Foundations of Knowledge Acquisition: Cognitive Models of Complex Learning

یکی از جالب‌ترین سؤالات در مورد فن‌آوری رایانه‌ای جدید که در چند دهه گذشته ظاهر شده است این است که آیا ما انسان‌ها می‌توانیم رایانه‌ها را یاد بگیریم یا خیر. همانطور که حتی برای معمولی ترین کاربران رایانه به طرز دردناکی آشکار است، اکثر رایانه های فعلی این کار را نمی کنند. با این حال، اگر بتوانیم تکنیک‌های یادگیری ابداع کنیم که رایانه‌ها را قادر می‌سازد تا به طور معمول عملکرد خود را از طریق تجربه بهبود بخشند، تأثیر آن بسیار زیاد خواهد بود. نتیجه انفجار برنامه‌های رایانه‌ای جدید است که ناگهان از نظر اقتصادی امکان‌پذیر می‌شوند (مثلاً دستیارهای رایانه شخصی‌سازی شده که به طور خودکار خود را با نیازهای تک تک کاربران هماهنگ می‌کنند) و بهبود چشمگیری در کیفیت برنامه‌های رایانه‌ای فعلی (مثلاً تصور کنید برنامه زمانبندی خطوط هوایی که روش برنامه ریزی خود را بر اساس تجزیه و تحلیل تاخیرهای گذشته بهبود می بخشد. و در حالی که تأثیر اقتصادی بالقوه روش‌های یادگیری موفق دلیل کافی برای سرمایه‌گذاری در تحقیق در یادگیری ماشینی است، دلیل مهم دومی وجود دارد: مطالعه یادگیری ماشینی به ما کمک می‌کند توانایی‌ها و ناتوانی‌های یادگیری انسانی خودمان را درک کنیم، که منجر به امکان بهبود روش‌ها در آموزش می‌شود. . در حالی که بسیاری از سوالات باز در مورد روش‌هایی که ماشین‌ها و انسان‌ها ممکن است یاد بگیرند باقی مانده است، پیشرفت قابل توجهی حاصل شده است.

One of the most intriguing questions about the new computer technology that has appeared over the past few decades is whether we humans will ever be able to make computers learn. As is painfully obvious to even the most casual computer user, most current computers do not. Yet if we could devise learning techniques that enable computers to routinely improve their performance through experience, the impact would be enormous. The result would be an explosion of new computer applications that would suddenly become economically feasible (e. g. , personalized computer assistants that automatically tune themselves to the needs of individual users), and a dramatic improvement in the quality of current computer applications (e. g. , imagine an airline scheduling program that improves its scheduling method based on analyzing past delays). And while the potential economic impact ofsuccessful learning methods is sufficient reason to invest in research into machine learning, there is a second significant reason: studying machine learning helps us understand our own human learning abilities and disabilities, leading to the possibility of improved methods in education. While many open questions remain aboutthe methods by which machines and humans might learn, significant progress has been made.