучения улучшает обобщение на основе нескольких примеров в вычислительных моделях человеческого объекта Признание

Front Comput Neurosci.2020; 14: 586671.

Джошуа С. Правило

¹ Отделение мозговых и когнитивных наук, Массачусетский технологический институт, Кембридж, Массачусетс, США

Максимилиан Ризенхубер

² Отделение неврологии Медицинского центра Джорджтаунского университета , Вашингтон, округ Колумбия, США

¹ Отделение мозговых и когнитивных наук, Массачусетский технологический институт, Кембридж, Массачусетс, США

² Отделение неврологии, Медицинский центр Джорджтаунского университета, Вашингтон, округ Колумбия, США

Отредактировал: Херман Мато, Атомный центр Барилоче (CNEA), Аргентина

Рецензент: Дамиан Г.Эрнандес, Атомный центр Барилоче (CNEA), Аргентина; Цзянь К. Лю, Университет Лестера, Великобритания

Поступила в редакцию 23 июля 2020 г .; Принято 30 ноября 2020 г.

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (CC BY). Использование, распространение или воспроизведение на других форумах разрешено при условии указания автора (авторов) и правообладателя (ов) и ссылки на оригинальную публикацию в этом журнале в соответствии с принятой академической практикой.Запрещается использование, распространение или воспроизведение без соблюдения этих условий.

Дополнительные материалы

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.

GUID: 1D82EF19-46FC-4BB3-B80B-DD48553B87DE

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.

GUID: 71D6CA70-3F4C-49AE-A280-51278C0933FD

Дополнительные данные: Анализ селективности категорий. Дополнительный анализ, показывающий, что для четырех наборов функций, рассмотренных в этой статье, чем ближе набор функций к окончательному результату сети, тем более избирательно по категориям этот набор функций (т.е., индивидуальные признаки более достоверно сигнализируют о принадлежности к категории).

GUID: 2D967A5B-A7C0-4D19-9675-2C0ABF9146AF

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).

Abstract

Люди быстро и точно изучают новые визуальные концепции на основе редких данных, иногда всего лишь одного примера.Впечатляющая производительность искусственных нейронных сетей, которые иерархически объединяют афференты по масштабам и позициям, предполагает, что иерархическая организация зрительной системы человека имеет решающее значение для ее точности. Однако для этих подходов требуется на порядок больше примеров, чем для учащихся-людей. Мы использовали эталонную модель глубокого обучения, чтобы показать, что иерархию также можно использовать для значительного повышения скорости обучения. Мы специально показываем, как ранее изученные, но широко настроенные концептуальные представления могут быть использованы для изучения визуальных концепций всего на двух положительных примерах; повторное использование визуальных представлений из более ранней визуальной иерархии, как и в предыдущих подходах, требует значительно большего количества примеров для сопоставимой работы.Эти результаты предлагают методы для более эффективного обучения и предоставляют биологически приемлемый способ изучения новых визуальных концепций на нескольких примерах.

Ключевые слова: трансферное обучение, обучение с несколькими выстрелами, семантическое познание, искусственные нейронные сети, распознавание 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 вентральной височной коре, которые избирательны 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-селективные 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 концентратора (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), были показаны для достижения аналогичной человеку производительности 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 своим свойствам инвариантности, сложная избирательность формы промежуточных функций в мозге, e.g., в V4 или задней нижневисочной коре (IT), как полагают, охватывает пространство признаков, хорошо согласованное с внешним видом 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, чувствительного к категориям, 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) есть новая концепция. 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, которые 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). Что особенно важно, 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, предоставляющих как ограничивающие рамки, так и более 732 изображений в целом (минимальное количество изображений на категорию в конкурсе Image Net Large Scale Visual Recognition Challenge (ILSVRC) 2015), таким образом гарантируя, что каждая категория представляет собой 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 эта стратегия позволяет 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 забор , 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), разработанная для крупномасштабного распознавания визуальных объектов (Russakovsky et al., 2015). Поскольку предыдущие исследования показали, 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:

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

• Generic ₁ : 4096 функций, извлеченных из pool5 / 7x7_s1, среднего уровня объединения GoogLeNet (ядро: 7, шаг: 1), используемого 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 + Концептуальные: 4096 Общие ₁ функции в сочетании с 2000 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 под-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 с помощью 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 на n ϵ {2, 4, 8, 16, 32, 64, 128} примеров общего обучения, 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 модели HMAX (Riesenhuber and 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 в . Основываясь на предыдущей работе с использованием GoogLeNet, мы выдвигаем гипотезу о том, что концептуальные элементы лучше всего моделируют семантическую кору головного мозга (например, ATL), в то время как общие слои лучше всего моделируют зрительную кору высокого уровня (например.g., V4, IT, веретенообразная кора) (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.

Схема нейронной сети GoogLeNet сеть (Szegedy et al., 2014), использованная 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 непосредственной 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 образом 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 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 предполагалось, мы видим, что концептуальные функции значительно превосходят общие функции ₁ для небольшого количества обучающих примеров (особенно для 2, 4 и 8 положительных примеров, но включая также 16 и 32). Кроме того, по характеристикам Conceptual и Generic ₁ превосходит Generic ₂ , который превосходит Generic ₃ . Эти результаты предполагают, что комбинации общих характеристик ₁ часто согласованы на небольших наборах примеров, не обобщаясь на всю категорию; закономерности среди категориальных признаков, напротив, имеют тенденцию лучше обобщаться на небольшом количестве примеров.

Средняя производительность (ось Y) классификаторов в нашем анализе по категориям (точки), 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 эту закономерность количественно, мы построили линейную модель смешанных эффектов, прогнозирующую 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 общие ₂ 3 ( p s <0.001).

Взаимодействие между набором функций и размером обучающего набора также подтверждается попарными различиями в оценках маргинального среднего d ‘. Что важно, 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 (Serre et al., 2007b; Яминс и др., 2014; Шримпф и др., 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 к 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 картирования 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).

Вклад авторов

MR и JR задумали 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.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

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

Сноски

Финансирование. Эта работа была частично поддержана Ливерморской национальной лабораторией Лоуренса (https://llnl.gov) под эгидой Министерства энергетики США по контракту DE-AC52-07NA27344 и программе 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.

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 ImageNet категории, используемые 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 результату сети, тем более избирательно по категориям этот набор функций (т.е., индивидуальные признаки более достоверно сигнализируют о принадлежности к категории).

Ссылки

• Ахиссар М., Хохштейн С. (2004). Теория обратной иерархии визуального восприятия обучения. Trends Cogn. Sci. 8, 457–464. 10.1016 / j.tics.2004.08.011 [PubMed] [CrossRef] [Google Scholar]
• Эшби Ф. Г., Спиринг Б. Дж. (2004). Нейробиология категорийного обучения. Behav. когн. Neurosci. Ред. 3, 101–113. 10.1177 / 1534582304270782 [PubMed] [CrossRef] [Google Scholar]
• Бэнксон Б.Б., Хебарт М. Н., Гроен И. И., Бейкер К. И. (2018). Временная эволюция концептуальных представлений объектов, выявленная с помощью моделей поведения, семантики и глубоких нейронных сетей. Нейроизображение 178, 172–182. 10.1016 / j.neuroimage.2018.05.037 [PubMed] [CrossRef] [Google Scholar]
• Биндер Дж. Р., Десаи Р. Х. (2011). Нейробиология семантической памяти. Trends Cogn. Sci. 15, 527–536. 10.1016 / j.tics.2011.10.001 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Binder J.Р., Десаи Р. Х., Грейвс В. В., Конант Л. Л. (2009). Где семантическая система? критический обзор и метаанализ 120 исследований функциональной нейровизуализации. Цереб. Кора 19, 2767–2796. 10.1093 / cercor / bhp055 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Брэди Т. Ф., Конкл Т., Альварес Г. А. (2011). Обзор емкости зрительной памяти: помимо отдельных предметов и в сторону структурированных представлений. J. Vis. 11: 4. 10.1167 / 11.5.4 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Brady T.Ф., Конкле Т., Альварес Г. А., Олива А. (2008). Зрительная долговременная память имеет огромную емкость для хранения деталей объекта. PNAS 105, 14325–14329. 10.1073 / pnas.08033
  [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Carey S. (1985). Концептуальные изменения в детстве. Кембридж, Массачусетс: MIT Press. [Google Scholar]
• Кэри С. (2009). Происхождение понятий. Нью-Йорк, Нью-Йорк: Издательство Оксфордского университета. [Google Scholar]
• Кэри С., Бартлетт Э. (1978). «Усвоение единственного нового слова», в Proceedings of the Stanford Child Language Conference (Stanford, CA :), 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. 10.1523 / JNEUROSCI.3122-11.2011 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Чен К., Гарси Ф. Э., Алмейда Дж., Махон Б. З. (2017). Основанные на связности ограничения на специфичность категории в вентральном пути обработки объекта. Нейропсихология 105, 184–196.10.1016 / j.neuropsychologia.2016.11.014 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Coutanche M. N., Thompson-Schill S. L. (2014). Быстрое отображение быстро интегрирует информацию в существующие сети памяти. J. Exp. Psychol. Gen. 143, 2296–2303. 10.1037 / xge0000020 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Кутанш М. Н., Томпсон-Шилл С. Л. (2015a). Создание концепций из сходящихся функций в коре головного мозга человека. Цереб. Кора 25, 2584–2593. 10.1093 / cercor / bhu057 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Coutanche M.Н., Томпсон-Шилл С. Л. (2015b). Быстрое закрепление новых знаний в зрелом возрасте с помощью быстрого картирования. Trends Cogn. Sci. 486–488. 10.1016 / j.tics.2015.06.001 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Крузе С. М., Серр Т. (2011). Какие визуальные особенности лежат в основе быстрого распознавания объектов? Передний. Psychol. 2, 1–15. 10.3389 / fpsyg.2011.00326 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Deng J., Dong W., Socher R., Li L.-J., Li K., Li F.-F . (2009).«ImageNet: крупномасштабная иерархическая база данных изображений» на конференции IEEE 2009 г. по компьютерному зрению и распознаванию образов (Майами, Флорида:), 248–255. 10.1109 / CVPR.2009.5206848 [CrossRef] [Google Scholar]
• Donahue J., Jia Y., Vinyals O., Hoffman J., Zhang N., Tzeng E., et al. (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.).
• Фей-Фей Л., Фергус Р., Перона П. (2006). Однократное изучение категорий объектов. IEEE Trans. Pattern Anal. Мах. Intell. 28, 594–611. 10.1109 / TPAMI.2006.79 [PubMed] [CrossRef] [Google Scholar]
• Фридман Д. Дж., Ризенхубер М., Поджио Т., Миллер Э. К. (2003). Сравнение префронтальной и нижней височной коры приматов во время визуальной категоризации. J. Neurosci. 23, 5235–5246. 10.1523 / JNEUROSCI.23-12-05235.2003 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Granger C. W. (1969). Исследование причинно-следственных связей с помощью эконометрических моделей и кросс-спектральных методов.Эконом. J. Econom. Soc. 37, 424–438. 10.2307 / 1912791 [CrossRef] [Google Scholar]
• Хебарт М. Н., Бэнксон Б. Б., Харел А., Бейкер К. И., Чичи Р. М. (2018). Репрезентативная динамика обработки задач и объектов у людей. Элиф 7: e32816. 10.7554 / eLife.32816 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Ходжес Дж. Р., Бозеат С., Ральф М. А. Л., Паттерсон К., Спатт Дж. (2000). Роль концептуального знания в использовании доказательств семантического слабоумия. Головной мозг 123, 1913–1925.10.1093 / brain / 123.9.1913 [PubMed] [CrossRef] [Google Scholar]
• Джеффрис Э. (2013). Нейронная основа семантического познания: конвергентные данные нейропсихологии, нейровизуализации и ТМС. Кора 49, 611–625. 10.1016 / j.cortex.2012.10.008 [PubMed] [CrossRef] [Google Scholar]
• Цзян X., Брэдли Э., Рини Р. А., Зеффиро Т., ВанМетер Дж., Ризенхубер М. (2007). Обучение категоризации приводит к избирательной нейропластичности человека по форме и категориям. Нейрон 53, 891–903. 10.1016 / j.Neuron.2007.02.015 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Цзян X., Розен Э., Зеффиро Т., ВанМетер Дж., Бланц В., Ризенхубер М. (2006). Оценка модели различения человеческого лица на основе формы с использованием фМРТ и поведенческих методов. Нейрон 50, 159–172. 10.1016 / j.neuron.2006.03.012 [PubMed] [CrossRef] [Google Scholar]
• Кравиц Д. Дж., Салим К. С., Бейкер К. И., Унгерлейдер Л. Г., Мишкин М. (2013). Вентральный зрительный путь: расширенная нейронная структура для обработки качества объекта.Trends Cogn. Sci. 17, 26–49. 10.1016 / j.tics.2012.10.011 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Лейк Б. М., Салахутдинов Р., Тененбаум Дж. Б. (2015). Изучение концепций на уровне человека посредством индукции вероятностной программы. Наука 350, 1332–1338. 10.1126 / science.aab3050 [PubMed] [CrossRef] [Google Scholar]
• Лейк Б. М., Ульман Т. Д., Тененбаум Дж. Б., Гершман С. Дж. (2017). Создание машин, которые учатся и думают, как люди. Behav. Brain Sci. 40: e253. 10.1017 / S0140525X16001837 [PubMed] [CrossRef] [Google Scholar]
• Мэлоун П.С., Глезер Л. С., Ким Дж., Цзян X., Ризенхубер М. (2016). Многомерный анализ паттернов выявляет категориальную организацию семантических представлений в передней височной коре. J. Neurosci. 36, 10089–10096. 10.1523 / JNEUROSCI.1599-16.2016 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Мартин Дж. Г., Кокс П. Х., Шолл К. А., Ризенхубер М. (2019). Сбой при визуальной обработке: помехи между прямой связью и обратной связью последовательных целей ограничивают обнаружение и категоризацию.J. Vis. 19: 20.10.1167 / 19.12.20 [PubMed] [CrossRef] [Google Scholar]
• Миллер Г. А., 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. Головной мозг 133, 3256–3268. 10.1093 / brain / awq272 [PubMed] [CrossRef] [Google Scholar]
• Нософски Р. М. (1986).Внимание, сходство и отношение идентификации и категоризации. J. Exp. Psychol. Gen. 115: 39. 10.1037 / 0096-3445.115.1.39 [PubMed] [CrossRef] [Google Scholar]
• Oquab M., Bottou L., Laptev I., Sivic J. (2014). «Изучение и передача представлений изображений среднего уровня с использованием сверточных нейронных сетей» в конференции IEEE по компьютерному зрению и распознаванию образов (CVPR) (Колумбус, Огайо:). 10.1109 / CVPR.2014.222 [CrossRef] [Google Scholar]
• Оверлан М. К., Джейкобс Р.А., Пиантадози С. Т. (2017). Изучение абстрактных визуальных концепций посредством индукции вероятностной программы на языке мысли. Познание 168, 320–334. 10.1016 / j.cognition.2017.07.005 [PubMed] [CrossRef] [Google Scholar]
• Poggio T. (2012). Вычислительная магия брюшного потока: к теории. Nat. Пред. 10.1038 / npre.2011.6117 [CrossRef] [Google Scholar]
• Ральф М. А., Джеффрис Э., Паттерсон К., Роджерс Т. Т. (2017). Нейронные и вычислительные основы семантического познания.Nat. Rev. Neurosci. 18, 42–55. 10.1038 / nrn.2016.150 [PubMed] [CrossRef] [Google Scholar]
• Разавиан А. С., Азизпур Х., Салливан Дж., Карлссон С. (2014). Готовые возможности CNN: 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.). 10.1109 / CVPRW.2014.131 [CrossRef]
• Ризенхубер М., Поджио Т. (1999). Иерархические модели распознавания объектов в коре головного мозга. Nat. Neurosci. 2, 1019–1025. 10.1038/14819 [PubMed] [CrossRef] [Google Scholar]
• Ризенхубер М., Поджио Т. (2000). Модели распознавания объектов. Nat. Neurosci. 3, 1199–1204. 10.1038 / 81479 [PubMed] [CrossRef] [Google Scholar]
• Правило Дж. С., Ризенхубер М. (2020). Использование предшествующего концептуального обучения улучшает способность делать обобщения на нескольких примерах в вычислительных моделях распознавания человеческих объектов. bioRxiv. [Препринт]. 10.1101 / 2020.02.18.944702 [CrossRef] [Google Scholar]
• Русаковский О., Дэн Дж., Су Х., Краузе Дж., Сатиш С., Ма С. и др. (2015). ImageNet Проблема визуального распознавания большого масштаба. Int. J. Comput. Vis. 115, 211–252. 10.1007 / s11263-015-0816-y [CrossRef] [Google Scholar]
• Шолл К. А., Цзян Х., Мартин Дж. Г., Ризенхубер М. (2014). Динамика избирательности формы и категорий, выявленная при быстрой адаптации ЭЭГ. J. Cogn. Neurosci. 26, 408–421. 10.1162 / jocn_a_00477 [PubMed] [CrossRef] [Google Scholar]
• Schrimpf M., Kubilius J., Hong H., Majaj N. J., Rajalingham R., Исса Э. Б. и др. (2018). Оценка мозга: какая искусственная нейронная сеть для распознавания объектов больше всего похожа на мозг? bioRxiv. [Препринт]. 10.1101 / 407007 [CrossRef] [Google Scholar]
• Серр Т., Олива А., Поджио Т. (2007a). Архитектура с прямой связью обеспечивает быструю категоризацию. Proc. Natl. Акад. Sci. СОЕДИНЕННЫЕ ШТАТЫ АМЕРИКИ. 104, 6424–6429. 10.1073 / pnas.0700622104 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Серр Т., Вольф Л., Билеши С., Ризенхубер М., Поджио Т. (2007b).Надежное распознавание объектов с корковыми механизмами. IEEE Trans. Pattern Anal. Mac. Intell. 29, 411–426. 10.1109 / TPAMI.2007.56 [PubMed] [CrossRef] [Google Scholar]
• Сет А. К., Барретт А. Б., Барнетт Л. (2015). Анализ причинности по Грейнджеру в нейробиологии и нейровизуализации. J. Neurosci. 35, 3293–3297. 10.1523 / JNEUROSCI.4399-14.2015 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Шэрон Т., Москович М., Гильбоа А. (2011). Быстрое приобретение неокортикалом длительных произвольных ассоциаций, независимых от гиппокампа.Proc. Natl. Акад. Sci. СОЕДИНЕННЫЕ ШТАТЫ АМЕРИКИ. 108, 1146–1151. 10.1073 / pnas.1005238108 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., et al. (2014). Углубляясь в свертки. in arXiv: 1409.4842 [cs] Доступно в Интернете по адресу: http://arxiv.org/abs/1409.4842 (по состоянию на 24 сентября 2020 г.).
• Томас Э., Ван Хулл М. М., Фогель Р. (2001). Кодирование категорий нейронами, не зависящими от категории, в нижней височной коре.J. Cogn. Neurosci. 13, 190–200. 10.1162 / 089892

  4252 [PubMed] [CrossRef] [Google Scholar]

• Ванденберге Р., Прайс К., Уайз Р., Джозефс О., Фраковяк Р. С. Дж. (1996). Функциональная анатомия общей семантической системы слов и изображений. Природа 383, 254–256. 10.1038 / 383254a0 [PubMed] [CrossRef] [Google Scholar]
• Виньялс О., Бланделл К., Лилликрап Т., Кавукчуоглу К., Вьерстра Д. (2016). «Согласование сетей для обучения одним выстрелом», в «Достижения в системах обработки нейронной информации» (Барселона:), 3630–3638.[Google Scholar]
• Ватанабэ С. (1969). Зная и Гадание: количественное исследование выводов и информации; Хобокен, Нью-Джерси: Джон Уайли и сыновья. [Google Scholar]
• Woods W. (1981). «Процедурная семантика как теория значения», в «Элементы понимания дискурса», ред. Джоши А. К., Уэббер Б. Л., Саг И. К. (Кембридж: издательство Кембриджского университета;), 300–334. [Google Scholar]
• Яминь Д. Л., Хонг Х., Кадье К., ДиКарло Дж. Дж. (2013). «Иерархическая модульная оптимизация сверточных сетей обеспечивает представление, подобное ИТ макак и вентральному потоку человека», в «Достижения в системах обработки нейронной информации» (Lake Tahoe, NV:), 3093–3101.[Google Scholar]
• Яминь Д. Л. К., Хонг Х., Кадье К. Ф., Соломон Э. А., Зайберт Д., ДиКарло Дж. Дж. (2014). Иерархические модели, оптимизированные для производительности, предсказывают нейронные реакции в высших зрительных органах коры головного мозга. Proc. Natl. Акад. Sci. 111, 8619–8624. 10.1073 / pnas.1403112111 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Йилдирим И., Джейкобс Р. А. (2013). Передача знаний о категориях объектов через визуальные и тактильные модели: экспериментальные и вычислительные исследования. Познание 126, 135–148.10.1016 / j.cognition.2012.08.005 [PubMed] [CrossRef] [Google Scholar]
• Йилдирим И., Якобс Р. А. (2015). Изучение мультисенсорных представлений для слухово-визуальной передачи знаний категории последовательности: вероятностный язык мышления. Психон. Бык. Ред. 22, 673–686. 10.3758 / s13423-014-0734-y [PubMed] [CrossRef] [Google Scholar]
• Йосински Дж., Клун Дж., Бенжио Й., Липсон Х. (2014). «Насколько переносимы функции в глубоких нейронных сетях?» в достижениях в системах обработки нейронной информации 27, ред. Гахрамани З., Веллинг М., Кортес К., Лоуренс Н. Д., Вайнбергер К. К. (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]

Используйте повседневные примеры, чтобы разбить сложные концепции разработки

Сценарий:

Кармен проводит тренинг по наблюдению за КЛАССОМ и постаралась подробно объяснить определение каждого измерения КЛАСС, а также некоторые примеры того, как это поведение может выглядеть в классе.В основном это понимают ее ученики. Такие поведения, как «установка четких ожиданий», знакомы. Возможно, они не всегда называли это «КЛАСС», но все они воочию убедились, насколько важно обеспечить четкие поведенческие ожидания в классе.

Но есть несколько КЛАССОВЫХ моделей поведения, которые сложнее для некоторых из обучаемых, в основном потому, что они не так естественны для них, и они не думали о них раньше.

Учебный совет:

В качестве тренера Кармен могла бы попытаться предоставить реальные взрослые примеры, которые могли бы быть понятны ее ученикам.

В приведенных ниже таблицах представлены некоторые способы, которыми она могла бы это сделать, используя некоторые обычно сложные модели поведения при разработке концепций.

Размер:	Разработка концепции
Показатель:	Создание
Поведенческий маркер:	Мозговой штурм
Повседневный пример:	Вы когда-нибудь устраивали вечеринку по случаю дня рождения? Прежде чем начать печь торт и украшать дом, вы, вероятно, провели мозговой штурм, перечислив все, что может понадобиться для вечеринки.Это могло выглядеть так: Еда и напитки Приглашения Подарки Украшения Музыка

Размер:	Разработка концепции
Показатель:	Создание
Поведенческий маркер:	Планирование
Повседневный пример:	А теперь представьте, что вы провели мозговой штурм и создали список всего, что вам может понадобиться для вечеринки.Пришло время начать планирование, начиная с приглашений. Как они будут выглядеть? Кто получит приглашение? Какая будет дата, время и место?

Размер:	Разработка концепции
Показатель:	Создание
Поведенческий маркер:	Производство
Повседневный пример:	Теперь, когда вы спланировали детали приглашения, вы готовы его создать.Вы разрабатываете свои приглашения, используя материалы, изображения и текст.

Кармен также может продолжить, задав вопросы для дальнейшего обсуждения:

• Подумайте, как мозговой штурм, планирование и продюсирование работали вместе. Он пошел от широкого (перечисление того, что нужно, чтобы устроить вечеринку) до буквального создания приглашений. Как такой процесс может иметь отношение к классной комнате?
• Есть ли у детей возможность строить от мозгового штурма до планирования и производства?
• Как вы могли бы дать детям возможность следовать подобному поведению?

Какие стратегии вы могли бы использовать, чтобы помочь слушателям понять эти сложные концепции КЛАССА?

.