Loading AI tools
语意记忆（Semantic memory），又称语义记忆、字义记忆，是一种记忆的型态。它是一种对于一般知识的事实与概念的了解，透过语言、文字、数字、算法等抽象性的了解来形成记忆。语意记忆通常是经由情节记忆发展而来，是一种客观性的知识，与个人经验无关。
外显记忆（或陈述性记忆 ）是对事实或事件的记忆，可以被清晰地储存及提取，外显记忆有两种类型，而语意记忆是其中之一。[1]在我们一生中所累积的世界的一般性知识即为语意记忆。[2]这种常识性知识（common knowledge） （事实、观念、意义和概念）会依赖于文化，并与经验交织在一起。语义记忆与情节记忆有所区别，情节记忆会记录生活中所发生的经历和特定事件，我们可以由此重建任何给定的点。[3]例如，语义记忆可能包含与猫有关的资讯，而情节记忆则可能包含抚摸某只猫的具体记忆。通过过去所学的知识，我们可以学得新的概念。[4]陈述性或外显记忆对应的是非陈述性记忆或内隐记忆 。[5]
语义记忆的本质不同于情节记忆，它的内容不像情节记忆那样与任何特定的经历联系在一起。相反地，在语义记忆中所储存的是经验的“主旨”，这是一种适用于各种经验对象的抽象结构，描述对象之间的分类和功能关系。[6]因此，完整的语义记忆理论不仅必须说明此类“主旨”的表征结构，还必须说明如何从经验中提取它们。目前已经提出了多种语义记忆模型，总结如下。
在许多语义记忆理论中，各种网络都扮演着不可或缺的角色。一般而言，网络是由一组节点所组成，节点之间以链路联结。节点可以表示概念、单词、知觉特征，或者根本不代表什么。这些链路可能是有权重的，使得某些链路比其他链路更强，或者等效地说，链路有着不同的长度，使得穿过某些链路比其他链路更耗时。这些网络的特征都已被用于语义记忆模型中，其示例如下。
第一个语义记忆网络模型的示例是“可教学的语言理解者”（TLC）。[7]在此模型中，每个节点都是单词，代表着一个概念（如“鸟”）。每个节点都储存着一组属性（例如“可以飞翔”或“具有翅膀”）以及指向其他节点（例如“鸡”）的指标（即链路）。节点会直接链结到其子类别或超类别的节点（换言之，“鸟”将同时连接到“鸡”和“动物”）。因此，TLC是一种分层知识表征，其中高级节点代表大型类别，该节点会（通过子类别的节点，直接或间接地）连接到许多该类别的实例，而代表特定实例的节点处于较低级别，仅与其超类别连接。此外，属性会被储存在它们所适用的最高类别级别。例如，“黄色”将与“金丝雀”一起储存，“具有翅膀”将与“鸟”（向上一级）一起储存，“可以移动”将与“动物”（再上一级）一起储存。节点还可以储存对其上级节点的属性的否定（即“ 无法飞翔”将与“ 企鹅”一起储存）。这就提供了一种表征经济性，因为属性仅储存在必不可少的类别级别上，也就是说，该属性会成为这个点上的关键特征（请参阅下文）。
TLC中的处理是某种形式的扩散激活。[8] 换言之，当一个节点变为激活态时，该激活透过节点之间的链接传播到其他节点。在这种情况下，回答“鸡是鸟吗？”这个问题的时间是 “鸡”和“鸟”节点之间的激活必须扩散到多大程度的函数，即“鸡”和“鸟”节点之间的链接数量。
原始版本的TLC并没有对节点之间的链接进行加权。虽然这版本的TLC在许多任务中的表现与人类相当，但是没有预测到，人们比起那些不太典型的例子，会更快地回答更典型类别的问题。[9]科林斯和Quillian随后修改了TLC，纳入了加权链接来解决这个问题。[10]新版的TLC能够解释熟悉效果和典型性效果 。它的最大优点是它清楚地说明了促发 ：“如果相关资讯（即 “促发物”）在很短的时间内已经呈现过，那么更有可能从记忆中提取资讯。”还有一些记忆现象是TLC无法解释的，像是当相关节点在网络中相隔很远的时候，为什么人们能够快速反应明显错误的问题（如“鸡是流星吗？”）。[11]
TLC是一类更通用模型的实例，该模型称为语义网络。在语义网络中，节点代表着特定的概念、单词或特征。也就是说，每个节点都是一个“符号”。语义网络一般不会像神经网络那样采用分布式的概念表征。语义网络的定义性特征是它的链接几乎总是定向的（也就是说，它们仅指向一个方向，即从基点到目标），且链接有着许多不同的类型，每一种类型都代表着任何两个节点之间的特定关系。[12]语义网络中的处理过程通常采用扩散激活的形式（请参见上文）。
语义网络在篇章分析和逻辑理解模型以及人工智能的应用最为广泛 。[13]在这些模型中，节点对应的是单词或词根，而链接代表它们之间的句法关系。语义网络在知识表征中计算实作之范例，请参见Cravo和Martins（1993）。[14]
特征模型认为，语义类别是由相对散乱的特征集所组成。Smith、Shoben和Rips（1974）提出的语义特征比较模型[15]认为，记忆是由不同概念的特征列表所组成。根据这种观点，我们无法直接提取类别之间的关系，而是透过间接的方式计算出来。例如，主体可能透过比较代表主谓概念的特征集来验证一个句子。这种计算特征比较模型的提出者包括Meyer（1970）[16]、Rips（1975）[17]、Smith等人（1974）。[15]
早期对知觉和概念分类的研究工作假设类别具有关键特征，而类别成员可以透过特征组合的逻辑规则来确定。较近期的理论则认为，类别可能具有不明确或 "模糊 "的结构[18]，并提出了概率模型或全局相似性模型来验证类别成员的资格[19]。
关联为两个资讯之间的关系，是心理学中的一个基本概念。对于记忆和认知模型而言，不同层次的心理表征之间的关联至关重要。记忆里的项目之间的关联集相当于网络中的节点之间的链路，每个节点对应于记忆中的唯一项目。事实上，神经网络和语义网络可以被描述为认知的关联模型。然而，关联通常被更清楚地表示为一个N×N矩阵，其中N是记忆中项目的数量。因此，矩阵的每个单元对应于行项和列项之间的关联强度。
关联学习一般被认为是个赫布过程；也就是说，每当记忆中有两个项目被同时激活，这两个项目之间的关联就会越来越强，如果越是激活其中一项，那么另一项也激活的可能性就越大。关联模型的具体操作方法见下文。
搜索联想记忆（SAM）模型是采用关联方法的标准记忆模型[20]，虽然SAM最初是为了对情节记忆建模，但其机制也足以支援一些语义记忆的表征[21]，SAM模型包含短期储存（STS）和长期储存（LTS），STS是LTS中短暂激活的资讯子集。STS的容量有限，并且透过对可采样的资讯量、采样子集的激活时间作出限制，进而影响提取过程。LTS中的提取过程具有线索依赖性和概率性，亦即线索会启动提取过程，并从记忆中随机选择资讯。抽样概率取决于线索与被提取项之间的关联性强弱，随着抽样资讯关联性增强，最终会选出一个资讯。缓冲区的大小被定义为r，这并非一个固定的数字，当项目在缓冲区中排练时，其关联强度随缓冲区内总时间而线性增长[22]。在SAM中，当任何两个项目同时占据一个工作记忆缓冲区时，其关联强度就会递增。因此，经常同时出现的项目之间的关联强度更加强健。在SAM中，项目也与特定的语境相关联，而这种关联的强度由每个项目在特定语境中存在的时间长短决定。因此，SAM的记忆是由记忆中的项目与项目之间，以及项目与语境之间的关联所组成。一组项目和语境的出现，更有可能唤起记忆中某些项目的子集。项目对其他项目的唤起程度(无论是由于共同语境，亦或者是同时发生)都是项目语义关联性的指标。
在SAM的更新版本中，已经存在的语义关联使用语义矩阵来解释。在实验过程中，语义关联保持不变，显示出语义关联不受实验的情节经验影响之假设。SAM模型中有两种方法衡量语义关联性：“潜在语义分析”（Latent semantic analysis，LSA）和“词语关联空间”（Word association spaces，WAS）[23]。LSA方法指出，单词之间的相似性是透过单词同时在局部语境中出现来反映。[24]WAS则是透过分析自由关联规范的数据库来发展的。在WAS中，具有相似关联结构的词会被放置在相似的空间区域中。[25]
ACT（英语：Adaptive Control of Thought，思想的自适应控制）[26]，以及后来的ACT-R理论（Adaptive Control of Thought-Rational，思想的自适应控制-理性）[27]使用“意元”（chunk）来表示陈述性记忆（语义记忆是该记忆的其中一种），“意元”是由一个标签、一组与其他意元的明确关系（即 “这是一个__。”或“这个有一个__。”）、任意个意元特有的属性所组成。那么，鉴于每个节点都是一个具有独特属性的意元，而每个链路都是意元与另一个意元的关系，因此可以将意元映射为一个语义网络。在ACT中，意元的激活度会随着该意元的创建时间增加而减少，并随着该意元在记忆中的提取次数上升而增加。意元也可以从高斯噪声以及它们与其他意元的相似性中获得激活。例如，如果用“鸡”作为提取线索，那么“金丝雀”将凭借其与该线索的相似性（即两者都是鸟类等）来接收激活。当从记忆中提取物品时，ACT会查看记忆中最活跃的意元，如果高于阈值，该意元就会被提取出来，否则就发生了 “遗漏错误”（error of omission），即该项目会被遗忘。此外，还有一个提取潜伏期，它与被提取的意元对提取阈值的激活超出量成反比。这个潜伏期可被用来衡量ACT模型的响应时间，与人类的表现相比较[28]。
虽然ACT是种一般性的认知模型，而不是记忆模型，但如上文所述，它提出了记忆结构的某些特征。特别是，ACT将记忆建模为一组相关的符号意元，可以透过提取线索来触接记忆。虽然ACT中使用的记忆模型在某些方面与语义网络相似，但所涉及的处理方式更类似于关联模型。
- 记忆语义
- 稀疏分布式存储器
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
