3.1 Основные положения анализа творческого мышления

В данной работе рассмотрен современный механизм нейронных сетей для анализа и моделирования творческого поведения. Использованная концепция динамически контролируемого нейронного газа (DyCoNG) влечет за собой комбинацию динамически контролируемой сети (Перл, 2004) и растущего нейронного газа (Фрицке, 1995) по качественным нейронам. Качественные нейроны отражают редкость информации и, следовательно, могут измерить оригинальность записанных действий, которые были возложены на нейрон в обучении сети. Механизм DyCoNG был проверен с использованием данных на основе исследования. Творческое поведение 42 участников в стандартных ситуациях тест было испытано в творческой программе обучения продолжительностью шесть месяцев. Результаты моделирования на основе DyCoNG показывают, что сеть способна отделить основные виды процессов и воспроизводить записанные творческие процессы обучения с помощью моделирования. Полученные результаты обсуждаются в связи с практической деятельностью в командных видах спорта и с целью будущих исследований.

Анализ творческого мышления в настоящее время является популярной научной темой среди исследователей (Кикзентмихали, 1999, Дамасио, 2001, Дитрих, 2004). Также до этого, творческое поведение было изучено в таких областях как наука, литература, музыка, искусство, религия и политика (Милгрэм, 1990, Штернберг, 1999, Штернберг и Любарт, 1999). В целом, и в научном контексте, Штернберг и Любарт (1999) определяют творчество как "способность производить работу, которая неожиданная и полезна".

Основой для настоящих исследований является утверждение, что творчество - это стохастической комбинационный процесс. Это означает, что в таком психическом состоянии, творческое мышление характеризуется бессистемными переходами и хаотичными, что позволяет более возникать свободно связанным ассоциациям. Мартиндейл использовал широкий спектр примеров (см. ассоциативные иерархии, расфокусированное внимание), чтобы показать, что основные теории творчества могут быть переведены в нейронные сети и смоделированы по коннекционистской теории, так как являются почти идентичными. По этим причинам, вычислительная психология, кажется, является подходящим способом моделирования плохо определенной творческой деятельности без каких-либо подробных априорных условий или объяснений. Вместе с утверждением Симонтона (2003), что творчество является стохастическим комбинационным процессов, нейронные сети, кажутся, хорошим решением для оценки данных.

Для того чтобы быть в состоянии реализовать нейронные сети для анализа творческого поведения, данные, которые будут оцениваться должны отвечать определенным условиям. Во-первых, данные должны быть получены в нескольких измерениях с течением времени. При этом важно, чтобы исследование окружающей среды имело определенную сложность, чтобы любое творческое развитие, обусловленное значимой деятельностью, основанной на навыках, влияло на порог подтверждения или тест на соответствие. Во-вторых, творческие данные, полученные в каждом из измерений должны обладать контекстом определенной степени дифференциации, который позволяет заполнение многомерных векторов. В-третьих, участники должны продемонстрировать способность осуществления творческих процессов путем развития посредством обучения. На основе данных, полученных в неврологии (Чугани, Фелпс и Мациотта, 1987, Гутенлокер, 1990), дети особенно хорошо подходят для этих исследований, поскольку эта возрастная группа проявляет наибольшую абсолютное число и плотность синапсов в человеческой первичной зрительной коре, а также быстро восстанавливают глюкозу в затылочной коре. Все показатели в настоящее время связаны с творчеством. В-четвертых, число участников должно быть достаточно большим.

Все четыре пункта показывают, что область спорта кажется плодотворной областью для изучения сложного поведения в сложных условиях; обеспечения процедур испытаний кластерами данных в контексте творчества; тестирования соответствующих творческих программ обучения с большим количеством детей. В частности, в сложных ситуациях, таких как игры и командные виды спорта, включают творческую активность, которая и будет проанализирована биологически верным способом, как рекомендуют многие исследователи (Рунко и Сакамото, 1999; Симонтон, 2003).

Творческое поведение играет важную роль в спорте (Мэммерт & Ротт, 2007).Это значительное напряжение на внимательность - в частности, в спорте - для создания тактических моделей реагирования и для поиска оригинальных идей и решений, когда игрок также может воспринимать объекты, которые появляются неожиданно и включить их в план на игру вместе со своим начальным и наиболее значительным планами. Баскетболисты, как Мэджик Джонсон, например, отделяет себя в таких ситуациях так: несмотря на то, что они намерены передать мяч игроку А, они способны понять в последний момент, что игрок B вдруг не покрыт и лучше передать пас ему. В области спорта, это означает, что творческое поведение можно понимать и воспроизводить редкие и оригинальные решения в ситуациях, связанных со спортивной игрой. Это касается в особенности наиболее изученного и наиболее широко известного многогранного явления творческого сложности, а именно оригинальности. Оригинальность определяется необычностью, инновационностью, адекватностью, и статистической редкостью решения (Штернберг, 1999).Таким образом, творчество не может рассматриваться как синоним оригинальности. Но так как оригинальность является основным фактором творческого поведения, мы будем использовать термин творчества постоянно в данной работе - за исключением тестирования и деталей методологии.

В настоящее время существует несколько важных выводов в науке, что обучение шаблону движения может быть смоделировано с помощью нейронных сетей. Эти исследования показывают, что дополнительные интересные моменты, которые не являются открытыми для стохастических подходов, могут быть обнаружены с помощью нейронных сетей. Это означает, что при помощи нейронных сетей можно собрать дополнительную информацию для сравнения со стохастическим подходом. Нейронные сети, собирающие все имеющихся данные в многомерные точки, соответствующие нейронам, могут быть использованы для получения конкретных отличительных черт и качественных тенденций всех исходных данных. Насколько известно, однако, нет никаких исследований с использованием нейронных сетей для анализа и моделирования творческого обучения в командных играх.

Первые результаты показывают (Мэммерт и Перл, 2006), что процесс обучения может быть привязан к времени, в зависимости от шаблонов, которые могут быть распознаны и проанализированы с помощью самоорганизующихся карт (SOM). Самоорганизующиеся карты, и, в частности, функциональные карты Кохонена (KFM, Кохонен, 1995), составляют семейство нейронных сетей для распознавания шаблонов. Короче говоря, на подготовительном этапе KFM собирает входящие данные в классы, кластеры, или подобные типы данных. На стадии испытаний, обученные сети передают входящие данные в соответствующий кластер, и так распознает определенный тип на входе. Концептуально, частота возникновения шаблонов играет важную роль в таком обучении. Часто появляющиеся шаблоны гораздо вероятней создают специальные кластеры чем редко появляющиеся. Появление редких шаблонов часто полностью пренебрегается. В творческом обучении они, однако, в частности, творческой деятельности в значении редко возникающих событий, представляют большой интерес. Поэтому основная проблема, которая должна быть решена была разработка типа KFM, которая учитывает редкие события.

Целью работы [2] является внести свой вклад по внедрению новых нейронных сетей, динамически управляемого нейронного газа, который поддерживает анализ и моделирование творческого поведения новым и нетрадиционным путем. Эта концепция предполагает сочетание динамически управляемой сети (Перл, 2004) и растущего нейронного газа (Фрицке, 1997). Следующее описание процесса разработки динамически управляемого нейронного газа идет по пути разработки программного обеспечения, который основан на моделировании (Коул, Везерли и Дауманн, 1999, Соммервилль, 2004) представляет четыре основные спецификации стандартной деятельности, разработки и внедрения, проверки и эволюции процесса разработки программного обеспечения, которые помогают структурировать процесс моделирования и, следовательно, используются как основное направление в следующем:

• Моделирование: В первом разделе представлены функциональные возможности новых нейронных сетей, ориентируясь на кластеризации и калибровке. Опишем эту нейронную сеть простым шаблоном движения из простых бросков в баскетболе.

• Технические характеристики: Во втором разделе представлен анализ и моделирование творческого поведения. Кроме того, описаны требования и ограничения нового подхода.

• Проектирование и реализация: Третий раздел посвящен процессу передачи спецификаций в исполняемый файл. Это предполагает структурирование и уточнение шагов, а также разработку и тесты.

• Утверждение: В четвертом разделе, описано обучение подготовке наборов данных для проверки предполагаемой нейронной сетевой модели.

• Эволюция: И, наконец, перспектива того, чтобы показать некоторые возможности для будущих практических последствий с помощью разработанных подходов сети.