Translated from English to Hungarian - www.onlinedoctranslator.

com

Hindawi
Bonyolultság
2019. évfolyam, cikkazonosító 2108423, 24 oldal
https://doi.org/10.1155/2019/2108423

Cikk áttekintése
Kognitív hálózattudomány: A megismeréssel kapcsolatos kutatások
áttekintése a hálózati reprezentációk, folyamatok és dinamika
szemüvegén keresztül

Cynthia SQ Siew1,2Dirk U. Wulff3,4Nicole M. Beckage5és Yoed N. Kenett6

1Warwicki Egyetem, Egyesült Királyság

2Szingapúri Nemzeti Egyetem, Szingapúr

3Bázeli Egyetem, Svájc
4Max Planck Humán Fejlesztési Intézet, Németország
5Wisconsini Egyetem, USA
6Pennsylvaniai Egyetem, USA

A levelezést Cynthia SQ Siew-nek kell címezni; cynthia@nus.edu.sg

2018. szeptember 7-én érkezett; Felülvizsgálva 2019. április 9-én; Elfogadva 2019. április 16-án; Közzétéve: 2019. június 17

Tudományos szerkesztő: Ana Meštrović

Copyright © 2019 Cynthia SQ Siew et al. Ez egy nyílt hozzáférésű cikk, amelyet a Creative Commons Attribution License alapján terjesztenek, és amely
lehetővé teszi a korlátlan felhasználást, terjesztést és reprodukálást bármilyen médiában, feltéve, hogy az eredeti műre megfelelően hivatkoznak.

A hálózattudomány kvantitatív módszereket kínál összetett rendszerek, köztük az emberi megismerés vizsgálatára. Bár a kognitív elméletek különböző területeken erősen a hálózati perspektíván alapulnak, a hálózattudományi módszertanok

alkalmazása a kogníció kvantitatív tanulmányozására eddig korlátozott volt. Ez az áttekintés bemutatja, hogyan alkalmazták a hálózattudományi megközelítéseket az emberi megismerés tanulmányozására, és hogy a hálózattudomány hogyan

képes egyedi módon kezelni és újszerű betekintést nyújtani a kognitív rendszerek összetettségével és az e rendszerekben előforduló folyamatokkal kapcsolatos fontos kérdésekbe. A kognitív hálózattudomány szakirodalmára támaszkodva, a

szemantikai és lexikai hálózatokra fókuszálva három kulcsfontosságú ponton érvelünk. (i) A hálózattudomány erőteljes kvantitatív megközelítést biztosít a kognitív rendszerek ábrázolására. (ii) A hálózattudományi megközelítés lehetővé teszi a

kognitív tudósok számára az emberi megismerés mélyebb megértését azáltal, hogy megragadja, hogy a struktúra, azaz a mögöttes hálózat és a hálózati struktúrán működő folyamatok hogyan hatnak egymásra a viselkedési jelenségek előidézése

érdekében. (iii) A hálózattudomány kvantitatív keretet biztosít a kognitív rendszerek dinamikájának modellezéséhez, amely a kognitív rendszerek strukturális változásaiként operacionalizálható különböző időskálán és felbontásban. Végezetül

kiemeljük azokat a kulcsfontosságú mérföldköveket, amelyeket a kognitív hálózatok tudományának el kell érnie, miközben érik, hogy folyamatos betekintést nyújthasson a kognitív struktúrák és folyamatok természetébe. és a hálózati struktúrán

működő folyamatok kölcsönhatásba lépnek egymással, hogy viselkedési jelenségeket hozzanak létre. (iii) A hálózattudomány kvantitatív keretet biztosít a kognitív rendszerek dinamikájának modellezéséhez, amely a kognitív rendszerek strukturális

változásaiként operacionalizálható különböző időskálán és felbontásban. Végezetül kiemeljük azokat a kulcsfontosságú mérföldköveket, amelyeket a kognitív hálózatok tudományának el kell érnie, miközben érik, hogy folyamatos betekintést

nyújthasson a kognitív struktúrák és folyamatok természetébe. és a hálózati struktúrán működő folyamatok kölcsönhatásba lépnek egymással, hogy viselkedési jelenségeket hozzanak létre. (iii) A hálózattudomány kvantitatív keretet biztosít a

kognitív rendszerek dinamikájának modellezéséhez, amely a kognitív rendszerek strukturális változásaiként operacionalizálható különböző időskálán és felbontásban. Végezetül kiemeljük azokat a kulcsfontosságú mérföldköveket, amelyeket a

kognitív hálózatok tudományának el kell érnie, miközben érik, hogy folyamatos betekintést nyújthasson a kognitív struktúrák és folyamatok természetébe.

1. Bemutatkozás mint a memória és a nyelv (pl. [4–8]). A hálózattudomány a

matematikai gráfelméletre épül, és hatékony kvantitatív
A hálózatok mindenhol ott vannak. Azok a barátok, akikkel a való életben módszereket kínál ezeknek a rendszereknek, mint hálózatoknak
és a közösségi médiában érintkezik, alkotják közösségi hálózatát. A a vizsgálatára (pl. [9]).
weboldalak egy hálózatot alkotnak, amelyen keresztül navigál, amikor a Az elmúlt években a hálózattudomány népszerű eszközzé vált az agy
világhálón böngészik. Ugyanez vonatkozik az utakra, a vasúti sínekre neurális szintjén lévő struktúrák és dinamikák tanulmányozásában [3, 10]. A
vagy a vízi utakra a való világban történő navigációhoz. Az elmúlt két módszerekben rejlő gazdag lehetőségek ellenére a kognitív jelenségekkel
évtizedben egyre több tanulmány alkalmaz hálózattudományi kapcsolatos kutatások ezeket az eszközöket kisebb mértékben alkalmazták.
módszertant különféle tudományterületeken komplex rendszerek Ennek az áttekintésnek az a célja, hogy megvitassák, hogyan alkalmazták a
tanulmányozására (pl. [1–3]). Az összetett rendszerek több összetevőt hálózattudományi megközelítéseket az emberi megismerés
foglalnak magukban, amelyek kölcsönhatásba lépnek egymással, és tanulmányozására, és hogyan képes a hálózattudomány egyedi módon
összetett viselkedést eredményeznek. Ez magában foglalja az emberi megválaszolni és újszerű megvilágításba helyezni a kognitív rendszerekkel és
agyat és az általa előidézett kognitív folyamatokat, az ezekben lezajló folyamatokkal kapcsolatos fontos kérdéseket.
2 Bonyolultság
A kognitív hálózattudomány jelenlegi irodalmának mélyreható
tárgyalása révén a következő három pontot kívánjuk
megállapítani. Ez az áttekintés három részből áll, amelyek
mindegyike a három kérdés valamelyikével foglalkozik.
(1) A hálózattudomány kvantitatív megközelítést biztosít a kognitív rendszerek ábrázolásához. A
kognitív tudomány egyik fontos célja a kognitív struktúrák modellezése, például a szemantikus
memória – a tényekre vagy eseményekre való emlékezetünk (pl. [5, 11, 12]), valamint a mentális
lexikon – a hosszú távú emlékezet azon része, ahol lexikális. a reprezentációk tárolásra kerülnek (pl. [8,
13, 14]). A kognitív reprezentációk formalizálásának ez a célja az alkalmazott megközelítések
sokféleségében tükröződik, beleértve a szimbolikus megközelítéseket (pl. [15]), a konnekcionista vagy
neurális hálózatos megközelítéseket (pl. [16–18]), és a kettő kombinációit (pl. , [19, 20]). Azt állítjuk,
hogy a hálózattudományi megközelítés hatékony alternatív keretet biztosíthat a kognitív
reprezentációk modellezéséhez és számszerűsítéséhez különböző területeken. A hálózattudomány
olyan számítási eszközök sorozatát kínálja, amelyek lehetővé teszik a kognitív tudósok számára, hogy
explicit módon megvizsgálják a kognitív rendszerek szerkezeti tulajdonságait – amit nehéz lehet elérni
például konnekcionista megközelítésekkel, ahol a kognitív rendszer szerkezetét elhomályosítják egy
fekete dobozban. „rejtett” rétegek [21]. A 2. rész a kognitív reprezentációkra és architektúrákra
összpontosít, bemutatva, hogyan használhatók a hálózattudományi megközelítések a kognitív
rendszerek szerkezeti tulajdonságainak ábrázolására és leírására. Ez a rész a hálózatok néhány
alapvető terminológiájával is megismerteti az olvasót. A 2. rész a kognitív reprezentációkra és
architektúrákra összpontosít, bemutatva, hogyan használhatók a hálózattudományi megközelítések a
kognitív rendszerek szerkezeti tulajdonságainak ábrázolására és leírására. Ez a rész a hálózatok
néhány alapvető terminológiájával is megismerteti az olvasót. A 2. rész a kognitív reprezentációkra és
architektúrákra összpontosít, bemutatva, hogyan használhatók a hálózattudományi megközelítések a
kognitív rendszerek szerkezeti tulajdonságainak ábrázolására és leírására. Ez a rész a hálózatok
néhány alapvető terminológiájával is megismerteti az olvasót.
(2) A hálózattudomány elősegíti az emberi megismerés mélyebb
megértését azáltal, hogy lehetővé teszi a kutató számára, hogy
megvizsgálja, hogyan hatnak egymásra a hálózati struktúra és a
hálózati struktúrán működő folyamatok viselkedési jelenségek
létrehozása érdekében.. A hálózattudományi megközelítés másik
erőssége, hogy nemcsak a kognitív rendszerek felépítésével
kapcsolatos szempontokat képes számszerűsíteni, hanem
modellezni is tudja az e rendszereken belül működő folyamatokat.
Például a memória-visszakeresés modellje általában két alapvető
összetevőt igényel: az emlékek reprezentációját és a visszakeresésük
folyamatát. Hálózati megközelítésben ezek az összetevők
modellezhetők például olyan hálózati reprezentációként, amely a
szemantikai memóriát hasonló fogalmak hálózataként és egy
véletlenszerű sétafolyamatként ábrázolja, amely véletlenszerűen
halad át a szemantikai hálózaton, és olyan csomópont-sorozatot
bocsát ki, amely közelíti a kimeneteket. a visszakeresési folyamatról,
amelyet a mögöttes hálózati struktúrán áthaladó véletlenszerű séta
valósít meg. Általában, a struktúra és a folyamat együttes
figyelembe vétele természetesen a hálózati megközelítésből fakad,
és szűkszavúan mutatja be az emberi viselkedést és megismerést
olyan területeken, mint a szemantikai memória és a lexikális
visszakeresés. A 3. rész a kognitív és lexikális hálózatokban fellépő
folyamatokra összpontosít. Kiemeljük, hogy a kognitív folyamatok
alapos megértéséhez alaposan meg kell vizsgálni, hogy a kognitív
rendszer szerkezete hogyan lép kölcsönhatásba a folyamatokkal,
hogy figyelembe vegyék az összetett emberi viselkedést.
(3) A hálózattudomány keretet ad a kognitív rendszerek strukturális
változásainak több skálán történő modellezéséhez. Egy másik terület
A kognitív tudósok által mélyen érintett kutatások a kognitív
rendszerek fejlődésével és hanyatlásával kapcsolatosak [8].
Az olyan területeken végzett kutatások, mint a
nyelvelsajátítás és a kognitív öregedés, feltárták, hogy a
kognitív rendszerek dinamikusak és érzékenyek a nyelvi
környezet változásaira [22], a tapasztalatok idővel történő
felhalmozódására [23, 24], valamint a hiányosságokra vagy
más, életkorral összefüggő hanyatlásra. érzékszervi
feldolgozás [25]. Dinamikus változások következhetnek be
hosszabb időtávon, ami a tapasztalatok hosszú távú
felhalmozódását tükrözi, és kisebb időtávon, tükrözve a
szemantikai memória dinamikus természetét a különböző
kontextusokra és kísérleti feladatokra reagálva [26].
Megmutatjuk, hogy a hálózattudományi módszerek hogyan
kínálhatnak új módszereket a dinamika számszerűsítésére
és modellezésére ezeken a területeken.
A kognitív tudomány nagyrészt hálózattudományi módszertanokat
alkalmazott a szavak és fogalmak közötti kapcsolatok tanulmányozására
(pl. [5, 11, 27, 28]), eltekintve a társadalmi kapcsolatokra való
alkalmazásoktól (pl. [29]). Míg a kognitív konstrukciók széles köre
ábrázolható hálózatként, az áttekintés elsősorban az emlékezetet és a
nyelvvel kapcsolatos jelenségeket hálózatok segítségével tanulmányozó
kutatásokra összpontosít. Mindazonáltal megjegyezzük, hogy a
hálózattudomány a szavak és fogalmak tanulmányozásán túl is értékes
eszköz lehet (lásd az 1. táblázatot), és arra ösztönzi a kutatókat, hogy
fontolják meg, hogyan használhatók a hálózattudományi módszerek a
kognitív tudományok kutatási kérdéseinek széles spektrumára.
2. Kognitív konstrukciók mint hálózatok
A hálózatok két elemből állnak:csomópontokamelyek az érdeklődésre
számot tartó fogalmi entitásokat képviselik (pl. személyek, webhelyek
vagy szavak) ésélekamelyek az egységek közötti kapcsolatokat képviselik
(pl. barátság, hiperhivatkozások vagy szemantikai hasonlóság). Míg a
kétoldalú és multiplex hálózatok esetében további szempontok is
számításba vehetők (lásd alább), e két alapelem azonosítása a tanulmányi
rendszerben elegendő a rendszer hálózatként való formalizálásához és a
hálózattudomány által biztosított hatékony eszközök alkalmazásához. A
hálózattudományi megközelítések gyakran kihasználják azt a tényt, hogy
a csomópontok közötti kapcsolatok (azaz élek) ugyanolyan fontosak
lehetnek, mint maguk a csomópontok, ha nem fontosabbak. A kognitív
rendszerek hálózatként való tanulmányozása során az első kihívás az,
hogy ezeket a rendszereket értelmes módon ábrázoljuk csomópontok és
élek tekintetében.
2.1. Kognitív rendszerek hálózati reprezentációi.A kognitív tudomány
hagyományosan erős érdeklődést mutat a szavak és fogalmak iránt, mint
a gondolkodás, az érvelés és a kommunikáció alapja (pl. [37]). Sok
kutatást szenteltek a szavak tulajdonságainak tanulmányozásának, mint
például gyakoriságuk természetes nyelvben, vegyértékük vagy
konkrétságuk (pl. [38]). Bár ezek az erőfeszítések fontos szerepet
játszottak az emberi memória viselkedésének és a lexikális visszakeresés
előrejelzésében, a kutatók azt is megállapították, hogy sokat nyerhetünk,
ha figyelembe vesszük a kapcsolatokszavak között egy hálózati
reprezentáción belül. Vegyük például azt a szabad asszociációs feladatot,
amely megköveteli a résztvevőktől, hogy szabadon hozzanak létre
asszociatív válaszokat egy adottra
Bonyolultság 3

1. táblázat: Példák kognitív hálózatokra és kognitív alkalmazásukra.

Kognitív hálózat Csomópontok Élek Releváns kutatási területek

Nyelv elsajátítása; kognitív

Szemantikus hálózat Szavak
Formahasonlósági hálózat Szavak
Szintaktikai hálózat Szavak; kifejezések; mondatokat
Koncepció hálózat Fogalmak; ötleteket
Formák; képek; bármely egysége
Információs hálózat
információ
Tünetek; személyiségjegyek;
Klinikai, személyiséghálózatok
egy kérdőív elemeit
Közösségi háló Emberek
Szemantikai kapcsolatok, beleértve a szabad
asszociációkat, a közös jellemzőket,
taxonómiai, együttes előfordulás,
szemantikai szerepek
Hangtani vagy ortográfiai
hasonlóság
Együttes előfordulás; fák elemzése;
szintaktikai függőségek
Együttes előfordulás; okozati; funkció
hasonlóság
Időbeli együttállás;
kommunikáció; terjedés
Statisztikai összefüggések, például
részleges korrelációk; komorbiditás
Barátság; követők a közösségi médiában;
szemtől szembeni interakciók
öregedés; szemantikai alapozás;
kreativitás/belátás; kognitív
keresés és navigáció; szemantikus
memória
Lexikai visszakeresés; Termelés;
beszédhibák; emlékezés;
szótanulás
Nyelv elsajátítása; nyelv
evolúció; szintaktikai tanulás
Tanulás; memória; koncepció
képződés
A külső statisztikai tanulás
szerkezet; információ
terjedés
Klinikai pszichopatológia;
személyiségzavarok
Kollektív problémamegoldás;
Döntéshozatal; visszhangkamrák;
polarizáció

cue, azaz a szavakkal való reagáláskutya,dorombolás, éscicaa jelzőszóra
macska[31, 39, 40]. Ezeket az asszociatív válaszokat szemantikai
hálózatként is ábrázolhatjuk, például úgy, hogy a csomópontokat
szavakként határozzuk meg, az éleket pedig a szavak közötti asszociációs
erősségként, azaz annak valószínűségeként, hogy egy szót egy másik szó
asszociációjaként neveznek el. Az adatok ilyen módon történő ábrázolása
lehetővé tette a kutatás számára, hogy megfigyelje, hogy egy szó foka,
egy hálózatból származó népszerű csomópont (lásd alább), megjósolja,
milyen jól lehet megtanulni a szavakat [28, 41].
Az asszociációs erősség az egyik lehetőség a szavak
hálózatának felépítésére. A szavak közötti élek a megosztott
tulajdonságok (pl. fogalmak) száma alapján is kialakíthatók
banánéssajtössze vannak kötve, mivel mindkettő sárga színű;
[42], lásd még [43]), azok szemantikai kapcsolatai, mint például
a szinonímia (pl.boldogésörömhasonló jelentésűek), hipernímia
(pl.juharfaegyfa), és a meronímia (pl. amadárvan egycsőr; lásd
[44]), hangtani hasonlóságukat (azaz a hasonló hangzású szavak
kapcsolódnak egymáshoz; [32, 45, 46]), ortográfiai
hasonlóságukat (azaz a hasonló írásmódú szavak kapcsolódnak
egymáshoz; [47) , 48]), együttes előfordulásaik a naturalista
beszédben [49], a nyelvi korpuszstatisztikák [50] és a
manuálisan annotált szintaktikai függőségi kapcsolatok ([51,
52]; áttekintést lásd [53]). Hasonlóképpen, a kutatások a
szavakon kívül más nyelvi egységeket is tanulmányoztak úgy,
hogy betűket [54, 55], szótagokat vagy szegmenseket [56], vagy
teljes dokumentumokat [57] csomópontokra rendeltek. Továbbá
a kutatások hálózattudományi módszereket is alkalmaztak az
angoltól eltérő nyelvek szemantikai [58], stilisztikai [59, 60],
tipológiai [61–63] és fonológiai [45, 64] szerkezetének
vizsgálatára. Az 1. ábra kognitív hálózatokra mutat példákat.
A kognitív rendszer hálózatként való megjelenítésének
minimális követelménye a csomópontok és élek azonosítása.
Azonban sokkal több információt lehet képviselni. Például a
hálózatok többféle típussal is megadhatók
csomópontok közül a jelzések és válaszok megkülönböztetésére
egy asszociatív hálózatban, létrehozva akétoldalú hálózat[36].
Hasonlóképpen, a hálózatok többféle éllel is megadhatók,
például a szavak fonológiai és szemantikai hasonlóságának
megjelenítésére, ami egymultiplex hálózat[65, 66]. Végül élek
lehetneksúlyozottésirányítottaannak érdekében, hogy tükrözze
egy kapcsolat erejét és irányultságát, ill. Az irányítottságot és az
erősségeket például arra használták, hogy figyelembe vegyék
azt a tényt, hogy egy jelzőszó nagyobb arányban vált ki választ,
mint fordítva, mint pl.kutyagyakran kicsalja a választcsontde
csont csak ritkán cukikutya, magasabb társokkal a hasonló
szavakhozcsontvázvagytesthelyett [31, 36].
A hálózatok felépítése nagy szabadságot hagy a kutatónak, és
lehetővé teszi a kognitív rendszerek széles skálájának hálózatként
való megjelenítését. Például a hálózati pszichometria feltörekvő
területe a személyiségjegyek vagy a tünetkérdőív elemei közötti
statisztikai kapcsolatokat reprezentálja hálózatként, az emberi
személyiség és a pszichológiai rendellenességek ok-okozati
struktúrájának jobb megértésére törekszik (lásd [67, 68] az
áttekintéseket). Ez a megközelítés gyorsan kialakul a személyiség- és
klinikai kutatásban, mint a hagyományos, látens változómodellezést
alkalmazó megközelítések gyümölcsöző alternatívájaként, amely
feltételezi egy olyan látens változó jelenlétét, amely a pszichológiai
és személyiségzavarokért felelős, míg a hálózati megközelítés a
kapcsolatokat (pl. szélek) a tünetek között, valamint annak
fontossága, hogy mérlegeljük azokat az ok-okozati utakat, amelyek
egy rendellenesség kialakulásához vezethetnek (pl. [69–72]).
Ezenkívül a hálózatokat arra használták, hogy reprezentálják azt a
külső környezetet, amelybe az emberek beágyazódnak, például a
közösségi hálózatukat vagy az információs teret, amelynek a tanulók
ki vannak téve. A kialakulóban lévő munka azt mutatja, hogy az ilyen
külső struktúrák számszerűsítése számos mélyreható témában új
betekintést nyerhet.
4 Bonyolultság

Szemantikus hálózat Fonológiai hálózat

tanít
strand
TONE
elérheti
AKADÁLY HANG
prédikál kilúg
ELNÖK minden egyes

zacskó
tapasz

SZABADSÁG
béke
MIKROFON HANG VITA
peen harangzúgás
őszibarack puccs
orvvadászat

POLITIKUS
p borsó
SZÁJ hangmagasság

sügér
TERÁPIA kukucskál tőzeg
idegesít

FELÜLET
csúcs

BESZÉD SZÓJEGYZÉK egy csúcs

beszéd
BESZÉLGETÉS

SZENTBESZÉD BESZÉL

NYELV ANGOL
beszél keresni
tüske
NYILATKOZAT beszéltem

átengedni

NYELVTAN sebesség

kísértet
OSZTÁLY
sima svéd
ELŐADÁS SZAVAK
BESZÉLGETÉS
folt
settenkedik

SAYCOMMUNICATION paripa

UNALMAS sped ásó

kapál

BEMUTATÁS IDEGES

1. ábra: Példák kognitív hálózatokra. A szóhoz kötődő szabad asszociációk szemantikai hálózatabeszéd(bal) és a szóhoz hasonló hangzású
szavak fonológiai hálózatabeszéd(Jobb).

a kognitív tudósok érdeklődése, ideértve a beszélő közösségi
háló méretének befolyását a nyelvi feldolgozásra [73], a nyelv
evolúciójára [74, 75], arra, hogy a tanulók hogyan képviselik a
tudásanyag fogalmi megértését [76–78], problémamegoldást és
döntést csoportos készítés [79, 80], és hogyan tudják a tanulók
statisztikai tanuláson keresztül kiemelni a világ külső
szerkezetét [81, 82]. Lásd az 1. táblázatot a különböző típusú
kognitív hálózatok és a releváns kognitív tudományos témák
összefoglalásáért.
Összefoglalva, a kognitív struktúrák hálózatban való
megjelenítése nagyfokú rugalmasságot kínál a különféle
kognitív jelenségeket vizsgáló kutatók számára (lásd 1. táblázat).
Bármely kognitív hálózat csomópontjainak és éleinek
elméletileg motivált konstrukciókat kell képviselniük, a
csomópontok megfelelő és releváns reprezentációs skálát
ábrázolnak, az élek pedig a csomópontok közötti értelmes
kapcsolatot határozzák meg [83]. A hálózati ábrázolás
kiválasztása a mérőműszer kiválasztásához hasonlítható. A
különböző hálózati reprezentációk a mögöttes kognitív rendszer
különböző aspektusait tárják fel. Végső soron a kutatónak kell
eldöntenie, hogy mely szempontokra helyezi a hangsúlyt.
2.2. Hogyan jellemezhetők a hálózati struktúrák?A kognitív
rendszerek, mint hálózatok tanulmányozásának egyik fő erőssége a
megbízható, jól bevált kvantitatív mérőszámok és eszközök
hozzáférhetősége, amelyek tükrözik a gráfelmélet hosszú történetét
és matematikai alapjait [84], valamint folyamatos finomítását és
fejlesztését (pl. a multiplex hálózatok területén, [85]). Ebben a
részben a hálózatok szempontjainak számszerűsítésére használt
általános méréseket mutatjuk be három struktúraskálán a
hálózatábrázolásokban: (i) a mikroszkopikus struktúra, azaz az egyes
csomópontok és élek szerkezeti tulajdonságainak „csomóponti
nézete”, (ii) a mezoskálát, amely magában foglalja a
a csomópontok részhalmaza és az általuk alkotott alstruktúrák,
valamint (iii) a makroskála, azaz a teljes hálózati struktúrát
összefoglaló „hálózati nézet”. Annak kiemelésére, hogy ez a
három különböző skála miként kínál újszerű lehetőségeket a
kogníció tanulmányozására, áttekintjük az egyes skálák
méréseit, és azt, hogy miként alkalmazták ezeket a kogníció
megértésének javítására.
2.2.1. Mikroszkópos hálózati mérések.Mikroszkópos szinten a
hálózatelemzés a csomópontok és élek különböző
tulajdonságait vizsgálja, leggyakrabban egy csomópont
„fontosságának” számszerűsítésére összpontosítva a gráf
reprezentációjában a centralitás mértékeivel [86–88].
A csomópont központiságának egyik népszerű mértéke a
csomópont fokozat, , azaz egy csomóponthoz kapcsolódó élek
száma. A magasabb fokú csomópontok közvetlenül
kapcsolódnak több csomóponthoz a hálózatban, és fontos
szerepet játszhatnak például a hálózaton keresztüli
információcserében [4]. Az anód foka meghatározza a
csomópont „környéki méretét” is, egy olyan tulajdonságot,
amelyet gyakran használnak szóalakok fonológiai és ortográfiai
hálózataiban a lexikális visszakeresési idők előrejelzésére, ahol
az élek általában egy fonéma szerkesztési távolságát jelentik
[89]. levél [90]. Itt a csomópont foka határozza meg egy szóalak
más szóalakkal való hasonlóságának szintjét.
A csomópontok másik tulajdonsága a közvetlen
szomszédságából származikhelyi klaszterezési együttható, , amely
azt jellemzi, hogy egy csomópont szomszédai milyen mértékben
kapcsolódnak egymáshoz. Konkrétan, a klaszterezési együttható azt
méri, hogy egy csomópont szomszédai mennyiben szomszédai is
egymásnak (hasonlóan a közösségi hálózatokban a tranzitivitás
fogalmához, azaz a barátaid is barátaik egymásnak; [91]). Amint a 2.
ábrán látható, lehetséges, hogy egy szóval
Bonyolultság 5

Magas C szó Alacsony C szó

táska
tilalom lag disznó
borz köd
bumm dicsér

rossz kutya

bash törvény

jelvény vissza log mocsár

basszus gyep
koldul húz
denevér liga
megmozdul veszteség

tétel láb hosszú

fürdőkád

2. ábra: Az alábbiakban egy magas klaszterezési együtthatójú szót (balra) és egy alacsony klaszterezési együtthatóval rendelkező szót (jobbra) mutatunk be.
Figyeljük meg, hogy mindkét szónak ugyanannyi fonológiai szomszédja van, azaz foka. A Chan & Vitevitch [30] alapján készült.

ugyanazon a fokon, hogy különböző értékei legyenek , ami a szomszédságuk maguk a csomópontok. Például a kognitív és nyelvi
belső szerkezetében mutatkozó különbségeket tükrözi. A csomópontok hálózatok két csomópontja közötti úthossz befolyásolja a
fokához hasonlóan a csomópont klaszterezési együtthatója befolyásolja az kimondott szavak félreértését [101], a szemantikai rokonság
információáramlást a csomóponton keresztül és körülötte. Ennek megfelelően megítélését [27, 102] és a képmegnevezési teljesítményt az
a legújabb pszicholingvisztikai kutatások kimutatták, hogy az emberek afáziás emberekben [98].
érzékenyek a szavak hasonlósági szerkezetének árnyalataira, ahogyan azt Számos más hálózati intézkedésről, amelyeket itt a rövidség
operacionalizálják. . A szavak klaszterezési együtthatója kicsi, de mérhető kedvéért nem tárgyalunk részletesen, kimutatták, hogy mérhető hatást
hatással van arra, hogy az emberek hogyan ismerik fel a kimondott [30] és az gyakorolnak az emberi viselkedésre. Ezek az intézkedések magukban
írott szavakat [48, 92], hogyan állítanak elő beszédet [93], hogyan tanulnak új foglalják a fokozatok szerinti assortatív keveredést [103], a
szavakat [94], és hogyan idézik fel a szavakat a memóriafeladatokban [95]. kulcsszereplőket [104, 105], függetlenül attól, hogy egy csomópont a
hálózat legnagyobb csatlakoztatott komponensében vagy kisebb
Mind a csomópont foka, mind a helyi klaszterezési csatlakoztatott összetevőkben található-e [106, 107], egy csomópont
együttható csak a kívánt csomópont közvetlen tágabb környezetének hálózati kapcsolata, beleértve a közvetlen
szomszédságát veszi figyelembe. Egy csomópont szomszédokat és a nem szomszédos szavakat [108], és sok mást,
közvetlen szomszédságán túli fontosságának amelyeket még alaposan fel kell tárni a kognitív tudományokban, mint
jellemzésére olyan mérőszámok használhatók, mint a például a közönségközpontúság (lásd [109] a különböző hálózati
közelség vagy a PageRank központosság.A közelség metrikák nyelvi feldolgozásra gyakorolt hatását részletező áttekintést,
központiságaaz átlagos legrövidebb úthossz és [110], a különböző centralitási intézkedések áttekintésére).
inverzeként kerül kiszámításra (lásd részletesebben
alább) a hálózat összes többi csomópontjához [96]. 2.2.2. Mezoszkópikus hálózati intézkedések.
Kimutatták, hogy a fonológiai és ortográfiai Mezoszkópikus szinten a kutatás a hálózati közösség
hasonlósági hálózatokból kiszámított szavak közeli struktúrájára összpontosított. A közösségek a
központisága befolyásolja a beszélt [97] és a vizuális csomópontok alhálózatokba való csoportosítását jelentik
szófelismerést [48], az afáziás emberek az összekapcsolhatóságuk alapján, azaz, hogy milyen
képmegnevezési teljesítményét [98], valamint az erősen kapcsolódnak egymáshoz. A hálózatokban lévő
amentális navigációs feladat teljesítményét [99]. közösségek azonosítására a meglévő algoritmusok célja
PageRank központi szerepeszéles körben ismert a klasztereken belüli kapcsolat maximalizálása, miközben
algoritmusként, amellyel webhelyeket rangsorolnak a minimalizálja a klaszterek közötti kapcsolatot [111]. A
Google keresési eredményei között [100]. A közösségek azonosítása és a benne foglalt csomópontok
PageRank-központúság felfogható egy „fluid”-ként, érdekes betekintést nyújthatnak egy kognitív rendszerrel
amely a hálózaton keresztül áramlik, és a kapcsolatban. A nyelv területén például a közösségi
legfontosabb csomópontokon gyűjti össze. Az észlelés használható szemantikai mezők vagy kategóriák
általános elképzelés az, hogy a fontosabb azonosítására [11]. A közösségészlelési algoritmusok
csomópontok (webhelyek) több azon képességét, hogy egy hálózatot közösségek
„folyékonyságot” (jóváhagyást) kapnak azoktól a halmazaként írjanak le, általában a modularitásként
csomópontoktól (webhelyek), amelyek maguk is ismert mértékkel rögzítik [111, 112]. Az agy neurális
rekurzív módon fontosak. Bár a PageRank centralitást szintjén végzett vizsgálatok [113–115] például,
a webes keresés optimalizálására fejlesztették ki, A legújabb tanulmányok rávilágítottak a kognitív
Griffiths, Steyvers, hálózatok modularitásának jelentőségére mind az
Végül a legrövidebb út, vagy a két csomópont közötti egészséges, mind a klinikai populációkban [46, 118–120].
legrövidebb távolság,( , ), a (nem szomszédos) Például a jól működő autista (Asperger-szindróma) egyének
csomópontok kapcsolatáról árulhat el valamit, nem pedig a szemantikai hálózata nagyobb modularitást mutat.
6 Bonyolultság
mint az illesztett vezérlők, ami egy lehetséges magyarázatot
kínál a feldolgozási nyelv merevségére [118]. Ezen túlmenően a
fonológiai hálózatban megfigyelt magas modularitás gátolja az
aktiváció terjedését a lexikális visszakeresésben [46], a
szemantikai hálózatokban megfigyelt magasabb modularitás
pedig negatívan kapcsolódik a kreatív képességek egyéni
különbségeihez [34, 121].
2.2.3. Makroszkópos hálózati mérések.A hálózatok makroszkopikus
szerkezetének mérőszámai a hálózatok általános szerveződésére
vonatkoznak, nem a csomóponti vagy közösségi szintű struktúrákkal
szemben. Ezek az intézkedések feltárhatják a rendszer felbukkanó
tulajdonságait, amelyek csak a hálózat egészét tekintve láthatók,
amelyek fontos szerepet játszhatnak a rendszer viselkedésében. Az
alábbiakban a kognitív rendszerek tanulmányozására használt
makroszkopikus hálózati méréseket ismertetjük.
Átlagos NodeMeasures. A hálózatokat rendszeresen jellemzik a
fent leírt lokális, csomópont alapú mérőszámok átlagaival, mint
például az átlagos fok, az átlagos legrövidebb úthossz és az
átlagos (lokális) klaszterezési együttható (pl. [11, 28]). Az egyik
minta, amely gyakran megjelenik számos rendszerben, az akis
világszerkezet, amelyet magas lokális klaszteresedés és
mérsékelt átlagos legrövidebb úthossz jellemez a hasonló
méretű, sűrűségű, véletlenszerűen megrajzolt hálózatokhoz
képest [91]. Ez a kis világtulajdonság két okból is fontos lehet a
megismerés területén. Először is azt találták, hogy a kis
világméretű struktúrák szinte univerzális tulajdonsága a valós
világ hálózatainak különböző területeken, beleértve a biológiai
hálózatokat (pl. [122, 123]), a közösségi hálózatokat (pl. [124]) és
az információs hálózatokat (pl. , [125]). Másodszor, kis
világstruktúrák alakulhatnak ki a szisztematikus növekedési
folyamatokból, amelyek alkalmazkodhatnak a környezeti
korlátokhoz, és előnyös struktúrát hozhatnak létre. Például, az
agyi hálózatok kis világszerkezetéről azt mondják, hogy az agyi
régiók közötti rövid neurontávolságok és az e kapcsolatok
létrehozásával kapcsolatos költségek közötti kompromisszumot
tükrözi, és arra a következtetésre jutott, hogy a kis
világstruktúra eszközt jelenthet a neuronok szervezeti
struktúrájának optimalizálására [113]. ]. Az optimalizált
szerveződés gondolata az agyi hálózatokban kapcsolódik a
gondolathoza hálózat hatékonyságát, , utalva a hálózat gyors
információcserére való képességére (2. táblázat; [126]).
A „kis világ” sokféle nyelvi hálózatban is mindenütt
jelen van, beleértve a szemantikai hálózatokat [28], a
különböző nyelvek fonológiai hálózatait [32, 45], az angol
ortográfiai hálózatát [48] és a szintaktikai hálózatokat
[52]. ]; bár megjegyezzük, hogy egyesek vitatják a kis
világszerkezet mérésének hasznosságát, ahogy Watts és
Strogatz [91] kimutatta, hogy még egy rendkívül
strukturált rács is kis világszerkezetet mutat, ha az élek
véletlenszerű újrahuzalozását bevezetik. Hasonlóan az
agyi hálózatokra vonatkozó érvhez, a nyelvi
hálózatokban kis világtulajdonságok merülhetnek fel a
nyelvtanulás és -használat két egymással versengő
szempontja miatt – a megkülönböztető képesség (pl.
minden objektum egyedi szóleképezéssel rendelkezik) és
a memóriakorlátok (pl. a legkönnyebben megtanulható
nyelv) miatt. olyan, ahol egyetlen szó mindenre utal).
hasonló jelentésű és formájú klaszterek, de alacsony az átlagos
úthossz a memóriakorlátok hatása miatt, ami szavak és szublexikális
szegmensek újrafelhasználását eredményezi [50, 127]. Végül, a
szemantikai és lexikális hálózatok kis világszerkezete fontos
támpontokat adhat ahhoz, hogy az ilyen kognitív rendszerek
szerkezetét hogyan lehet kihasználni a szemantikai memórián belüli
keresési folyamatok hatékonyságának maximalizálására vagy a
lexikai struktúrák katasztrofális meghibásodásának megelőzésére
[11, 128]. .
Fokozat-eloszlás. Afokozat megoszlása,P(k)Egy hálózat , azt jelzi,
hogy hány csomópontnak van adott számú kapcsolata a hálózatban
(azaz annak mértéke). Sok természetben előforduló hálózatban sok
csomópont alacsony fokú (kevés kapcsolat), néhány csomópont
pedig nagyon magas (sok kapcsolat). Egyes hálózatok fokszám-
eloszlását gyakran egy hatványtörvény közelíti meg a legjobban
(lásd Clauset et al. [129] annak ellenérvéhez, hogy a
hatványtörvények pontosan rögzítik a fokszámeloszlást a
hálózatokban.) ( ) ≈ − és jellemzően úgy emlegetikvízkőmentes
hálózatok, amikor a kitevő, ,2 és 3 között van [129, 130]. A
skálamentes kifejezés arra utal, hogy a második és magasabb rendű
momentumok hajlamosak a végtelenbe menni, ami arra utal, hogy a
fokszám-eloszlásnak végtelen varianciája van. A skálamentes
fokeloszlások a hálózat átlagos fokánál jóval nagyobb fokokkal
rendelkező csomópontokat tartalmaznak, amelyeket gyakran
huboknak neveznek. A hálózatok skálamentes tulajdonságát a
hálózatok véletlenszerű csomópont-hibákkal szembeni ellenálló
képességéhez kapcsolták. Azaz a perkolációs folyamatok
tanulmányozása azt találta, hogy a skálamentes hálózatok
összekapcsolhatósága hosszabb ideig ellenáll az élek folyamatos,
véletlenszerű törlésének, mint a más fokeloszlású hálózatok [131].
A szemantikus hálózatok fokszám-eloszlásai
következetesen közelítő hatványeloszlást követnek, a
legjobban illeszkedő hatványtörvények kitevői
konvergálnak ∼3 (lásd a 3. ábrát, balra; [28]). Ezt szabad
asszociációkból [31] és összetettebb szemantikai
kapcsolatokból (pl. WordNet; [44]) felépített szemantikai
hálózatokon is bebizonyították, ami a szójelentések
szemantikai szerveződésében közös vonásokra utal
([132]; de lásd [133]). . Másrészt úgy tűnik, hogy a
különböző nyelvek fonológiai hálózatainak fokszám-
eloszlásai a legjobban illeszkednek egy csonka
hatványtörvényhez ([45]; lásd a 3. ábrát, jobbra), ami
hatással van a hálózatnövekedés jelölt modelljére.
A természetben előforduló hálózatokban megfigyelhető
skálamentes fokeloszlások mindenütt előfordulásának
figyelembevételére Barabási és Albert [134] a hálózatnövekedés egy
befolyásos modelljét javasolta.kedvezményes csatolásahol, ha új
csomópontokat adnak a hálózathoz, ezek a csomópontok nagyobb
valószínűséggel csatlakoznak magasabb fokú (azaz több kapcsolat)
csomópontokhoz. Ezért a szorosan összefüggő szavak nagyobb
valószínűséggel szereznek új kapcsolatokat, ami „gazdag-
gazdagabb” hatást eredményez. Steyvers és Tenenbaum [28] azt
javasolta, hogy a szemantikai hálózatok növekedése hasonló módon
történhetett volna, ha a preferenciális kötődést szemantikai
differenciálódási folyamatként értelmezi, amelyben a szavakat
valószínűleg megtanulják, ha más, sokféle jelentésű szavakhoz
kapcsolódnak. növelve a
Bonyolultság 7

2. táblázat: Hálózattudományi kifejezések és változók definíciói.

Term/változó Meghatározás

csomópontok száma, ,a gráf

éleinek száma, ,grafikonon
az élek számának aránya a lehetséges élek maximális számához képest
hálózati sűrűség 2
( −1)
legrövidebb út a csomópontok között és csomópont
távolság,( , )
( , )ahol , ∈

a csomópontpárok közötti legrövidebb út átlagos hossza

átlagos legrövidebb úthossz, 1
= ∙∑(, )
( −1) =?̸?

legnagyobb legrövidebb út a csomópontok között

átmérő,
=max( , )
∈, ∈

a csomópontok közötti legrövidebb utak hosszának összegének inverzeénés minden más

csomópontok a grafikonon
közelség központi 1
=
∑ ( , )

fokozat, csomóponthoz csatolt élek száma az élek

átlagos száma csomópontonként a hálózatban

átlagos végzettség,⟨ ⟩
1
⟨ ⟩= ∑
=

a csomópont szomszédai közötti élek száma osztva a maximummal

a szomszédok közötti élek száma
helyi klaszterezési együttható,
2| |
= ahol , ∈ , ∈ ( −1)

a hálózat csomópontjainak átlagos klaszterezési együtthatója

átlagos klaszterezési együttható,⟨ ⟩ 1
⟨ ⟩= ∑
=

a csomópontok alcsoportjaiba eső élek aránya mínusz a várt érték

modularitás,
arány, ha az élek véletlenszerűen oszlanak el, tartomány [−1,1]
a hálózaton belüli információcsere hatékonyságának mérése
átlagos hatékonyság, 1 1
= ∑
( −1) =?̸?∈ ( , )
a hálózat azon csomópontjainak legnagyobb csoportja, amelyek egyetlen helyen kapcsolódnak egymáshoz
legnagyobb csatlakoztatott alkatrész
összetevő
fokozat megoszlása, ( ) a csomóponti fokok valószínűségi eloszlása a hálózatban
hatványtörvény kitevője a fokszámeloszláshoz
hálózat rövid átlagos úthosszal és viszonylag magas klaszterezési együtthatóval
Kis világszerkezet
(egy hasonló sűrűségű véletlen gráfhoz viszonyítva)
skálamentes hálózat hatványtörvény szerinti eloszlású hálózat

a gyermek szókincsének fejlesztése, valamint a szavak különféle a kognitív hálózatelemzés elvégzéséhez rendelkezésre álló nyílt
jelentéseinek elsajátítása. A fonológiai hálózatok csonka forráskódú eszköztárak száma gyorsan növekszik; Az alábbiakban a
hatványtörvénye ehelyett azt sugallhatja, hogy a fonológiai kognitív és nyelvi hálózatok elemzését, modellezését és megjelenítését
hálózat növekedésében egy másik mögöttes folyamat működik. lehetővé tevő legrelevánsabb források nem kimerítő listáját mutatjuk be.

NetworkToolbox: Módszerek és intézkedések agyi, kognitív és

2.3. Módszertani eszközök és források a kognitív pszichometrikus hálózatelemzéshez [135]:ez az R eszköztár átfogóan
hálózatelemzéshez.Ebben a részben olyan forrásokat mutatunk valósítja meg az idegtudományban, a kognitív tudományban és a
be, amelyek a kognitív hálózatok becslése és elemzése iránt pszichológiában használt hálózatelemzési és gráfelméleti
érdeklődő kognitív tudósok számára elérhetők. Száma intézkedéseket. A NetworkToolbox különféle elemeket tartalmaz
8 Bonyolultság
Szemantikus hálózat
1000
100
log(gyakoriság)
10
1 1
10
log(k)
3. ábra: Nelson és munkatársai [31] szabad asszociációs normáiból és a Vitevitch [32] fonológiai hálózatának fokeloszlásai.
pszichometriai hálózatok szűrési módszerei és agyi hálózatok
hatékonysági költségoptimalizálása (https://cran.r-project. org/web/
packages/NetworkToolbox/index.html). SemNetCleaner:
Automatizált tisztítóeszköz szemantikai és nyelvi adatokhoz
[136]:ez az R csomag számos olyan funkciót valósít meg, amelyek
automatizálják a szöveges adatok tisztítását, binarizálását és
helyesírás-ellenőrzését. Ezenkívül eltávolítja a többes számú és
folyamatos karakterláncokat, konvergál, és véglegesíti a szöveges
adatokat a szemantikai hálózati elemzéshez (https://cran.r-
project.org/web/packets/SemNetCleaner/index.html).
memnet: Hálózati eszközök memóriakutatáshoz [24]:A memnet
hálózattudományi eszközöket kínál, amelyek hatékonyan alkalmazhatók
az emberi memória kutatására. A memnet R csomag olyan módszereket
tartalmaz, amelyek segítségével a verbális fluencia adatokból hálózatokra
lehet következtetni, hálózatnövekedési modelleket és változatos
(switcher-) véletlenszerű sétafolyamatokat lehet megvalósítani, valamint
eszközöket a hálózatok elemzésére és megjelenítésére (https://cran.r-
project.org/web/packages). /memnet/index.html).
spreadr: Spreading Aktiválás szimulálása hálózatban
[137]:A spreadr lehetővé teszi a kognitív tudósok és pszichológusok számára,
hogy olyan számítógépes szimulációkat hajtsanak végre, amelyek a terjedési
aktiválást valósítják meg egy hálózati reprezentációban (https://cran.r-project.
org/web/packages/spreadr/index.html).
SNAFU: The Semantic Network and Fluency Utility [33]: A SNAFU
eszközöket biztosít a pszichológusok számára szemantikai hálózatok
létrehozásához kategória/verbális folyékonysági adatokból (pl. a
lehető legtöbb állat megnevezése 1 perc alatt), valamint a különböző
csoportok vagy egyének szemantikai hálózatainak összehasonlítása
(https://alab.psych. wisc.edu/projects/2017/12/08/snafu. html).
Az Öregedés Lexikon Projekt [8]:Az Aging Lexicon Project a
mentális lexikon tanulmányozásával kapcsolatos forrásokat
tartalmaz az egész életen át, ideértve a nyelvi környezet mérésére és
reprezentálására szolgáló forrásokat, eszközöket a mentális lexikon
élethosszig tartó számszerűsítésére és modellezésére, valamint
Fonológiai hálózat
10000
1000
log(gyakoriság)
100
10
100 1 10
log(k)
nyílt hozzáférésű nyelvi normák, természetes nyelvi
korpuszok és viselkedési megastudy adatok átfogó
listájaként (https://aginglexicon.github.io/).
A Brain Connectivity Toolbox [138]:az agyi kapcsolódási
eszköztár a MATLAB szkriptek átfogó eszköztára, amely
hálózatok elemzésére szolgál. Míg az ezen eszköztár alapján
összeállított szkriptek közül több elsősorban az agyi hálózatok
elemzésére készült, a kognitív hálózatok elemzésére is kiválóan
alkalmasak (https://sites.google.com/site/bctnet/).
Pszichometrikus hálózatelemzés:Bár a jelen áttekintés
keretein kívül, fontos megjegyezni, hogy számos R eszköztárat
fejlesztettek ki a pszichometriai hálózatok elemzésére (azaz a
pszichometriai kérdőívek elemzésére, mint a pszichopatológia
és a személyiség tanulmányozására szolgáló hálózatokra). Ilyen
eszköztárak a qgraph (https://cran.r-project.org/web/packages/
qgraph/index.html), a bootnet (https://cran.r-project.org/web/
packets/bootnet/index. html) és mlVAR (https://
cran.rproject.org/web/packages/mlVAR/index.html). További
részletekért az olvasót Epskamp, Borsboom és Fried [139] idézi.
2.4. Összegzés.Ez a rész áttekintést adott a különféle hálózati
intézkedésekről mikro-, mezo- és makroszinten, és kiemelte
azokat az eseteket, amikor ezek a hálózati intézkedések előre
jelezték az emberi viselkedést, vagy újszerű betekintést
nyújtottak az emberi megismerésbe, elsősorban a nyelvi
feldolgozás és a szemantikai memória területéről. . Továbbá
összefoglaljuk a fő eszköztárak nem átfogó listáját, amelyek
lehetővé teszik a kognitív tudósok számára a kognitív hálózatok
becslését és elemzését.
3. Folyamatok a kognitív hálózatokban
Most olyan modellekre térünk rá, amelyek a tárgyalt kognitív
hálózatokban előforduló folyamatokra adhatnak magyarázatot
Bonyolultság
felett. Ebben a részben kezdjük a kognitív pszichológia klasszikus terjedő
aktivációs elméletének áttekintésével, és a hálózattudományi
kutatásokban népszerű véletlenszerű sétamodellek által inspirált
kiterjesztéseket tárgyaljuk. Ezután megvitatjuk, hogy ezek a folyamatok
hogyan adhatnak magyarázatot a hálózati reprezentációban
megvalósított viselkedési eredményekre, és betekintést nyújtanak az
emberi megismerés különböző területeiről származó látens kognitív
folyamatokba, beleértve a lexikális visszakeresést, a kreativitást, valamint
a kognitív keresést és navigációt.
3.1. Kognitív folyamatok a hálózatokban.A kognitív tudomány
szempontjából releváns hálózattudományi megközelítés egyik
legfontosabb előnye, hogy lehetőség nyílik a hálózat struktúráján
működő folyamatok formalizálására. Az egyik legkorábbi kísérlet a
csomópontok hálózatán zajló kognitív folyamatok és kapcsolataik
konceptualizálására az emberi szemantikai emlékezetre
összpontosított, hogy megmagyarázza az emberi gondolkodás
bonyolult taxonómiáját [140, 141]. Amikor olyan állítások
ellenőrzésére kérik, mint pla vörösbegy egy állatvagyvörösbegy egy
madár, a résztvevők általában hosszabb időt vesz igénybe az előbbi
állítás ellenőrzése, mint az utóbbi [142]. Ennek a válaszidő-
eltérésnek a figyelembe vétele érdekében az emberi szemantikai
memóriáról azt feltételeztük, hogy faszerű hálózati szerveződést
mutat, amelyben a csomópontok fogalmakat, az élek pedig azt,
hogy a szavak egy magasabb rendű fogalom elemei-e. Egy ilyen
hálózatban a triád,vörösbegy, madár, ésállat, vonalat alkot
vörösbegykapcsolatban lennimadárésmadárkapcsolatban lenni
állatnak. Minden olyan érvelési folyamatnak, amely azt kívánja
azonosítani, hogy két fogalom legalább közvetetten kapcsolódik-e a
„benne van-e” kapcsolatokon keresztül, következésképpen két élen
kell áthaladnia az első állítás ellenőrzéséhez (azaz az éleket ábrázoló
élekvörösbegy egy madárés a madarak állatok), de csak egy él a
második (azaz az ábrázoló él) ellenőrzéséhezvörösbegy egy madár).
Ez a hálózati feldolgozási modell az egyik klasszikus példa, amely a
viselkedési jelenségeket egy mögöttes hálózati reprezentáció és egy
hálózaton működő folyamat kombinációjaként magyarázza.
Később Collins és Loftus [27] általánosította azt a belátást, hogy
a hálózati struktúra a visszakeresési folyamattal párhuzamosan
megmagyarázhatja az emberi viselkedést, és kidolgozta az aktiváció
terjesztésének elméletét a szemantikus memóriában (lásd még
[143]). Ennek az elméletnek a kulcsfontosságú hozzájárulása az volt,
hogy explicitté tegye a szemantikus hálózaton működő folyamatot
egy kognitív feladat végrehajtása során, és összekapcsolja e
folyamat kimeneteit a résztvevők teljesítményével és válaszidejével.
Konkrétan, a terjedő aktivációs elméletben azt feltételezték, hogy
egy fogalom olvasása vagy gondolkodása aktiválja a fogalmat, és ez
az aktiválás átterjed a hálózat szomszédos fogalmaira, elindítva a
kapcsolódó fogalmakat és megkönnyítve azok visszakeresését. A
Collins és Loftus [27] által javasolt aktiváció terjesztési folyamata
implicit módon feltételezi valamilyen kognitív erőforrás jelenlétét (pl.
aktiválás), amelyek meghatározott csomópontokhoz rendelhetők,
egy előre definiált hálózat összekapcsolt csomópontjai között
eloszlanak, és idővel lecsengenek (ahogy ezt formálisan a [143, 144]
tartalmazza; lásd még [137]). Az aktiválásnak ez a terjedése a
szemantikai hálózatban idővel és távolsággal gyorsan csökken [145].
Összességében a terjedő aktiválási fiók sikere bizonyítja egy olyan
folyamat formalizálásának jelentőségét, amely a keresést kognitív
reprezentáción belül rögzíti.
9
A hálózattudomány új módokat kínál az aktiváció terjedésének Collins és Loftus [27] eredeti
koncepciójának kiterjesztésére a diffúziós modellek hálózati reprezentációkra való formalizálásával. A
hálózaton zajló diffúziós folyamatokat egymástól függetlenül használták a betegségek terjedésének és
a fertőző gondolatok populáción belüli járványainak széles körű tanulmányozására és előrejelzésére
(pl. [146, 147]). Az ezeken a területeken kifejlesztett diffúziós modellek hasonlóan használhatók és
adaptálhatók annak vizsgálatára, hogy az információ vagy az aktiválás hogyan „terjed” a kognitív
hálózatban. Bár léteznek különböző hálózati diffúziós modellek megvalósításai, az egyik alapvető ötlet,
amely az ilyen hálózati folyamatmodellek erejét szemlélteti, a véletlenszerű séta a hálózaton. A
véletlenszerű sétamodell egy naiv keresési folyamat, amely csomópontról csomópontra mozog az
átmeneti valószínűségek halmazának függvényében, amely meghatározza annak valószínűségét, hogy
az egyik csomópontból a közvetlenül kapcsolódó szomszédos csomópontokba kerüljön.
Megjegyzendő, hogy ha egy csillapítási paraméterrel kombináljuk, a véletlenszerű sétamodell
hasonlóvá válik a terjedési aktiválás modelljéhez [6]. Hasonlóságuk ellenére azonban figyelemre méltó
különbségek vannak az aktiváció terjesztésének megvalósításában és céljaiban a Collin és Loftus [27]
hagyományában, valamint a hálózatkutatók véletlenszerű sétamodelljei között. Pontosabban, a
véletlenszerű sétamodellek a séta által megtett egyedi útvonalakat állítják elő (pl. szavak rendezett
listája; lásd a 4. ábrát), míg az aktiválás szétosztásának folyamata a hálózat csomópontjai között az
aktiválási szintek mintázatát hozza létre, és azt, hogy ezek hogyan változnak az idő múlásával. A
véletlenszerű sétákkal ellentétben A terjedő aktiváció egy mögöttes alapfolyamatból fakadó aggregált,
hosszú távú viselkedést reprezentálja, amely véletlenszerű sétaként modellezhető. A diffúziós
modellek eszközt nyújtanak a meglévő kognitív elméletek és meglátások, például az aktiváció
terjedésének feltárására, és képesek figyelembe venni az egyéni döntési folyamatokat, valamint leírni
a különböző kognitív rendszerek működését. Az elmúlt években különböző empirikus tanulmányok
kimutatták, hogy a memóriakeresést véletlenszerű járási folyamatként lehet modellezni a szemantikus
emlékezeten keresztül, és prediktív erőt mutattak az emberi viselkedés számbavételében [33, 148–
151]. A diffúziós modellek eszközt nyújtanak a meglévő kognitív elméletek és meglátások, például az
aktiváció terjedésének feltárására, és képesek figyelembe venni az egyéni döntési folyamatokat,
valamint leírni a különböző kognitív rendszerek működését. Az elmúlt években különböző empirikus
tanulmányok kimutatták, hogy a memóriakeresést véletlenszerű járási folyamatként lehet modellezni
a szemantikus emlékezeten keresztül, és prediktív erőt mutattak az emberi viselkedés
számbavételében [33, 148–151]. A diffúziós modellek eszközt nyújtanak a meglévő kognitív elméletek
és meglátások, például az aktiváció terjedésének feltárására, és képesek figyelembe venni az egyéni
döntési folyamatokat, valamint leírni a különböző kognitív rendszerek működését. Az elmúlt években
különböző empirikus tanulmányok kimutatták, hogy a memóriakeresést véletlenszerű járási
folyamatként lehet modellezni a szemantikus emlékezeten keresztül, és prediktív erőt mutattak az
emberi viselkedés számbavételében [33, 148–151].
A rész további részében részletesebben bemutatjuk a legújabb
empirikus munkákat, amelyek bemutatják, hogyan használhatók fel a
kísérletekből származó viselkedési adatok a kognitív és lexikális
hálózatokban előforduló szerkezetek és folyamatok kölcsönhatásának
mélyebb megértésére. Minden további rész egy másik kognitív
tartományra összpontosít – konkrétan a lexikális visszakeresésre, a
kreatív folyamatokra, valamint a kognitív hálózatokban történő keresésre
és navigációra –, amelyek vagy a véletlenszerű séták folyamatára, vagy az
aktiváció terjesztésének elméleti konstrukciójára támaszkodnak, hogy
figyelembe vegyék a releváns viselkedési eredményeket. Az utolsó rész a
kognitív tudomány egyik kulcsfontosságú vitájára összpontosít, amely a
kognitív keresés területén a struktúra és folyamat szétválasztásának
bonyolultságáról szól, és megkísérli bemutatni, hogy a hálózattudományi
módszerek hogyan járulhatnak hozzá ehhez a fontos vitához.
3.2. Lexikai visszakeresés.Az aktiváció terjedésének Collins és Loftus
[27] által javasolt elmélete mechanikus magyarázatot kínál számos
pszicholingvisztikai tanulmányhoz, amelyek a nyelvi feldolgozásra
gyakorolt hasonlósági hatásokat vizsgálják. A 2.2.1. szakaszban
(Mikroszkópos hálózati intézkedések) említettek szerint,
10
hörcsög
kutya
leopárd macska
oroszlán
zebra tigris
elefánt
zsiráf
a) Az állatkategória szemantikai
hálózata.
4. ábra: Példa véletlenszerű sétafolyamatra egy szemantikus hálózaton, hogy figyelembe vegyék a fluency-feladat válaszait. A Zemla és Austerweil [33]
alapján készült.
A hálózati mérőszámok, például a fok, a helyi klaszterezési
együttható, a közelségi központosság és még sok más kiszámíthatók
az egyes szavakra. Kritikusan ezek a jellemzők meghatározhatják,
hogy az aktiváció hogyan terjed a hálózaton belül, és így befolyásolja
a viselkedési teljesítményt a pszicholingvisztikai és
memóriafeladatokban. Az ilyen viselkedési feladatokat vizsgáló
tanulmányok azt találták, hogy a több csoportosított környezettel
rendelkező szavak (a értékek) lassabban reagálnak a beszélt [30] és
a vizuális szófelismerési feladatokban [48, 92], és lassabban jönnek
létre [93], mint a kevésbé klaszteres környékeken lévő szavak.
Ezekben a pszicholingvisztikai feladatokban a résztvevőknek
jellemzően olyan szavakat mutatnak be, és ezekre reagálnak,
amelyek egy adott hálózati mérőszámon magas vagy alacsony
értékkel rendelkeznek (pl. magasabb vagy alacsonyabb klaszterezési
együtthatók, vagy magasabb vagy alacsonyabb közelségi
központok), hogy észleljék annak hatását. a lexikális visszakeresés
hatékonyságáról, amit jellemzően a gyorsabb reakcióidő és a
nagyobb pontosság jelez. Ilyen pszicholingvisztikai feladatok például
a lexikális döntés, amikor a résztvevők eldöntik, hogy a bemutatott
inger valódi szót vagy értelmetlen szót jelent-e, valamint a gyorsított
névadás, amikor a résztvevők hangosan felolvassák a bemutatott
szót. A gyors reakcióidő és a nagy pontosság ezeknél a feladatoknál
a lexikális visszakeresés nagyobb hatékonyságát jelzi (azaz
feldolgozási előnyt vagy előnyt). A szavak és a nem szavak
szófelismerésének klaszteresedési együtthatóinak
figyelembevételére Chan és Vitevitch [30] elméleti leírást ad, amely
egy fonológiai hálózaton működő, terjedő aktivációs folyamatot
feltételez, ahol a szó szerkezeti jellemzői befolyásolják, hogyan
terjed az aktiváció a hálózaton keresztül. Feltételezik, hogy az
alacsony klaszterezési együtthatójú szavak több aktiválást (és ezáltal
feldolgozási előnyt) kapnak a szomszédoktól, mint a magas
klaszterezési együtthatókkal rendelkező szavak, mivel az utóbbi
esetben az aktiválás nagyobb valószínűséggel oszlik meg a
szomszédok között, ami alacsonyabb aktiválási szintet eredményez.
célszó.
Bonyolultság
Cenzúrázott véletlenszerű séta:
1. lista: kutya, macska, oroszlán, elefánt,oroszlán, tigris,oroszlán...
2. lista: macska, hörcsög, kutya, macska, oroszlán, leopárd,
oroszlán... 3. lista: elefánt, zebra, leopárd, oroszlán,leopárd...
(b) Cenzúrázott véletlenszerű séták útvonalai egy szemantikai hálózaton.
Azok a csomópontok, amelyeket többször látogattak meg
"cenzúrázott"
A keretrendszert tovább formalizálták és validálták Vitevitch,
Ercal és Adagarla által végzett számítógépes szimulációkban
([152]; lásd még [137]).
Bár a terjedési aktiválási folyamat, amint azt fentebb
tárgyaltuk, főként a szavak lokális szerkezeti
tulajdonságaihoz kapcsolódik, a terjedési aktiválási
folyamat arra is használható, hogy figyelembe vegyék
azokat az eredményeket, amelyek azt mutatják, hogy a
hálózatban lévő szavak globális strukturális vonatkozásai
befolyásolják a lexikális visszakeresést. Az ilyen
eredmények azt sugallják, hogy a szavak közeli
központisága befolyásolja a beszélt és a vizuális
szófelismerést [48, 97], hogy a szóban lévő komponens
mérete (azaz, hogy a célszó a legnagyobb kapcsolt
komponensben vagy egy izolátumban van) befolyásolja a
kimondott szót. A felismerés, a soros felidézés és a
képelnevezés [106, 107], valamint az, hogy a fokozatok
szerinti assortatív keveredés, a hasonló fokozatú
csomópontok egymáshoz kapcsolódási tendenciája
befolyásolja a lexikális visszakeresés kudarcait [103].
Ezen eredmények között különösen érdekes a kimondott
szófelismerésben a nagy közeli központiságú szavak
feldolgozási előnyének megállapítása [97], mivel ez a
megállapítás ellentétes azzal az általános
megállapítással, hogy a nagyobb hasonlóság nem segíti
a felismerést (pl. a fokszám és a helyi klaszterezési
hatások gyengébb felismerést eredményeznek [30, 89]).
A nagy közeli központiságú szavak feldolgozási
előnyének figyelembevételéhez azonban ismét
támaszkodhatunk az aktivációs elmélet terjedésére.
Goldstein és Vitevitch [97] azt sugallja, hogy az idővel
terjedő lexikális reprezentációk aktiválódása
következtében a magas közeli központiságú szavak több
aktivációt halmoznak fel, mint a kevésbé központi szavak
a hálózatban elfoglalt topológiailag előnyös
elhelyezkedésük miatt.
Bonyolultság 11

Alacsony kreatív Magas kreatív

5. ábra: Magas és alacsony szintű kreatív képességekkel rendelkező egyének 96 csomópontból (jelszavakból) álló szemantikai hálózatának kétdimenziós ábrázolása.
Az élek a csomópontok közötti bináris, szimmetrikus relációt képviselik. Kenett et al. [34].

3.3. Kreatív folyamatok.Egy másik kognitív terület, ahol az aktiváció terjesztése erőteljes keretnek bizonyult, a kreativitás. A memória, ami újabb ötletek generálásához vezet, ahogy az aktiválás
kreatív folyamat elméletei kulcsszerepet tulajdonítanak annak, hogy az aktivációt elterjesszék a memóriában, hogy figyelembe eléri a hálózat egymástól távolabb eső csomópontjait. Valójában az
vegyék a kreativitás egyéni különbségeit [153–155]. Az ilyen elméletek azt sugallják, hogy a kreativitás összefügg azzal a alacsony és magas kreatív képességű egyének szemantikai
képességgel, hogy a gyengén rokon (azaz távoli) fogalmakat új fogalmakká kombinálják, amelyek egyszerre újszerűek és hálózatain végzett szimulált véletlenszerű séták feltárták, hogy a
megfelelőek. Átlagosan minél távolabb vannak a kombinált komponensek egy szemantikai hálózatban, annál újszerűbb lesz az rendkívül kreatív egyének szemantikai hálózatán keresztül végzett
új koncepció [154]. Számos tanulmány hálózattudományi módszertant alkalmazott annak vizsgálatára, hogy a kreativitás távoli szimulált keresési folyamatok távoli csomópontokat és gyengébb
fogalmak kombinációját foglalja magában. Ezek a vizsgálatok kimutatták, hogy a szemantikai memória szerkezetében kapcsolatokkal rendelkező csomópontokat értek el ([156]; lásd [157],
mutatkozó különbségek hogyan kapcsolódnak a kreativitás egyéni különbségeihez, mind csoportszinten (5. ábra; [34]) és egyéni további empirikus alátámasztás). Ezek az eredmények azt mutatják,
szinten [121]. A csoportszintű vizsgálatok során az alacsony és magas kreatív egyének szemantikai hálózatait egy folyamatos hogy a hálózattudomány hogyan tudja kvantitatívan megvizsgálni,
szabad asszociációs feladattal mérték, amihez a résztvevőknek annyi asszociációt kellett generálniuk, amennyit csak tudnak egy hogy egy kognitív rendszer szerkezete miként korlátozza a
perc alatt egy jelzőszavak listájára. Ezeket a válaszokat azután az összes jelzőszópár asszociációinak átfedésének reprezentáció feldolgozását [153, 158].
meghatározására használták (vö. [27]), ami az alacsony és magas kreatív egyének külön szemantikai hálózatát eredményezte

[34, 40]. Az egyéni szintű hálózatokat közvetlenül a célszavak listájának összes lehetséges párjára vonatkozó rokonsági ítéletek 3.4. Mentális navigáció és kognitív keresés.Számos kutatás
segítségével mértük. Ez a megközelítés lehetővé tette a létrejövő szemantikai hálózatok összekapcsolását a kreatív képesség kimutatta, hogy az emberek hasonló módon keresnek belső kognitív
egyéni szintű mérőszámaival [121]. Az alacsony és magas kreatív egyének szemantikai hálózatait egy folyamatos szabad terükben, mint egy külső, fizikai térben (pl. [159–161]), ami arra utal,
asszociációs feladattal mértük, amelyhez a résztvevőknek annyi asszociációt kellett generálniuk, amennyit csak tudnak egy perc hogy a térbeli és kognitív keresési folyamatoknak hasonló evolúciós
alatt egy jelzőszavak listájára. Ezeket a válaszokat azután az összes jelzőszópár asszociációinak átfedésének meghatározására gyökerei vannak [162]. . A szemantikus memória hálózatokként való
használták (vö. [27]), ami az alacsony és magas kreatív egyének külön szemantikai hálózatát eredményezte [34, 40]. Az egyéni megjelenítése lényegében a szemantikai tér térképét hozza létre,
szintű hálózatokat közvetlenül a célszavak listájának összes lehetséges párjára vonatkozó rokonsági ítéletek segítségével amely lehetővé teszi a keresési folyamatok mint útvonalak
mértük. Ez a megközelítés lehetővé tette a létrejövő szemantikai hálózatok összekapcsolását a kreatív képesség egyéni szintű matematikai nyomon követését a hálózatban, és előrejelzéseket
mérőszámaival [121]. Az alacsony és magas kreatív egyének szemantikai hálózatait egy folyamatos szabad asszociációs készíthet arról, hogy az ilyen hálózati térképek szerkezeti
feladattal mértük, amelyhez a résztvevőknek annyi asszociációt kellett generálniuk, amennyit csak tudnak egy perc alatt egy tulajdonságai hogyan befolyásolják a kognitív keresési viselkedést.
jelzőszavak listájára. Ezeket a válaszokat azután az összes jelzőszópár asszociációinak átfedésének meghatározására használták Egy tanulmányban Iyengar et al. [99] a résztvevők egy szó-alakító
(vö. [27]), ami az alacsony és magas kreatív egyének külön szemantikai hálózatát eredményezte [34, 40]. Az egyéni szintű játékot játszottak, amelynek során az egyik szót a másikra kellett
hálózatokat közvetlenül a célszavak listájának összes lehetséges párjára vonatkozó rokonsági ítéletek segítségével mértük. Ez a alakítaniuk úgy, hogy egyszerre csak egy betűt cseréltek (pl.labda---
megközelítés lehetővé tette a létrejövő szemantikai hálózatok összekapcsolását a kreatív képesség egyéni szintű mérőszámaival magas---mese---vesz). Ez a szójáték a szóalakok lexikális hálózatában való
útkereséshez hasonló. Az eredmények azt mutatták, hogy az idő
[121]. Ezeket a válaszokat azután az összes jelzőszópár asszociációinak átfedésének meghatározására használták (vö. [27]), ami az alacsony és magas kreatív egyének külön szemantikai hálózatát eredményezte [34, 40]. Az egyéni szintű hálózatokat közvetlenül a célszavak listájának összes lehets

A makro- és mezoszintű struktúrára összpontosítva ezek a múlásával a résztvevők elkezdték aktívan használni a hálózati
tanulmányok azt találták, hogy a kreativitás magasabb szintje olyan tereptárgyakat, a csomópontszavakat és a nagy közelségű szavakat, hogy
szemantikai hálózatokhoz kapcsolódik, amelyek magasabb klaszterezési drasztikusan javítsák teljesítményüket mind az idő, mind a felhasznált
együtthatókat, kisebb átlagos legrövidebb úthosszakat és kisebb szóalakok minimális száma tekintetében. Egy másik tanulmányban az
modularitást mutatnak a közösség szerkezetében. A szerzők azzal egyének sikeresen azonosították a kezdőszó és a célszó közötti
érvelnek, hogy a magasabb szintű kreatív egyének szemantikai legrövidebb utat egy előre meghatározott szemantikai hálózaton belül a
hálózatának szerkezeti makroszkopikus tulajdonságai elősegítik az szabad asszociációs normák alapján [150, 163]. Ez az eredmény azt jelzi,
aktiváció elterjedését a hálózati közösségek között azok szemantikájában. hogy az emberek
12
képesek aktívan kihasználni a szemantikai memória globális és
lokális szerkezetét, hogy megbecsüljék a két szó közötti
távolságot, és ezt az információt felhasználják a keresés
irányítására (lásd még [164–166]).
Hasonló következtetéseket vontak le a nyitottabb
keresési feladatokból, amelyek megkövetelik az
egyénektől, hogy aktívan tárják fel mentális
reprezentációikat, mint például a kategória és a betűk
fluencia-feladatok. A szóbeli folyékonysági
feladatoknál az egyéneknek meghatározott időn belül
annyi elemet kell előkeresniük emlékezetből, amelyek
egy szemantikai kategóriába tartoznak (pl. nevezze
meg az összes állatot, amelyre gondol) vagy egy adott
betűvel kezdődő szót (pl. , nevezze el az összes "S"
betűvel kezdődő szót), ahogyan tudják [167, 168]. A
korábbi munkák a fluencia feladatból nyert viselkedési
adatokat felhasználták arra, hogy különféle becslési
vagy következtetési technikákkal (pl. [33, 128, 169])
következtessenek a szemantikus hálózatok
szerkezetére, valamint elemezzék és hasonlítsák össze
a makro- és/vagy mezoszintű hálózati struktúrákat.
Azok a szekvenciák, amelyeket az egyének a verbális
folyékonysági feladatok során produkálnak (különösen egy
szemantikai kategória tételeinek felsorolásakor),
felhasználhatók a mentális reprezentációikból táplálkozó
egyének keresési folyamatainak tanulmányozására is. Azt a
megállapítást, miszerint a nagy szemantikai rokonsággal és
sok közös tulajdonsággal rendelkező elemek általában
csoportosulnak (pl. [174]), azt javasolták, hogy egy aktív
keresési folyamathoz kapcsolódik, amely dinamikusan vált a
visszakeresési jelzések között [160, 161, 175, 176]. Más
munkák kimutatták, hogy a mikro- (csomópont-szintű)
információk, mint például a PageRank-központúság, jósolták
a legjobban a szófelidézést [41], és hogy a
folyamatmodellek, például a véletlenszerű séták figyelembe
vehetik a verbális folyékonysági adatokat ([33, 148]; Goñi et
al., 2010). ).
A fent tárgyalt tanulmányok összességében fontos betekintést
nyújtanak abba, hogy az emberek hogyan navigálnak, és hogyan nyernek
információkat szemantikai és nyelvi hálózataikból. Erős viselkedési
bizonyítékok és modellalapú megközelítések azt mutatják, hogy az
emberek képesek rugalmas módon sikeresen keresni mentális
reprezentációikat, hogy különféle kognitív feladatokat hajtsanak végre,
például egy szót más szóvá alakítanak át, a szemantikai térben a lehető
leggyorsabban és leghatékonyabban keressenek, vagy kreatív ötletek
generálása. A hálózati folyamatok azon képessége, hogy megragadják a
viselkedésbeli különbségeket, azt sugallja, hogy a hálózattudományi
perspektíva módot ad tesztelhető hipotézisek megfogalmazására azzal
kapcsolatban, hogy az egyének hogyan férnek hozzá ezekhez a kognitív
struktúrákhoz és hogyan navigálnak ezekben.
3.5. A szerkezet és a folyamat szétválasztása.Kritikus és nyílt
vita a kognitív hálózattudományban arról, hogy a hálózat
szerkezetébe és reprezentációiba betekintést nyerhetünk-e
a rajta működő visszakeresési folyamatoktól függetlenül. Ez
a vita abból adódik, hogy mind a mögöttes
Bonyolultság
A struktúra és a reprezentáción működő folyamat elég rugalmas ahhoz,
hogy a viselkedés széles skáláját hozza létre. Tekintsünk például egy
szóbeli folyékonysági feladatot az országkategóriára vonatkozóan (azaz
nevezzen meg annyi országot, amennyit csak eszünkbe jut), ahol a
résztvevők különféle visszakeresési jelzésekkel segíthetik őket a feladat
végrehajtásában. Azon résztvevők számára, akik az országok közötti
földrajzi kapcsolatokat használják visszakeresési jelzésként,Franciaország
ésSpanyolországnagyon közel lenne, holottFranciaország ésFrancia
Polinézianagyon távoli lenne. Másrészt egy olyan résztvevő számára, aki
az országnevek közötti fonológiai (hangalapú) kapcsolatokat használja
visszakeresési jelzésként,FranciaországésSpanyolországmár távol
vannak, mígFranciaországés Francia Polinéziaközel lennének, mivel
ugyanazt az első hangot osztják meg. A kutatások azt találták, hogy az
egyének rugalmasan válthatnak az ilyen visszakeresési stratégiák között,
lényegében „féreglyukakat” hozva létre a memóriában, ahol
(pillanatnyira) parancsikonok jönnek létre a memóriatérben, hogy
összekapcsolják a korábban távoli fogalmakat ([161]; lásd még: [178]).
A meghatározatlanság problémája, amely azzal a felfogással
kapcsolatos, hogy a reprezentációs és a visszakeresési folyamatok
egyaránt erőteljes magyarázatot adhatnak az emberi viselkedésre, a
közelmúltban a verbális fluenciafeladat modelljeiről folyó vita
középpontjában áll. A verbális fluencia modellezése során egy
szövegkorpuszból kivont szemantikai tér segítségével Hills et al.
bizonyítékokat talált egy aktív keresési folyamatra, amely
dinamikusan vált a szemantikai tér alkategóriái között [160, 179].
Röviddel ezután Abbott, Austerweil és Griffiths [148] azzal érvelt,
hogy egy egyszerű véletlenszerű sétamodell, amely szabad
asszociációkból felépített szemantikai hálózaton működik – ez a
modellnemváltási folyamatot igényelnek – a verbális folyékonysági
feladatok keresési mechanizmusaként is valószínű, ami arra utal,
hogy egy egyszerűbb modell képes reprodukálni a Hills, Jones és
Todd által talált eredeti eredményeket [160]. Azonban Abbott et al.
értékelte a szabad asszociációs adatokból becsült verbális fluencia
keresést egy hálózaton, amely – ahogyan azt később Jones, Hills és
Todd is érvelt [180] – már tartalmazhatja a mögöttes keresési
folyamatok nyomait a szemantikai memóriában, így szükségtelenné
válik az ilyen jelenségek figyelembevétele. nyomon követni egy
kidolgozott keresési modell segítségével.
Volt néhány kísérlet a folyamat és a struktúra szétválasztására
(pl. [177, 181]). A probléma megoldásának egyik megközelítése
olyan kutatási tervek kidolgozása, amelyek közvetlenül hasonlítják
össze a reprezentáción alapuló hipotéziseket az azonos típusú
viselkedési adatokon alapuló folyamatalapú hipotézisekkel. Az egyik
ilyen kísérletet nemrégiben Kenett és mtsai. [171], aki a szemantikai
hálózatstruktúra, a kreatív képesség és az intelligencia közötti
összefüggéseket vizsgálta egyének nagy mintájában. A résztvevők
mintáját két dimenzió – alacsony/magas kreativitás és alacsony/
magas intelligencia – szerint osztottuk fel, és megbecsültük és
összehasonlítottuk az összes csoport állatkategória-hálózatait. A
szerzők azt találták, hogy a kreatív képesség és az intelligencia a
szemantikai hálózat különböző strukturális aspektusaihoz
kapcsolódik, ahogy azt a verbális fluencia feladatból becsülték.
Kimondottan, Az intelligencia a nagyobb átlagos legrövidebb
úthosszhoz és a modularitáshoz, míg a kreativitás a szemantikai
hálózat magasabb „kis világi” tulajdonságaihoz kapcsolódott. Az
intelligenciát tekintve a kognitív kontrollfolyamatok, például a
figyelem és a munkamemória, valamint a kreativitás
hozzájárulásának a szerepe.
Bonyolultság
A mögöttes hálózati struktúra tulajdonsága miatt ezek az eredmények
különböző hozzájárulásokat sugallnak a folyamatokhoz és a
reprezentációkhoz, és bemutatják a kettő szétválasztásának egyik
lehetséges útját.
A szerkezet és a folyamat kognitív reprezentációkra gyakorolt
hatásáról szóló nyílt vitának az a lényege, hogy ha a kettő közül az
egyiket nem azonosítjuk egyértelműen, nehéz, ha nem lehetetlen
erős következtetéseket levonni a másikra vonatkozó adatokból.
Jelenleg egyre több munka összpontosít a becslési hálózatok
megbízhatóságának és reprodukálhatóságának vizsgálatára mind a
kognitív, mind a pszichológiai hálózatokban [24, 33, 69, 170, 173], és
ez a hálózatbecslési feladat továbbra is fontos kihívást jelent a
hálózattudományi megközelítések megértésében. egy adott kognitív
rendszer részleteit. Egy másik lelkes fejlesztési terület és egy
ígéretes út a határozatlanság problémájának megoldásához a
plauzibilis tanulási modellek alkalmazása, amelyek szemantikai
struktúrát tanulnak digitalizált szövegből és képekből, nem pedig
viselkedési feladatokban adott válaszokból. Az így létrejött struktúra
alig tartalmaz majd nyomot a rajta működő folyamatoknak, és
lehetővé teheti a szerkezet és a folyamat hozzájárulásának tisztább
elkülönítését [180]. Ezen túlmenően sok ilyen tanulási modell, mint
például a BEAGLE modell [182], fokozatosan dolgozza fel a
környezeti inputot, főként a hálózati struktúra fejlődési
változásainak modellezését teszi lehetővé.
3.6. Összegzés.Ebben a részben a közelmúltban végzett empirikus
munkákat tárgyaltuk, amelyek a kognitív és lexikális hálózatokban
előforduló struktúra és folyamatok kölcsönhatásának mélyebb
megértését biztosították. A lexikális visszakeresés, a kognitív keresés és a
kreativitás kognitív területeire összpontosítottunk annak szemléltetésére,
hogy a véletlenszerű séták vagy az aktiváció terjedésének folyamata
hogyan valósítható meg egy kognitív hálózati reprezentációban, hogy
számot adjon a különféle viselkedési jelenségekről, és újszerű betekintést
és tesztelhető előrejelzéseket kínáljon hogy az egyének hogyan tudják
végrehajtani ezeket a feladatokat. Ezek a tanulmányok nemcsak annak
fontosságát hangsúlyozzák, hogy az alapul szolgáló hálózat szerkezete
hogyan kölcsönhatásba lép a benne működő folyamatokkal, hanem a
struktúra és a folyamatok szétválasztásának bonyolultságát is, különösen
a kognitív keresés területén. Arra a következtetésre jutottunk, hogy a
struktúra és a folyamat megfontolása természetesen a hálózattudományi
megközelítésből fakad azáltal, hogy arra készteti a kutatókat, hogy
explicit módon határozzák meg és modellezzék a struktúra és a folyamat
közötti kapcsolatot, hogy figyelembe vegyék az emberi viselkedést és
megismerést. A folyamat és a struktúra közötti kapcsolat formalizálása
gazdagítja a kognitív folyamatok és a kognitív struktúrák közötti
kölcsönhatás elméleti megértését a különböző területeken.
4. Hálózati dinamika több
időskálán keresztül
A kognitív rendszerek hálózati reprezentációval való
konceptualizálása nem csak arra készteti a kognitív tudósokat, hogy
explicitebben gondolkodjanak a kognitív rendszerek szerkezetéről
(2. szakasz: Kognitív rendszerek hálózati reprezentációi), és arról,
hogy a megismerést miként ragadhatják meg a hálózaton működő
folyamatok (3. szakasz: Folyamatok Kognitív hálózatok), hanem arra
a kérdésre is ösztönöz, hogy egy adott struktúra hogyan
13
keletkezett, és hogyan alakul és változik ez a struktúra az idők során.
Ebben a részben azt állítjuk, hogy a szemantikai és
lexikális hálózatok eredendően dinamikusak – az ilyen
kognitív rendszerek szerkezete többféle időskálán
változik, és válaszul (i) a nyelvi inputokra és
tapasztalatokra, amelyek tükrözik a tudás hosszú távú
felhalmozódását és (ii) az expozíciót. kísérleti feladatokra
és manipulációkra, amelyek azonnali funkcionális
változásokat váltanak ki a szemantikai memóriában [26,
183]. E rész első része a nyelvelsajátítási folyamatot
rögzítő szemantikai hálózatok fejlesztésére összpontosít.
A második rész az idősebb felnőttek szemantikai
hálózataira összpontosít. Végül a harmadik rész a
szemantikai hálózatok egyéni különbségeire
összpontosít. Bár meg lehet vizsgálni magának a nyelvi
rendszernek a hálózati dinamikáját, vagyis azt, hogy a
nyelv szerkezete hogyan alakult az idők során (lásd a
[184, 185] példákat),
4.1. Fejlesztő hálózatok.Ahelyett, hogy egy hálózat egyetlen
pillanatképére összpontosítanának az időben, néhány újabb kutatás
időbeli dimenziót is tartalmaz annak számszerűsítésére és feltárására,
hogy az egyének hálózati reprezentációi hogyan változnak az élet során.
Például Hills et al. [35, 186] a MacArthur-Bates Communicative
Development Inventory (CDI; [187]) normatív adatait használta fel, amely
egy szókincs-ellenőrző lista, amelyet a szülők töltöttek ki, hogy jelezzék a
gyermekük által a fejlődés során előállított szavakat, hogy empirikusan
tanulmányozzák a normatív nyelvi fejlődést hálózatok segítségével. Ezek
az adatok használhatók szemantikai hálózatok létrehozására, amelyek a
nyelvelsajátítás során alakulnak ki úgy, hogy éleket helyeznek el a szavak
között, amelyeket egy átlagos gyerek egy adott időpontban ismer. Itt az
élek olyan szemantikai asszociációkat jelenthetnek, amelyek felnőtt
szabad asszociációs normákon alapulnak (pl. [31]) vagy a gyermek által
irányított beszédben előforduló együttállások [188]. Az így létrejött
szemantikai hálózatok a normatív gyermek szemantikai tudását a
fejlődés különböző időpontjaiban konceptualizálják (lásd [188–190] az
egyes gyermekek szemantikai hálózatszerzésének modellezéséhez). Az
idő múlásával kapcsolatos fejlődés megörökítésére Hills és munkatársai a
hálózat növekedésének három különböző modelljének statisztikai
összehasonlítását végezték el (lásd a 6. ábrát): preferenciális kötődés,
preferenciális megszerzés és a munkatársak csábítása. Barabási és Albert
eredeti modelljének szellemében [134] a preferenciális kötődési modell
azt jósolja, hogy a (normatív) gyermek által már ismert, jól kapcsolódó
szavakhoz kapcsolódó szavakat korábban megtanulják. A preferenciális
elsajátítási modell azt jósolja, hogy a szavakat korábban tanulják meg, ha
szorosan kapcsolódnak egymáshoz a tanulási környezetben, ahogyan azt
a teljes (felnőtt) szemantikai hálózat közelíti. Végezetül, a partnerek
csábítása modell azt jósolja, hogy nagyobb valószínűséggel tanulnak meg
új szavakat, ha azok több kapcsolódást eredményeznek a gyermek által
már ismert szavak hálózatához.
Ezeket a modelleket összehasonlítva Hills et al. megállapította, hogy
a preferenciális kötődési modell valójábannemjól illeszkedik a normatív
CDI adatokhoz, és hogy a preferenciális beszerzési modell volt képes a
legjobban figyelembe venni a szókincs növekedését a korai szemantikai
hálózatokban [35, 186, 191]. Ezek a modellezési eredmények
rávilágítanak arra, hogy a tanulási környezet fontos szerepet játszik
14 Bonyolultság

Kedvezményes csatolás Kedvezményes beszerzés A munkatársak csábítása

C C C
B B B
D D D

A A A
N1 N1 N1

N2 N4 N2 N4 N2 N4
N3 N3 N3

6. ábra: A szemantikai hálózatok három növekedési modellje. Megjegyzendő, hogy a modellek különböző előrejelzéseket adnak arra vonatkozóan, hogy mely szavakat szerzik
meg nagyobb valószínűséggel először, annak ellenére, hogy ugyanaz a mögöttes hálózati struktúra. A kisebb, szürke csomópontok a normatív gyermek által már ismert szavakat
jelzik, a nagyobb fehér csomók pedig olyan szavakat, amelyeket még nem tanultak meg. A modell előrejelzése alapján a piros csomópont nagyobb valószínűséggel kerül
megszerzésre a többi csomópont előtt. Hills et al. [35].

szerepe a nyelvelsajátításban – a tanulási környezetben sok különböző
kontextusban előforduló (és ennélfogva jól összekapcsolódó) szavakat
nagyobb valószínűséggel sajátítják el, mint a tanulási környezetben
kevésbé összefüggő szavakat. Ezen túlmenően ezek az eredmények azt is
mutatják, hogy a preferenciális kötődéstől (és más kapcsolódó
variációktól) eltérő növekedési modellek a szemantikai hálózatok
skálamentes fokeloszlásához vezethetnek.
A szemantikai és nyelvi hálózatok mögött
meghúzódó növekedési mechanizmusok azonban
továbbra is tökéletlenül tisztázottak (áttekintésért lásd
[192]). Például Hills et al. [186] azt találta, hogy a
preferenciális elsajátítási modell a szabad
asszociációkból felépített élekkel rendelkező
szemantikai hálózatok növekedését magyarázza, de
nem a közös jellemzőkből felépülő élekkel rendelkező
szemantikai hálózatok növekedését, ami arra utal,
hogy a különböző növekedési folyamatok a nyelv
különböző aspektusait irányíthatják. A fonológiai
hálózatokban úgy tűnik, hogy a pszicholingvisztikai
bizonyítékok alátámasztják a társak csábításának
modelljét [193, 194], bár ezt a modellt még
empirikusan tesztelni kell más növekedési
modellekkel, például a preferenciális kötődéssel és a
preferenciális megszerzéssel. A szemantikai és
fonológiai hálózatok közötti különbség egyedülálló
betekintést nyújthat a gyermekek elsajátítási
folyamatába – pl.
A tanulmányok a közelmúltban új megközelítéseket követtek, a
nyelvelsajátítást jellemzőhálózatok [195, 196] vagy a szemantikai és
fonológiai információkat egyaránt reprezentáló multiplex hálózatok
[65, 66] szempontjából vizsgálva. Az egyik különösen informatív
megközelítés az atipikus beszerzési folyamatok tanulmányozása
volt. Beckage, Smith és Hills [188] a szókincs ellenőrzőlista adatait
szemantikai hálózatokká konvertáló, majd a hálózat szerkezetét
tovább elemző megközelítést alkalmazva megvizsgálta a későn
beszélőnek minősített gyerekek szemantikai hálózatait, és
megállapította, hogy a szemantikai
A későn beszélők hálózatai átlagosan nagyobb átlagos
úthosszat és alacsonyabb klaszterezést mutattak a
tipikusan fejlődő gyermekek szemantikai hálózataihoz
képest, még a hálózat méretében vagy a gyermek
életkorában fennálló különbségek ellenőrzése után is.
Ezek a különbségek a tipikusan fejlődő gyermekek és a
nyelvi károsodás kockázatával küzdők között arra utaltak,
hogy a későn beszélők rossz adaptív hajlamot szereznek
„furcsa” szavakra, amelyek kevésbé kapcsolódnak a
szemantikai hálózathoz (lásd még [49]). A cochleáris
implantátummal rendelkező gyermekek szemantikai
hálózatainak szerkezetét vizsgálva Kenett et al. [169]
különbségeket talált a cochleáris implantátummal
rendelkező gyermekek szemantikai hálózatában a
tipikusan fejlődő gyermekek szemantikai hálózatához
képest. Kimondottan,
4.2. Öregedő hálózatok.A szemantikai hálózatok fejlődése nem áll meg a
felnőttkor kezdetével (lásd [8], áttekintést). A nyelvtanulás és a változás az
egész életen át folytatódik. Wulff és munkatársai [24, 170] megvizsgálták
a fiatalabb és idősebb felnőttek szemantikai hálózatait (a szemantikai
fluencia adatokból és mindkét populációból származó hasonlósági
értékelésekből becsülve), és megállapították, hogy mind az aggregált,
mind az egyes idősebb felnőttek hálózatai alacsonyabb entrópiát
mutatnak a mértékben. eloszlás, nagyobb átlagos legrövidebb úthosszak
és kisebb klaszterezési együtthatók a fiatalabb felnőttek összesített és
egyéni hálózataihoz képest. Az élethosszon át tartó keresztmetszeti
mintából nyert szabad asszociációk felhasználásával a szemantikai
hálózatok becslésére fiatal, középkorú és idősebb felnőttek
csoportjaiban, Dubossarsky, De Deyne, és Hills [36] hasonlóképpen azt
találta, hogy a szemantikai hálózat szerkezete a korai életben, részben
megfordul a későbbi életkorban (lásd a 7. ábrát; hasonló eredményeket
lásd [197]). A kognitív öregedéssel kapcsolatos viselkedéskutatások
általában azt találják, hogy az idősebb felnőttek több időt vesznek
igénybe, és rosszabbul teljesítenek a memóriát, a koncentrációt és az
érvelést magukban foglaló kognitív feladatokban, mint a fiatalabbak,
amit általában a kognitív lassulásnak tulajdonítanak [198, 199].
Bonyolultság 15

Fiatal felnőtt Középkorú felnőtt Idősebb felnőtt

N = 100 N = 200 N = 300

E = 231 E = 1959 E = 1046
L = 3,10 L = 2,03 L = 2,51
C=0,034 C=0,101 C=0,052
7. ábra: A szabad asszociációs hálózatok szerkezete az élettartam során változik, a legfiatalabb hálózat a bal oldalon, a legrégebbi hálózat a jobb
oldalon. Az élettartam során a hálózat mérete nő (azaz a csomópontok száma,N, növekszik). A hálózat korai életkorban meglehetősen ritka, a
legsűrűbben a felnőttkor korai szakaszában kapcsolódik össze, és kevésbé kapcsolódik az idős korban. Dubossarsky, De Deyne és Hills [36] alapján
készült.

Azonban Dubossarsky et al. [36] és Wulff et al. [170] egy érdekes
hipotézist táplál a kognitív funkciók életkorral összefüggő
hanyatlásáról. A szemantikai hálózatok szerkezetében megfigyelt
különbségek alapján a tudás mögöttes reprezentációjában
bekövetkezett változások részben felelőssé tehetők az idősebb
felnőttkorban bekövetkezett viselkedésbeli változásokért [8, 23, 24,
200]. Az idősebb felnőttek nagyobb szókincshez férhetnek hozzá,
mint az erősebb (közönséges) asszociációk, ami a prímek és a célpontok
megkülönböztethetőségének elvesztéséhez, valamint a kapcsolódó szavak
priming hatásainak növekedéséhez vezet. Ez az eredmény arra utal, hogy az
elöregedő szemantikai hálózatokban bekövetkezett változások nem
egyszerűen a korai fejlődés „inverzei”.
4.3. Egyéni különbségek a hálózatokban.A fiatalabb és idősebb felnőttek szemantikai hálózataiban megfigyelt strukturális

ami nagyobb hálózati reprezentációt jelent, több csomóponttal és különbségek, amint azt fentebb tárgyaltuk, azt jelzik, hogy a mentális reprezentációkat bizonyos mértékig az a specifikus

éllel. Nagyobb hálózatuk magasabb keresési költségeket igényelhet környezeti bemenet alakítja, amelynek az egyének ki vannak téve [8]. Ennek széleskörű következményei vannak a fejlődéssel és

a reprezentáció elérése és navigálása során, ami a megfigyelt az öregedéssel kapcsolatos kutatásokon túl, különösen a személyiség és az egyéni különbségek területén. Ha elfogadjuk azt az

kognitív lassulást okozhatja. Feltételezve egy terjedési aktiváláshoz előfeltevést, hogy az egyének tapasztalatai befolyásolhatják mentális reprezentációikat, akkor ez természetesen elfogadható

hasonló folyamatot, elképzelhető továbbá, hogy a struktúra egyéb mechanisztikus magyarázatot ad, amely segíthet megérteni a mentális reprezentációk szerkezetében megfigyelt egyéni

változásai is befolyásolják például az átlagos úthosszt vagy a különbségeket – azokat a különbségeket, amelyek az egyén élete során szerzett tapasztalatok felhalmozódását tükrözik. Ezzel az

klaszterezési együtthatót, az idősebb felnőttek hálózatai további elképzeléssel összhangban a kutatások összefüggéseket mutattak ki a szemantikai hálózati struktúra és a személyiség között.

szerepet játszhatnak. Így az életkorral összefüggő kognitív hanyatlás Christensen, Kenett, Cotter, Beaty és Silvia [173] közelmúltbeli munkája azt találta, hogy a tapasztalatokra nagyobb nyitottsággal

esetében a hálózati megközelítés alkalmazása ígéretes rivális rendelkező emberek szemantikai hálózatait (ahol a szemantikai hálózatokra a verbális fluencia válaszaiból és a nyitottság

magyarázathoz vezetett a kialakult elméletekhez, megnyitva az utat szintjéből következtetnek) független személyiségkérdőív segítségével mérték. ) jobban összekapcsolódtak és jobban

egy új perspektíva előtt egy, az öregedő társadalmunk szervezettebbek voltak, mint a tapasztalatokra kevésbé nyitott emberek szemantikai hálózatai. Ennek az eredménynek az egyik

szempontjából fontos kérdésben. lehetséges magyarázata az, hogy a tapasztalatokra nyitott egyének sokszínűbb környezethez vonzódnak, és később ki vannak

Az életkorral összefüggő degeneratív betegségek, például a demencia és téve annak, ami sokféle asszociáció kialakulását ösztönözheti, és így a szemantikai hálózataikban megfigyelhető magasabb

az Alzheimer-kór növekvő jelentőségének fényében különösen érdemes olyan interkonnektivitást eredményezhet. és Silvia [173] azt találta, hogy a tapasztalatokra nagyobb nyitottsággal rendelkező emberek

modelleket tanulmányozni, amelyek megragadhatják a viselkedésbeli szemantikai hálózatai (ahol a szemantikai hálózatokra a verbális fluencia válaszokból következtetnek, és a nyitottság szintjét egy

változások mögött rejlő lehetséges mechanizmusokat, és kapcsolatot önállóan kidolgozott személyiségkérdőív segítségével mérik) jobban összekapcsolódnak és jobban szervezettebbek, mint a a

teremthetnek a memóriareprezentációkkal. A patológiás hanyatlás hátterében tapasztalatokra kevésbé nyitott emberek szemantikai hálózatai. Ennek az eredménynek az egyik lehetséges magyarázata az,

álló kognitív mechanizmusok megértése érdekében a vizsgálatok az hogy a tapasztalatokra nyitott egyének sokszínűbb környezethez vonzódnak, és később ki vannak téve annak, ami sokféle

egészséges egyének és a klinikai betegek összehasonlítására asszociáció kialakulását ösztönözheti, és így a szemantikai hálózataikban megfigyelhető magasabb interkonnektivitást

összpontosítottak. Egy tanulmányban Borge-Holthoefer, Moreno és Arenas eredményezhet. és Silvia [173] azt találta, hogy a tapasztalatokra nagyobb nyitottsággal rendelkező emberek szemantikai

[201] a nyelvi degradáció hálózati modelljén alapuló szimulációkat végeztek hálózatai (ahol a szemantikai hálózatokra a verbális fluencia válaszokból következtetnek, és a nyitottság szintjét egy önállóan

annak érdekében, hogy figyelembe vegyék az Alzheimer-kórban szenvedő kidolgozott személyiségkérdőív segítségével mérik) jobban összekapcsolódnak és jobban szervezettebbek, mint a a

emberek túlzott mértékű felgyorsulását. A hiperpriming az Alzheimer-kóros tapasztalatokra kevésbé nyitott emberek szemantikai hálózatai. Ennek az eredménynek az egyik lehetséges magyarázata az,

betegeknél az egészséges kontrollokhoz képest megfigyelt megnövekedett hogy a tapasztalatokra nyitott egyének sokszínűbb környezethez vonzódnak, és később ki vannak téve annak, ami sokféle

indító hatásokra utal a névadási és lexikális döntési feladatokban [202], annak asszociáció kialakulását ösztönözheti, és így a szemantikai hálózataikban megfigyelhető magasabb interkonnektivitást

ellenére, hogy az Alzheimer-kórban szenvedő betegeknek nagyobb nehézségei eredményezhet.

vannak az egyéb memóriával kapcsolatos feladatokban. Szimulációik azt

mutatták, hogy az élek leromlásának folyamata lehetséges mechanizmust
jelentett arra, hogy az Alzheimer-kórban szenvedő egyének miért mutatnak
bizonyítékot a hiperprimingra. A hatást konkrétan az a tény okozta, hogy a
gyenge (megkülönböztető) asszociációk korábban elvesztek
A tapasztalat és a mögöttes hálózati struktúra közötti kapcsolat más
területekre is hatással lehet, mint például a kreativitás és a
problémamegoldás. Amint azt korábban tárgyaltuk, a magasabb kreatív
emberek kevésbé moduláris szemantikai hálózatot mutatnak, mint az
alacsonyabb kreatív emberek [34, 153], amihez egy
16
csökkenti az út hosszát, és megkönnyítheti a betekintési
problémamegoldást [203]. Ezek az eredmények kodependens
kapcsolatra utalnak a személyiség és a mentális reprezentációk
között, ahol a különböző személyiségű egyének különböző
tapasztalatokat keresnek, amelyek formálják mentális
reprezentációjukat, illetve viselkedésüket és személyiségüket.
A mai napig szinte minden kognitív hálózattal
végzett tanulmány megbecsülte a csoportok kognitív
hálózatait. A kognitív hálózatok egyéni
különbségeinek és más kognitív és pszichológiai
konstrukciókkal való kapcsolatának valódi
vizsgálatához módszereket kell kidolgozni a kognitív
hálózatok becslésére az egyén szintjén. Csak néhány
tanulmány próbálta megbecsülni az egyén
szemantikai hálózatát. Morais, Olsson és Schooler
[133] asszociatív „hólabda” mintavételi megközelítés
alapján gyűjtöttek össze szabad asszociációkat a
résztvevőktől, ahol a résztvevők asszociációkat adtak
a „mag” jelszavak halmazához az első iterációban, a
második iterációban. asszociációkat a saját asszociatív
válaszaikra az előző iterációban, és így tovább. Ezeket
az adatokat az egyes egyének szemantikai
hálózatainak becslésére használták fel. Austerweil és
munkatársai [33,
Más tanulmányok szemantikai rokonsági értékelések [24, 121]
alapján becsülték meg az egyes szemantikai hálózatokat, és ezen egyéni
szemantikai hálózatok szerkezeti tulajdonságait az egyén életkorától
([24]; lásd 4.2. fejezet), vagy az egyén kreatív képességeihez kapcsolódó
egyéni különbségekhez hozták összefüggésbe. és hírszerzési
intézkedések [121]. Ez utóbbi tanulmány megismételte Kenett és
munkatársai csoportalapú hálózatelemzését. [34] fentebb leírta, hogy
pozitív korrelációt talált a CC-vel, negatív korrelációt az ASPL-vel, és
trendben lévő negatív korrelációt a Q-val és a kreatív képességekkel.
Ezen túlmenően a szerzők bemutatták, hogy az egyes résztvevők
hálózatának ASPL-je és folyékony intelligenciájának mértéke hogyan
jelezte előre a kreatív gondolkodást [121], további bizonyítékot
szolgáltatva annak bizonyítására, hogy a memória folyamata és
szerkezete hogyan mérhető egymástól függetlenül.
Bár további módszertani fejlesztésre van szükség, ezek a
módszerek lehetőséget biztosítanak a kutatóknak az egyéni kognitív
hálózatok becslésére. A szemantikus emlékezet jelenlegi elméletei a
szemantikus emlékezetet dinamikus rendszernek tekintik, amely
különböző kontextusoktól (pl. környezet, életkor) és egyéni
különbségektől (pl. kreativitás, személyiségjegyek) függ, és a
szemantikai emlékezetre gyakorolt rövid és hosszú távú hatásai
tükrözik a szemantikai reprezentációkon működő kognitív
folyamatok [8, 26, 183]. Ezért a kognitív rendszerek – például a
szemantikus memória – tulajdonságainak egyéni szinten történő
számszerűsítése nagyban elősegítheti összetett szerkezetük és
dinamikájuk megértését.
4.4. Összegzés.A hálózattudomány eszközei érdekes különbségeket tártak fel a
különböző populációk hálózati struktúrájában (pl. fiatalabb vs. idősebb
felnőttek, egészséges vs. klinikai populációk, tapasztalatokra alacsony
nyitottsággal rendelkező egyének vs. tapasztalatra nagy nyitottsággal
rendelkező egyének). Az ilyen eredmények alátámasztják azt az elképzelést,
hogy a hálózati reprezentációk és folyamatok eredendően dinamikusak, és
arra késztetik a kognitív tudósokat, hogy formalizálják az elméleti és
algoritmikus magyarázatokat arra vonatkozóan,
Bonyolultság
ezek a különbségek mindenekelőtt megjelennek. A hálózattudomány
által biztosított folyamat- vagy növekedési modellek és a kognitív
tudományok empirikus adatainak kombinálásával a kutatók
formalizálhatják a (hálózati) reprezentáció és a reprezentáción belül
működő folyamatok közötti kapcsolatokat, és olyan modelleket
alkothatnak, amelyek figyelembe veszik a külső tényezők hozzájárulását,
mint pl. a fiatal nyelvtanulók nyelvi környezete, a kreatív képességekből
adódó átmeneti változások, vagy az ember életében megszerzett
szemantikai ismeretek halmozódó hatásai. A folyamat és a struktúra
keretei magyarázatokat és előrejelzéseket kínálhatnak a kognitív
reprezentáció szerkezetében bekövetkezett változásokra vonatkozóan,
ami viszont befolyásolja a nyelvről és a kognitív folyamatokról való
megértését egy folyamatos, kölcsönhatásban lévő ciklusban.
5. Összefoglalás és következtetések
Ebben az áttekintésben legalább három módon demonstráljuk a
hálózattudományi megközelítés hasznosságát a kogníció
tanulmányozásában.
(1) A hálózattudomány kvantitatív megközelítést biztosít a kognitív
rendszerek ábrázolásához. A hálózattudomány kognitív rendszerek
leírásában rejlő kvantitatív erejének demonstrálására a 2. rész azt
tárgyalta, hogy a hálózatok miként képviselhetik a különféle kognitív
rendszereket, beleértve a nyelvet, a szemantikai memóriát, a
személyiségjegyeket és az egyének nyelvi környezetét (lásd 1.
táblázat). Ezen túlmenően számos olyan hálózati intézkedést
emeltünk ki, amelyek akkor állnak a kutató rendelkezésére, ha
elkötelezi magát azon elméleti döntés mellett, hogy az érdeklődésre
számot tartó kognitív rendszert hálózatként ábrázolja. Áttekintettük
az ezekkel az eszközökkel végzett korábbi kutatásokat a hálózatok
szerkezetének és viselkedésének jellemzésére mikro-, mezo- és
makroszkopikus szinten, hogy újszerű betekintést nyerhessünk.
(2) A hálózattudomány elősegíti az emberi megismerés
mélyebb megértését azáltal, hogy lehetővé teszi a
kutatók számára, hogy megvizsgálják, hogyan hatnak
egymásra a hálózati struktúra és a hálózati struktúrán
működő folyamatok viselkedési jelenségek
előidézésében.. A 3. rész a hálózatokon működő
folyamatokra összpontosított. A kognitív rendszerek
hálózati reprezentációit, különösen a nyelv és a
szemantikai emlékezet területén, gyakran használják egy
olyan látens mentális struktúra ábrázolására, amelyhez
valamilyen folyamat feltételezése szükséges, hogy
összekapcsolja a hálózatot a megfigyelhető
viselkedéssel. A hálózattudományi megközelítés
elfogadása természetesen arra kényszeríti a kutatókat,
hogy mérlegeljék a struktúra és a folyamat közötti
kölcsönhatást, ami különösen hasznos volt a 3. részben
tárgyalt három kutatási területen (lexikális visszakeresés,
kreativitás és kognitív keresés). Végül röviden tárgyaljuk
a szerkezet és a folyamat disszociációjának nehézségeit,
(3) A hálózattudomány keretet biztosít a kognitív rendszerek strukturális
változásainak több időskálán történő modellezéséhez. A 4. részben
megvitattuk, hogyan használható a hálózattudomány a kognitív
rendszerek fejlődésének tanulmányozására, lehetővé téve a jobb
Bonyolultság
a megismerés megértése az emberi élet korai és késői szakaszában,
valamint a közvetlenebb időben bekövetkező strukturális változások,
amelyek a magasabb rendű kognitív folyamatokhoz kapcsolódnak,
mint például a kreatív betekintés és a problémamegoldás. Az ilyen
kognitív rendszerek dinamikus hálózati reprezentációként
modellezhetők, amely a tapasztalatok felhalmozódása és a nyelvi
input hatására változik. Az ebben a részben tárgyalt kutatás
bemutatja, hogy a hálózattudományi megközelítések hogyan
használhatók a strukturális változások és a kognitív rendszerek
dinamikájának számszerűsítésére különböző időskálákon keresztül.
5.1. Jövőbeli irányok.Ebből az áttekintésből világosan kitűnik, hogy a
hálózattudományi megközelítések nagyban hozzájárultak az emberi
megismerés tanulmányozásához. Valójában ez tükröződik a kognitív
és nyelvi hálózatok modellezésére, elemzésére és vizualizálására
kifejlesztett módszertani és számítási eszközök közelmúltbeli
növekedésében (lásd a 2.3 szakaszt:Módszertani eszközök és
források a kognitív hálózatelemzéshez, a kognitív hálózattudomány
területén általánosan használt módszertani eszközök
összeállításához, valamint az ebben az áttekintésben ismertetett
számos tanulmányban). Fontos azonban hangsúlyozni, hogy a
kognitív hálózatok tudománya viszonylag fiatal terület, és számos
módszertani és elméleti kihívás vár még megoldásra. Például, amint
azt korábban a 3.5. szakaszban tárgyaltuk, milyen mértékben lehet
szétválasztani a hálózati struktúra és a hálózatban működő
folyamatok egyes aspektusait? Az alábbiakban röviden kiemelünk
három mérföldkövet, amelyeket a kognitív hálózattudománynak el
kell érnie ahhoz, hogy kiforrott kutatási paradigmává váljon a
kognitív tudományokban és a hálózattudományi közösségben.
A kognitív hálózattudomány egyik kritikus mérföldköve az empirikus
hálózatok – azaz a viselkedési adatokból kikövetkeztetett hálózatok –
elemzésére szolgáló következtetési módszertanok kifejlesztése. Jelenleg
továbbra is komoly kihívást jelentenek azok a statisztikai modellek,
amelyek lehetővé teszik a hipotézisek tesztelését az empirikus hálózatok
összehasonlításakor. Ez a kihívás elsősorban az empirikus hálózatok nagy
mintájának becslésével vagy összegyűjtésével kapcsolatos nehézségek,
valamint a megfigyelt hálózatok közötti különbségek tesztelésére
alkalmas statisztikai módszerek hiánya miatt jelentkezik [205]. Ezekben az
esetekben megoldást jelenthetnek a hasonló hálózatokon keresztüli
rendszerindítási módszerek [206]. Hasonlóképpen, a pszichológiai és
kognitív hálózatokban a hamis kapcsolatok minimalizálásának kérdései
jelenleg is vita tárgyát képezik, és további módszertani fejlesztést
igényelnek [69].
Egy másik döntő mérföldkő a pszichológiai és kognitív hálózatok
egyéni szintű ábrázolására szolgáló módszerek kifejlesztése (lásd a
4.3. szakaszt). A pszichológiai és kognitív konstrukciók egyénenként
eltérőek, és a csoportalapú kognitív hálózatelemzés résztvevőinek
összesítése az egyének közötti árnyalt különbségeket rejtheti el.
Noha történtek kísérletek az egyes szemantikai hálózatok
reprezentálására [24, 33, 121, 133, 204], egy megbízható és könnyen
alkalmazható módszertan kidolgozása az egyén szemantikai
hálózatának reprezentálására lehetővé teszi a kutatóknak, hogy
olyan tanulmányokat tervezzenek, amelyek az egyéni
reprezentációkat más kognitív hálókkal kapcsolják össze. és idegi
mértékek.
Végül, a harmadik mérföldkő az új hálózattudományi módszerek
kifejlesztése, amelyekkel kvantitatív módon tanulmányozható a
különböző kognitív területeken felmerülő konkrét elméleti kérdések.
17
Két ilyen példát tárgyaltunk röviden az áttekintésben: a multiplex hálózatelemzés alkalmazását a
különböző kognitív tartományok kölcsönhatásának vizsgálatára (pl. [65, 66, 207]), valamint a
perkolációs elmélet alkalmazását olyan kognitív jelenségek tanulmányozására, mint a memóriaromlás
vagy a rugalmasság. gondolat (pl. [119, 201]). A kognitív hálózattudománynak is hasznára válhat az
idegrendszerek és az agydinamika tanulmányozására használt korszerű hálózati módszerek, például a
hálózatdinamikai elemzés [208] és a hálózatvezérlési elmélet [209–211] elfogadása és az azokhoz való
hozzájárulás. A hálózatdinamikai elemzés az időben változó közösségi feladatokat vizsgálja az agyi
funkcionális kapcsolódási hálózatokon keresztül, és az állapotrugalmasságot – egy agyi régió adott
közösséghez való hozzárendelésének időbeli változását – olyan képességeknek tulajdonította, mint a
motoros készségek tanulása és a nyelvi megértés [208]. A hálózatvezérlési elmélet számszerűsíti, hogy
a hálózat különböző csomópontjai milyen mértékben hajtják végre a dinamikát a hálózaton keresztül.
A legújabb tanulmányok a hálózati vezérlés elméletét alkalmazták a fehéranyag-összeköttetési
hálózatok elemzésére, hogy megvizsgálják a különböző agyi régiók szerepét a neurális dinamika
irányításában [209–211]. Az ilyen korszerű módszerek kognitív tartományba történő importálása
nagyban elősegítheti a kognitív hálózatok dinamikájának tanulmányozását. A legújabb tanulmányok a
hálózati vezérlés elméletét alkalmazták a fehéranyag-összeköttetési hálózatok elemzésére, hogy
megvizsgálják a különböző agyi régiók szerepét a neurális dinamika irányításában [209–211]. Az ilyen
korszerű módszerek kognitív tartományba történő importálása nagyban elősegítheti a kognitív
hálózatok dinamikájának tanulmányozását. A legújabb tanulmányok a hálózati vezérlés elméletét
alkalmazták a fehéranyag-összeköttetési hálózatok elemzésére, hogy megvizsgálják a különböző agyi
régiók szerepét a neurális dinamika irányításában [209–211]. Az ilyen korszerű módszerek kognitív
tartományba történő importálása nagyban elősegítheti a kognitív hálózatok dinamikájának
tanulmányozását.
5.2. Kognitív hálózattudomány: Új határ.Ennek az áttekintésnek az
volt a célja, hogy kiemelje és hangsúlyozza a hálózattudományi
módszertanok kogníció tanulmányozására való alkalmazásának
megvalósíthatóságát és jelentőségét. Az ilyen alkalmazások lehetővé
teszik az elméleti kognitív konstrukciók számszerűsítését és a
kognitív elméletek közvetlen vizsgálatát olyan területeken, mint a
nyelv és az emlékezet. A kognitív hálózati keretrendszer a kognitív
rendszerekben működő dinamika elméleti és matematikai
leírásainak modellezésére és formalizálására is lehetőséget biztosít.
A kognitív hálózattudomány ezen új területén végzett munkája már
számos újszerű betekintést nyújtott olyan kognitív kérdésekbe, mint
a lexikális visszakeresés, a nyelvelsajátítás, a memóriakeresés és
-visszakeresés, a kétnyelvűség, a tanulás, a kreativitás, a
személyiségjegyek és a klinikai populációk.
Ebben az áttekintésben a lexikális és szemantikai hálózatokra
összpontosítottunk, amelyek a szavak közötti különféle típusú
kapcsolatokat rögzítik. Azonban amint arra utaltunk, ahol releváns
kutatások állnak rendelkezésre, a hálózattudomány hasznossága a
kognitív tudományban semmiképpen sem korlátozódik a nyelv és az
emlékezet területére. A hálózattudomány egy általános célú
eszköztár, amely sokféle kognitív rendszer tanulmányozására
használható, feltéve, hogy elméletileg valóban értelmes, hogy
ezeket a rendszereket hálózatként ábrázolják. Ez azt is jelenti, hogy a
hálózattudomány hasznossága mind az adott problémától, mind
természetesen a kutatótól függ, aki elméletileg motivált döntéseket
hoz. Ezek a döntések különösen azt tartalmazzák, hogy (i) a
probléma mely aspektusait lehet és kell hálózatként megjeleníteni,
(ii) milyen eszközöket és intézkedéseket kell alkalmazni a hálózati
reprezentáció elemzéséhez, és (iii) hogyan kapcsoljuk össze a
hálózati struktúrát és a folyamatot, hogy értelmes betekintést
nyújtsunk az empirikus és viselkedési adatokba. A hálózattudomány
nem csodaszer a kognitív kutatások előtt álló kihívásokra, de
megfelelő használat esetén a hálózattudomány fontos és újszerű
betekintést nyújthat a kognitív kutatások számára, amint azt a
hatalmas tárhely bizonyítja.
18
a kognitív hálózatok tudományával kapcsolatos kutatások, amelyeket ebben az áttekintésben
tárgyalunk.
Bármilyen kognitív vagy nyelvvel kapcsolatos folyamat
megértése szükségszerűen hiányos, ha nem vesszük
figyelembe a kognitív rendszer strukturális tulajdonságait,
amelyben a folyamat végbemegy. A hálózattudomány jól
tanulmányozott és formális nyelvet biztosít a kognitív
tudósok számára, hogy számszerűsítsék és tanulmányozzák
a folyamatot. ezeknek a kognitív rendszereknek a
szerkezete. Másrészt a kognitív tudomány közössége olyan
kísérleti feladatokat dolgozott ki, amelyek döntő jelentőségű
viselkedési bizonyítékokat szolgáltathatnak, amelyek
korlátozzák és tájékoztatják a megismerés hálózati
modelljeit. E két megközelítés megfontolt kombinációja
folyamatos betekintést ad különféle viselkedési és kognitív
jelenségekbe, és megerősíti a lexikális hozzáférés, az
emlékezés, a kognitív keresés, a nyelvelsajátítás, a kognitív
hanyatlás és a kreativitás pszichológiai elméleteit,
Összeférhetetlenség
A szerzők kijelentik, hogy nincs összeférhetetlenségük.
Köszönetnyilvánítás
A Cynthia SQ Siew-t a Szingapúri Nemzeti Egyetem
tengerentúli posztdoktori ösztöndíja támogatja.
Hivatkozások
[1] A.-L. Barabási: Hálózattudomány: Szerencse vagy ész,Természet, vol.
489. sz. 7417, 507-508., 2012.
[2] A.-L. Barabási,Hálózattudomány, Cambridge University Press, Cambridge,
Egyesült Királyság, 2016.
[3] O. Sporns,Az agy hálózatai, MIT Press, Cambridge, Egyesült Királyság, 2011.
[4] A. Baronchelli, R. Ferrer-i-Cancho, R. Pastor-Satorras, N.
Chater és MH Christiansen, „Networks in Cognitive Science”,
A kognitív tudományok irányzatai, vol. 17. sz. 7, 348–360.,
2013.
[5] NM Beckage és E. Colunga, „Language networks as models
of cognition: Understanding cognition through language”,
in. A komplex nyelvi hálózatok elemzésének elméleti kerete
felé, A. Mehler, P. Blanchard és B. Job, szerk., 3–28. o.,
Springer, 2015.
[6] S. De Deyne, YN Kenett, D. Anaki, M. Faust és D. J. Navarro, „Large-
scale network representations of szemantics in themental lexicon”,
inBig Data a kognitív tudományban: a módszerektől a betekintésekig
, NM Jones, Ed., 174–202. o., Psychology Press: Taylor Francis, New
York, NY, USA, 2016.
[7] RV Solé, B. Corominas-Murtra, S. Valverde és L. Steels,
„Nyelvi hálózatok: szerkezetük, funkciójuk és fejlődésük”,
Bonyolultság, vol. 15, sz. 6., 2010. 20–26.
[8] DU Wulff, S. De Deyne, MN Jones és R. Mata, „The Aging Lexicon
Consortium. Új perspektívák az öregedő lexikonról” A kognitív
tudomány irányzatai, 2019.
[9] S. Boccaletti, V. Latora, Y. Moreno, M. Chavez és DW Hwang,
„Complex networks: Structure and dynamics”,Fizikai
jelentések, vol. 424. sz. 4-5., 175-308., 2006.
Bonyolultság
[10] DS Bassett és O. Sporns, „Network neuroscience”,Természet
idegtudomány, vol. 20, sz. 3., 353–364., 2017.
[11] J. Borge-Holthoefer és A. Arenas, „Semantic networks: Structure
and dynamics”,Entrópia, vol. 12, sz. 5, 1264–1302, 2010.
[12] MN Jones, J. Willits és S. Dennis, „Models of szemanticmemory”, in.
Oxfordi kézikönyv a matematikai és számítási pszichológiáról, J.
Busemeyer és J. Townsend, szerk., 232–254. o., Oxford University
Press, Oxford, Egyesült Királyság, 2015.
[13] J. Aitchison,Szavak az elmében: Bevezetés a Mentális
Lexikonba, John Wiley & Sons, 4. kiadás, 2012.
[14] K. Forster, „Memory-Addressing Mechanisms and Lexical
Access”,Előrelépések a pszichológiában, vol. 94. sz. C, 413–434.
o., 1992.
[15] JR Anderson, „A komplex megismerés egyszerű elmélete”,
amerikai pszichológus, vol. 51. sz. 4, 355–365., 1996.
[16] GS Dell, F. Chang és ZM Griffin, „A nyelvi termelés
konnekcionista modelljei: Lexical access and grammatical
encoding”,Kognitív tudomány, vol. 23. sz. 4, 517–542, 1999.
[17] JL McClelland, BL McNaughton és RC O'Reilly: „Miért vannak
egymást kiegészítő tanulási rendszerek a hippokampuszban és
a neokortexben: betekintés a konnekcionista tanulási és
memóriamodellek sikereiből és kudarcaiból”Pszichológiai
Szemle, vol. 102. sz. 3, 419–457., 1995.
[18] MS Seidenberg és JL McClelland, „ADistributed, Developmental
Model of Word Recognition and Naming”,Pszichológiai Szemle,
vol. 96, sz. 4, 523–568., 1989.
[19] N. Chater és C. D. Manning: „A nyelvfeldolgozás és -elsajátítás
valószínűségi modelljei”,A kognitív tudományok irányzatai, vol.
10, sz. 7, 335–344., 2006.
[20] TL Griffiths, N. Chater, C. Kemp, A. Perfors és JB Tenenbaum, „A
megismerés valószínűségi modelljei: reprezentációk és induktív
torzítások feltárása”,A kognitív tudományok irányzatai, vol. 14,
sz. 8, 357–364., 2010.
[21] BM Lake, TD Ullman, JB Tenenbaum és SJ Gershman, „Építőgépek, amelyek
úgy tanulnak és gondolkodnak, mint az emberek”,Viselkedés- és
agytudományok, vol. 2017. 40.
[22] B. Hart és TR Risley, „Jelentős különbségek fiatal amerikai
gyerekek mindennapi tapasztalatában”,Paul H Brookes
Kiadó, 1995.
[23] M. Ramscar, P. Hendrix, C. Shaoul, P. Milin és RH Baayen, „A kognitív
hanyatlás témája: Az élethosszig tartó tanulás nemlineáris
dinamikája”A kognitív tudomány témakörei, vol. 6, sz. 1., 2014. 5–42.
[24] DU Wulff, T. Hills és R. Mata, „Strukturális különbségek fiatalabb és
idősebb felnőttek szemantikai hálózatában”,PsyArXiv, 2018.
[25] PB Baltes és U. Lindenberger: „Erőteljes kapcsolat kialakulása az
érzékszervi és a kognitív funkciók között a felnőtt életkorban: Új
ablak a kognitív öregedés tanulmányozására?” Pszichológia és
öregedés, vol. 12, sz. 1., 1997. 12–21.
[26] E. Yee és SL Thompson-Schill, „Putting concepts in context”,
Pszichonómiai Bulletin&Review, vol. 23. sz. 4, 1015–1027,
2016.
[27] AM Collins és EF Loftus, „A szemantikai feldolgozás terjedési-
aktiválási elmélete”,Pszichológiai Szemle, vol. 82. sz. 6, 407–
428, 1975.
[28] M. Steyvers és JB Tenenbaum, „A szemantikai hálózatok nagy léptékű
szerkezete: statisztikai elemzések és a szemantikai növekedés
modellje”,Kognitív tudomány, vol. 29. sz. 1, 2005. 41–78.
[29] D. Lazer, AS Pentland, L. Adamic et al., „Life in the network: The
next age of computational social science”,Tudomány, vol. 323.
sz. 5915, 721–723., 2009.
Bonyolultság
[30] KY Chan és MS Vitevitch, „A fonológiai szomszédsági
klaszterezési együttható hatása a beszélt szófelismerésre”,
Journal of Experimental Psychology: Human Perception and
Performance, vol. 35, sz. 6., 1934–1949, 2009.
[31] DL Nelson, CL McEvoy és TA Schreiber, „The University of
South Florida szabad asszociációs, rím- és szótöredék-
normák”,Viselkedéskutatási módszerek, műszerek és
számítógépek, vol. 36. sz. 3., 402–407., 2004.
[32] MS Vitevitch: „Mit tud mondani a gráfelmélet a szótanulásról és a
lexikális visszakeresésről?”Journal of Speech, Language, and
Hearing Research, vol. 51. sz. 2, 408–422, 2008.
[33] JC Zemla és JL Austerweil, „Csoportok és egyének szemantikai
hálózatainak becslése folyékony adatok alapján”,Számítógépes
agyviselkedés, vol. 1, sz. 1., 2018. 36–58.
[34] YN Kenett, D. Anaki és M. Faust, „Investigating the structure of
szemantic networks in low and high creative persons”, Az
emberi idegtudomány határai, vol. 8., 2014. 1–16.
[35] TT Hills, M. Maouene, J. Maouene, A. Sheya és L. Smith,
„Categorical structure among shared features in networks of
early-learned főnevek”,Megismerés, vol. 112. sz. 3., 381–396.,
2009.
[36] H. Dubossarsky, S. De Deyne és TT Hills, „A szabad asszociációs
hálózatok szerkezetének számszerűsítése az élettartam során”,
Fejlődéspszichológia, vol. 53. sz. 8., 1560–1570., 2017.
[37] S. Pinker és R. Jackendoff: „A nyelvi kar: mi a különleges
benne?”Megismerés, vol. 95, sz. 2., 201–236., 2005.
[38] AB Warriner, V. Kuperman és M. Brysbaert, „Valencia, izgalom és
dominancia normái 13 915 angol lemmához”,
Viselkedéskutatási módszerek, vol. 45, sz. 4, 1191–1207, 2013.
[39] S. De Deyne és G. Storms, „Szóasszociációk: Hálózati és
szemantikai tulajdonságok”,Viselkedéskutatási módszerek, vol.
40, sz. 1, 213–231, 2008.
[40] YN Kenett, DY Kenett, E. Ben-Jacob és M. Faust, „A szemantikai
hálózatok globális és lokális jellemzői: Evidence from the
Hebrew mental lexicon”,PLoS ONE, vol. 6, sz. 8, cikkazonosító:
e23912, 2011.
[41] TL Griffiths, M. Steyvers és A. Firl, „A Google és az elme: a PageRank
folyékonyságának előrejelzése”,Pszichológiai tudomány, vol. 18, sz.
12., 1069–1076., 2007.
[42] K. McRae, GS Cree, MS Seidenberg és C. McNorgan: „Szemantikai
jellemzők előállítási normái élő és élettelen dolgok nagy
halmazára”,Viselkedéskutatási módszerek, vol. 37. sz. 4, 547–
559., 2005.
[43] SH Solomon, JD Medaglia és SL Thompson-Schill,
„Implementing a concept network model”,
Viselkedéskutatási módszerek.
[44] GA Miller, „WordNet: lexikális adatbázis angol nyelvre”,Az ACM
kommunikációja, vol. 38, sz. 11., 1995. 39–41.
[45] S. Arbesman, SH Strogatz és MS Vitevitch, „A fonológiai
hálózatok szerkezete több nyelven”International Journal
of Bifurcation and Chaos, vol. 20, sz. 3, 2010. 679–685.
[46] CSQ Siew, „Közösségi struktúra a fonológiai hálózatban”,Határok
a pszichológiában, vol. 4. cikk, 2013. évi 553. cikk.
[47] CT Kello és BC Beltz, „Scale-free networks in phonological and
orthographic wordform lexicons”, inA fonológiai komplexitás
megközelítései, I. Chitoran, C. Coupe, E. Marsico és F. Pellegrino,
szerk., 171–190. o., Mouton de Gruyter, Berlin, Németország,
2009.
[48] CS Siew, „Az angol szavak ortográfiai hasonlósági szerkezete:
Insights fromnetwork science”,Alkalmazott hálózattudomány, vol. 3,
sz. 1, 2018. évi 13. cikk.
19
[49] J. Ke és Y. Yao: A nyelvi fejlődés elemzése hálózati
megközelítésből,Journal of Quantitative Linguistics, vol.
15, sz. 1., 2008. 70–99.
[50] RFI Cancho és RV Solé, „Az emberi nyelv kis világa”,
Proceedings of the Royal Society B Biological Science,
vol. 268. sz. 1482, 2261–2265, 2001.
[51] O. Abramov és A. Mehler, „Automatikus nyelvosztályozás
szintaktikai függőségi hálózatok segítségével”,Journal of
Quantitative Linguistics, vol. 18, sz. 4, 291–336., 2011.
[52] RFI Cancho, RRV Solé és R. Köhler, „Minták a szintaktikai
függőségi hálózatokban”,Fizikai áttekintés E, vol. 69. sz. 5,
cikkazonosító: 051915, 2004.
[53] J. Cong és H. Liu, „Approaching human language with
complex networks”,Az élet fizika véleménye, vol. 11, sz. 4.,
598–618., 2014.
[54] M. Choudhury, N. Ganguly, A. Maiti és munkatársai, „Modeling
discrete kombinatorical systems as alfabetic bipartite networks:
Theory and Applications”,Fizikai áttekintés E: Statisztikai, nemlineáris
és lágyanyagfizika, vol. 81. sz. 3, cikkazonosító: 036103, 2010.
[55] A. Mukherjee, M. Choudhury, A. Basu és N. Ganguly: „A
mássalhangzó-leltárak együttes előfordulási elveinek modellezése:
Komplex hálózati megközelítés”International Journal of Modern
Physics C, vol. 18, sz. 2, 281–295, 2007.
[56] S. Majerus, M. Van der Linden, L. Mulder, T. Meulemans és
F. Peters: „A verbális rövid távú memória a fonológiai nyelvi
hálózat szublexikális szerveződését tükrözi: bizonyíték egy
véletlenszerű fonotaktikai tanulási paradigmából”,Az emlékezet
és a nyelv folyóirata, vol. 51. sz. 2, 297–306., 2004.
[57] H. Small: „Visualizing science by citation mapping”,Az
Információtudományi és Technológiai Szövetség folyóirata, vol.
50, sz. 9, 799–813., 1999.
[58] HT Liu, „Kínai szemantikai hálózatok statisztikai tulajdonságai”, Kínai
Tudományos Bulletin, vol. 54. sz. 16., 2781–2785., 2009.
[59] H. Liu: „A kínai szintaktikai függőségi hálózatok
összetettsége”,Physica A: Statisztikai mechanika és
alkalmazásai, vol. 387. sz. 12., 3048–3058., 2008.
[60] H. Liu, Y. Zhao és W. Li, „Kínai szintaktikai és tipológiai
tulajdonságok a függőségi szintaktikai fabankon alapulva”,
Poznani tanulmányok a kortárs nyelvészetből, vol. 45, sz. 4.,
495–509., 2009.
[61] H. Liu és W. Li: Nyelvi klaszterek összetett nyelvi
hálózatokon,Kínai Tudományos Bulletin, vol. 55, sz. 30.,
3458–3465., 2011.
[62] H. Liu és J. Cong, „Language clustering with word
coocurrence networks based on parallel texts”,Kínai
Tudományos Bulletin, vol. 58. sz. 10., 1139–1144., 2013.
[63] H. Liu és C. Xu: „A szintaktikai hálózatok jelezhetik egy nyelv
morfológiai összetettségét?”Europhysics Letters, vol. 93. sz. 2. o.
28005, 2011.
[64] S. Yu, H. Liu és C. Xu, „Statistical properties of Chinese
phonemic networks”,Physica A: Statisztikai mechanika és
alkalmazásai, vol. 390, sz. 7., 1370–1380., 2011.
[65] M. Stella, NM Beckage és M. Brede: „A multiplex lexikális hálózatok a
gyerekek korai szóelsajátításának mintázatait tárják fel”
Tudományos Jelentések, vol. 7, Cikkszám 46730, 2017.
[66] M. Stella, NM Beckage, M. Brede és M. De Domenico: „A mentális lexikon
multiplex modellje robbanásszerű tanulást tár fel az emberekben”
Tudományos Jelentések, vol. 8, sz. 1, cikk ID 2259, 2018.
[67] D. Borsboom és AOJ Cramer, „Hálózatanalízis: A
pszichopatológia szerkezetének integráló megközelítése”, A
klinikai pszichológia éves áttekintése, vol. 9, 2013. 91–121.
20
[68] EI Fried, CD van Borkulo, AOJ Cramer, L. Boschloo, R.
A. Schoevers és D. Borsboom: „A mentális zavarok mint problémák
hálózatai: a közelmúltbeli felismerések áttekintése”,Szociálpszichiátria és
Pszichiátriai Epidemiológia, vol. 52. sz. 1., 2017. 1–10.
[69] AP Christensen, YN Kenett, T. Aste, PJ Silvia és T.
R. Kwapil: „A wisconsini skizotípus-skálák hálózati struktúrája –
rövid formák: pszichometriai hálózatszűrési megközelítések
vizsgálata”,Viselkedéskutatási módszerek, vol. 50, sz. 6, 2531–
2550, 2018.
[70] KT Forbush, CSQ Siew és MS Vitevitch, „Hálózati elemzés
alkalmazása az evészavar pszichopatológiájának interaktív
rendszereinek azonosítására”,Pszichológiai gyógyászat, vol. 46,
sz. 12., 2667–2677., 2016.
[71] RJ McNally, DJ Robinaugh, GWY Wu, L. Wang, M.
K. Deserno és D. Borsboom: Mentális zavarok mint ok-okozati
rendszerek: A poszttraumás stressz zavar hálózati megközelítése,
Klinikai Pszichológiai Tudomány, vol. 3, sz. 6., 836–849., 2015.
[72] CSQ Siew, KM Pelczarski, JS Yaruss és MS Vitevitch: „Az OASES-A
használata annak szemléltetésére, hogyan alkalmazható a
hálózati elemzés a dadogás élményének megértésére”,Journal
of Communication Disorders, vol. 65., C. melléklet, 2017. 1–9.
[73] S. Lev-Ari, „A közösségi hálózat méretének hatása a
beszédészlelésre”,The Quarterly Journal of Experimental
Psychology, vol. 71. sz. 10., 2249–2260., 2018.
[74] S. Lev-Ari: „A közösségi hálózat mérete befolyásolhatja a nyelvi
alakíthatóságot és a nyelvi változás terjedését”Megismerés, vol.
176., 2018. 31–39.
[75] L. Steels, „A nyelv kulturális evolúciójának modellezése”,Az élet
fizika véleménye, vol. 8, sz. 4, 339–356., 2011.
[76] IT Koponen és M. Nousiainen, „Fogalomhálózatok a tanulásban:
Kulcsfogalmak keresése a tudományos ismeretek összekapcsolt
struktúrájának tanulói reprezentációiban”,Journal of Complex
Networks, vol. 2, sz. 2, 187–202, 2014.
[77] IT Koponen és M. Pehkonen, „A fizika koherens
tudásstruktúrái, mint fogalomhálózatok a
tanárképzésben”,Tudomány és oktatás, vol. 19, sz. 3.,
259–282., 2010.
[78] CS Siew, „Hálózattudomány használata a pszichológia egyetemisták
fogalomtérképeinek elemzésére”,Alkalmazott Kognitív Pszichológia, 2018.
1–7.
[79] M. Kearns, S. Suri és N. Montfort, „Kísérleti tanulmány a színezési
problémáról emberi alany hálózatokon”,Tudomány, vol. 313. sz.
5788., 824–827., 2006.
[80] W. Mason és DJ Watts, „Kollaboratív tanulás hálózatokban”,
Proceedings of the National Academy of Sciences of the United
States of America, vol. 109. sz. 3., 764–769., 2012.
[81] EA Karuza, AE Kahn, SL Thompson-Schill és DS Bassett: „A folyamat
felfedi a struktúrát: A hálózaton való áthaladás módja közvetíti az
architektúrával kapcsolatos elvárásokat”Tudományos Jelentések, vol.
7, sz. 1, cikkazonosító 12733, 2017.
[82] EA Karuza, SL Thompson-Schill és DS Bassett, „Local patterns to
globális architektúrák: a hálózati topológia hatásai az emberi
tanulásra”,A kognitív tudományok irányzatai, vol. 20, sz. 8., 629–
640., 2016.
[83] CT Butts, „Revisiting the basics of network analysis”,
American Association for the Advancement of Science:
Science, vol. 325. sz. 5939, 414–416., 2009.
[84] L. Euler, „Solutio problematis ad geometriam situs pertinensis”,
Comm. Acad. Sci. Imper. Petropol, vol. 8, 128–140, 1736.
[85] S. Boccaletti, G. Bianconi és R. Criado, „A többrétegű hálózatok
szerkezete és dinamikája”,Fizikai jelentések, vol. 544. sz. 1.,
2014. 1–122.
Bonyolultság
[86] U. Brandes, SP Borgatti és LC Freeman, „A közelség és a
kettősség kettősségének fenntartása, a központi szerep”.
Közösségi hálózatok, vol. 44., 2016. 153–159.
[87] D. Koschützki, KA Lehmann, L. Peeters et al., „Centrality
indexes”, in.Hálózatelemzés: Módszertani alapok, U.
Brandes és T. Erlebach, szerk., 16–61. o., Springer, 2005.
[88] D. Papo, JM Buldú, S. Boccaletti és E. T. Bullmore: „Komplex
hálózatelmélet és az agy”,A Royal Society filozófiai tranzakciói B:
Biológiai tudományok, vol. 369. sz. 1653, cikkazonosító:
20130520, 2014.
[89] PA Luce és DB Pisoni, „A kimondott szavak felismerése: a
szomszédság aktiválási modellje”,Fül és hallás, vol. 19, sz. 1.,
1998. 1–36.
[90] M. Coltheart, E. Davelaar, T. Jonasson és D. Besner, „Hozzáférés a
belső lexikonhoz”, in.Figyelem és teljesítmény VI, S. Dornic, Ed.,
Lawrence Erlbaum Associates, 1977.
[91] DJ Watts és SH Strogatz, „Kisvilági hálózatok kollektív
dinamikája”,Természet, vol. 393. sz. 6684, 440–442, 1998.
[92] M. Yates: „Hogyan befolyásolja a fonológiai szomszédok
csoportosítása a vizuális szófelismerést”Journal of Experimental
Psychology: Learning, Memory, and Cognition, vol. 39. sz. 5, 1649–
1656, 2013.
[93] KY Chan és MS Vitevitch: „A hálózati struktúra befolyásolja a
beszédtermelést”,Kognitív tudomány, vol. 34, sz. 4, 2010.
685–697.
[94] R. Goldstein és MS Vitevitch: „A klaszterezési együttható hatása a
szótanulásra: hogyan segítik elő a hasonló hangzású szavak
csoportjai az elsajátítást”Határok a pszichológiában, vol. 5, sz. 1307,
2014.
[95] MS Vitevitch, KY Chan és S. Roodenrys: „A komplex hálózati
struktúra befolyásolja a feldolgozást a hosszú távú és rövid távú
memóriában”,Az emlékezet és a nyelv folyóirata, vol. 67. sz. 1.,
2012. 30–44.
[96] MA Beauchamp, „A centralitás továbbfejlesztett indexe”,
Viselkedéstudomány, vol. 10., 161–163., 1965.
[97] R. Goldstein és MS Vitevitch, „A közelségközpontúság hatása a
lexikai feldolgozásra”,Határok a pszichológiában, vol. 8, sz.
1683, 2017.
[98] N. Castro és M. Stella,A mentális lexikon multiplex szerkezete
befolyásolja a képelnevezést az afáziás emberekben, 2018,
https://doi.org/10.31234/osf.io/eqvmg.
[99] SRS Iyengar, CEV Madhavan, KA Zweig és A. Natarajan,
„Understanding human navigation using network analysis”,
A kognitív tudomány témakörei, vol. 4, sz. 1., 2012. 121–134.
[100] S. Brin és L. Page, „A nagyméretű hipertextuális webkereső
anatómiája”,Számítógépes hálózatok, vol. 30, sz. 1, 107–117,
1998.
[101] MS Vitevitch, R. Goldstein és E. Johnson, „Úthossz és a beszéd
téves felfogása: betekintések a hálózattudományból és a
pszicholingvisztikából”A komplex nyelvi hálózatok elemzésének
elméleti kerete felé, A. Mehler, A. Lücking és S. Banisch, szerk.,
29–45. o., Springer, Berlin, Németország, 2016.
[102] YN Kenett, E. Levi, D. Anaki és M. Faust, „A szemantikai távolság
feladat: A szemantikai távolság számszerűsítése szemantikus
hálózati útvonal hosszával”,Journal of Experimental Psychology:
Learning, Memory, and Cognition, vol. 43. sz. 9, 1470–1489,
2017.
[103] MS Vitevitch, KY Chan és R. Goldstein, „Insights to failed
lexical retrieval from network science”,Kognitív pszichológia,
vol. 68. sz. 1., 2014. 1–32.
 Bonyolultság
[104] SP Borgatti, „A kulcsszereplők csoportjainak azonosítása egy
közösségi hálózatban”,Számítási és matematikai
szervezetelmélet, vol. 12, sz. 1., 2006. 21–34.
[105] MS Vitevitch és R. Goldstein, „Kulcsszavak a mentális
lexikonban”,Az emlékezet és a nyelv folyóirata, vol. 73. sz. 1,
2014. 131–147.
[106] CSQ Siew andM. S. Vitevitch: „A beszédszófelismerés és a szavak
sorozatos visszahívása a fonológiai hálózat összetevőiből”,
Journal of Experimental Psychology: Learning, Memory, and
Cognition, vol. 42. sz. 3., 394–410., 2016.
[107] MS Vitevitch és N. Castro, „Using network science in the
language sciences and Clinic”,International Journal of Speech-
Language Pathology, vol. 17. sz. 1., 2015. 13–25.
[108] CSQ Siew, „A 2-hop hálózati sűrűség hatása a beszélt
szófelismerésre”,Psychonomic Bulletin & Review, vol. 24,
sz. 2., 496–502., 2017.
[109] MS Vitevitch, R. Goldstein, CS Siew és N. Castro, „Using
összetett hálózatok a mentális lexikon megértéséhez” c.A
poznani nyelvészeti találkozó évkönyvében, vol. 1., 119–
138., De Gruyter Open, 2014.
[110] SP Borgatti, „Centrality and network flow”,Közösségi hálózatok,
vol. 27. sz. 1., 2005. 55–71.
[111] MEJ Newman, „Modularitás és közösségi struktúra a hálózatokban”,
Proceedings of the National Academy of Sciences of the United
States of America, vol. 103. sz. 23., 8577–8582., 2006.
[112] S. Fortunato, „Community detection in graphs”,Fizikai jelentések
, vol. 486. sz. 3–5., 75–174., 2010.
[113] E. Bullmore és O. Sporns, „Az agyi hálózatszervezés
gazdasága”,Nature Reviews Neuroscience, vol. 13. sz. 5.,
336–349., 2012.
[114] CC Hilgetag és M.-T. Hütt: „A hierarchikus moduláris agyi
összeköttetés a kritikusság feszítése”A kognitív tudományok
irányzatai, vol. 18, sz. 3., 2014., 114-115.
[115] D. Meunier, R. Lambiotte és ET Bullmore, „Agyi hálózatok
moduláris és hierarchikusan moduláris szervezete” Határok
az idegtudományban, vol. 4, sz. 200, 2010.
[116] CJ Stam, „A neurológiai rendellenességek modern hálózattudománya”,
Nature Reviews Neuroscience, vol. 15, sz. 10., 683–695., 2014.
[117] ECW van Straaten és CJ Stam, „Struktúra a káoszból:
Funkcionális agyi hálózatelemzés EEG-vel, MEG-vel és
funkcionális MRI-vel”Európai neuropszichofarmakológia,
vol. 23. sz. 1., 2013. 7–18.
[118] YN Kenett, R. Gold és M. Faust, „A hipermoduláris
asszociatív elme: Asperger-szindrómás személyek
asszociatív válaszainak számítási elemzése”,Nyelv és
beszéd, vol. 59. sz. 3., 297–317., 2016.
[119] YN Kenett, O. Levy, DY Kenett, HE Stanley, M. Faust és
S. Havlin: „A gondolkodás rugalmassága magas kreatív egyénekben,
amelyet a perkolációs elemzés képvisel”Proceedings of the National
Academy of Sciences of the United States of America, vol. 115. sz. 5.,
867–872., 2018.
[120] S. Shai, DY Kenett, YN Kenett és munkatársai: „Kritikus fordulópont,
amely kétféle átmenetet különböztet meg a moduláris hálózati
struktúrákban”,Fizikai áttekintés E, vol. 92. sz. 6, cikkazonosító:
062805, 2015.
[121] M. Benedek, YN Kenett, K. Umdasch, D. Anaki, M. Faust és AC
Neubauer: „Hogyan járulnak hozzá a szemantikus memóriastruktúra
és az intelligencia a kreatív gondolkodáshoz: hálózattudományi
megközelítés”Gondolkodás és okoskodás, vol. 23. sz. 2, 2017. 158–
183.
21
[122] RV Sole és M. Montoya, „Bonyolultság és törékenység az
ökológiai hálózatokban”, in.Proceedings of the Royal Society of
London B: Biological Sciences, vol. 268, 2039–2045, 2001.
[123] Van den Heuvel képviselő és O. Sporns, „Hálózati csomópontok az
emberi agyban”,A kognitív tudományok irányzatai, vol. 17. sz. 12.,
683–696., 2013.
[124] K. Lewis, J. Kaufman, M. Gonzalez, A. Wimmer és N. Christakis:
„Ízek, kötelékek és idő: új közösségi hálózat adatkészlet a
Facebook.com segítségével”Közösségi hálózatok, vol. 30, sz. 4,
2008. 330–342.
[125] R. Albert, H. Jeong és A.-L. Barabási, „Internet: a
világháló átmérője”,Természet, vol. 401, sz. 6749,
130-131, 1999.
[126] V. Latora és M. Marchiori, „Efficient behavior of small-world
networks”,Fizikai áttekintő levelek, vol. 87. sz. 19, 198701–
198701–4, 2001.
[127] GK Zipf,Az emberi viselkedés és a legkevesebb erőfeszítés elve:
Bevezetés az emberi ökológiába, Addison-Wesley Press,
Cambridge, MA, 1949.
[128] J. Goñi, G. Arrondo, J. Sepulcre és munkatársai, „Az állatkategória
szemantikai szervezete: Evidence from szemantic verbális
fluency and network theory”,Kognitív feldolgozás, vol. 12, sz. 2.,
183–196., 2011.
[129] A. Clauset, CR Shalizi és ME. Newman: Hatalom-törvény
eloszlások empirikus adatokban,SIAM Review, vol. 51. sz. 4.,
661–703., 2009.
[130] MEJ Newman: Hatalom törvényei, Pareto-eloszlások és Zipf
törvénye,Kortárs fizika, vol. 46, sz. 5, 323–351., 2005.
[131] R. Cohen, K. Erez, D. Ben-Avraham és S. Havlin, „Resilience of
the Internet to random breakdowns”,Fizikai áttekintő levelek,
vol. 85, sz. 21, 4626–4628, 2000.
[132] CT Kello, GDA Brown, R. Ferrer-i-Cancho et al., „Scaling laws in
kognitív tudományok”,A kognitív tudományok irányzatai, vol.
14, sz. 5., 223–232., 2010.
[133] AS Morais, H. Olsson és LJ Schooler, „Mapping the Structure
of Semantic Memory”,Kognitív tudomány, vol. 37. sz. 1.,
2013. 125–145.
[134] A.-L. Barabási és R. Albert, „Skálázás kialakulása véletlenszerű
hálózatokban”,Tudomány, vol. 286. sz. 5439, 509–512., 1999.
[135] AP Christensen, „NetworkToolbox: Methods and measures for
brain, kognitív és pszichometriai hálózatelemzés R-ben”,Az R
Journal, vol. 10., 2018. 422–439.
[136] AP Christensen, „SemNetCleaner: Anautomatedcleaning tool for
szemantic and linguistic data”, csomag 1.0.0, 2019, https://
github.com/AlexChristensen/SemNetCleaner.
[137] CSQ Siew, „Spreadr, AR csomag a terjesztési aktiválás
szimulálására a hálózatban”,Viselkedéskutatási módszerek,
2019. 1–20.
[138] M. Rubinov és O. Sporns, „Az agyi kapcsolódás komplex hálózati
mérései: felhasználások és értelmezések”,NeuroImage, vol. 52.
sz. 3., 1059–1069., 2010.
[139] S. Epskamp, D. Borsboom és EI Fried, „Estimating pszichológiai
hálózatok és azok pontossága: oktatóanyag”,Viselkedéskutatási
módszerek, vol. 50, sz. 1., 2018. 195–212.
[140] MR Quillian, "Szófogalmak: néhány alapvető szemantikai
képesség elmélete és szimulációja."Viselkedéstudomány, vol.
12, sz. 5, 410–430., 1967.
[141] MR Quillian, „A tanítható nyelv megértője: szimulációs
program és nyelvelmélet”,Az ACM kommunikációja, vol.
12, sz. 8. 459–476., 1969.
 22
[142] AM Collins és M. R. Quillian, „Retrieval time from szemantic memory”,
A verbális tanulás és a verbális viselkedés folyóirata, vol. 8, sz. 2.,
1969., 240–247.
[143] JR Anderson, „Az emlékezet terjedő aktivációs elmélete”, A
verbális tanulás és a verbális viselkedés folyóirata, vol. 22, sz. 3,
1983. 261–295.
[144] GS Dell, „A Spreading-Activation Theory of Retrieval in
Sentence Production”,Pszichológiai Szemle, vol. 93. sz. 3,
283–321., 1986.
[145] DA Balota és RF Lorch Jr., „Az automatikus terjesztés aktiválásának
mélysége: Közvetített priming hatások a kiejtésben, de nem a
lexikális döntésben”,Journal of Experimental Psychology: Learning,
Memory, and Cognition, vol. 12, sz. 3, 336–345., 1986.
[146] NA Christakis és JH Fowler, „Az elhízás terjedése egy nagy
közösségi hálózatban 32 év alatt”A New England Journal of
Medicine, vol. 357. sz. 4, 370–379., 2007.
[147] TW Valente, LA Palinkas, S. Czaja, KH Chu és CH Brown,
„Social network analysis for program implementation”,
PloS ONE, vol. 10, sz. 6, cikkazonosító: e0131712, 2015.
[148] JT Abbott, JL Austerweil és TL Griffiths: „A szemantikus hálózatokon
való véletlenszerű séták az optimális táplálékkereséshez
hasonlíthatnak” Pszichológiai Szemle, vol. 122. sz. 3., 558–569., 2015.
[149] DD Bourgin, JT Abbott, TL Griffiths, KA Smith és
E. Vul, „Empírikus bizonyítékok a markov chain monte carlo számára
a memóriakeresésben”, inProceedings of Proceedings of the 36th
Annual Meeting of the Cognitive Science Society, 224–229. o.,
Boston, MA, USA, 2014.
[150] MI Fathan, EK Renfro, JL Austerweil és NM Beckage, „Do Humans
Navigate via Random Walks? Navigáció modellezése
szemantikus szójátékban. Kognitív Tudományos Konferencia”
ban benA Kognitív Tudományok Társasága 40. éves
közgyűlésének anyaga, TT Rogers, M. Rau, X. Zhu és CW Kalish,
szerk., 366–371. o., Austin, TX, USA, 2018.
[151] KA Smith, DE Huber és E. Vul, „Multiply-constrained szemantic
search in the Remote Associates Test”,Megismerés, vol. 128. sz.
1., 2013. 64–75.
[152] MS Vitevitch, G. Ercal és B. Adagarla, „A visszakeresés szimulációja
erősen klaszterezett hálózatból: A kimondott szófelismerés
következményei”,Határok a pszichológiában, vol. 2, 369. cikk, 2011.
[153] YN Kenett és M. Faust, „A kreatív elme szemantikai hálózati
térképészete”,A kognitív tudományok irányzatai, vol. 23. sz. 4,
274–276., 2019.
[154] S. Mednick, „Az alkotói folyamat asszociatív alapja”,
Pszichológiai Szemle, vol. 69. sz. 3, 220–232., 1962.
[155] E. Volle, „Aszociatív és kontrollált megismerés a divergens
gondolkodásban: elméleti, kísérleti, neuroimaging bizonyítékok
és új irányok”A kreativitás idegtudományának cambridge-i
kézikönyve, RE Jung és O. Vartanian, Eds., 333–360. o.,
Cambridge University Press, New York, NY, USA, 2018.
[156] YN Kenett és JL Austerweil, „A keresési folyamatok vizsgálata
alacsony és magas kreatív egyéneknél véletlenszerű sétákkal” A
Kognitív Tudományok Társasága 38. éves közgyűlésének
anyaga, A. Papafragou D és JC Trueswell, Eds., 313–318. o.,
Cognitive Science Society, Austin, TX, USA, 2016.
[157] K. Gray, S. Anderson, E. Chen és mtsai: „Forward flow: A new
Meaturing a szabad gondolkodás és a kreativitás előrejelzése”
amerikai pszichológus, 2019.
[158] YN Kenett, „A kreativitás vizsgálata szemantikus hálózat perspektívájából”A
transzdiszciplinaritás feltárása a művészetben és a tudományban, Z.
Kapoula, E. Volle, J. Renoult és M. Andreatta, szerk., 49. o.–
75, Springer, 2018.
Bonyolultság
[159] TT Hills, PM Todd és RL Goldstone, „Keresés külső és belső
terekben: bizonyíték az általánosított kognitív keresési
folyamatokra”,Pszichológiai tudomány, vol. 19, sz. 8., 802–808.,
2008.
[160] TT Hills, MN Jones és PM Todd, „Optimal foraging in
semantic memory”,Pszichológiai Szemle, vol. 119. sz. 2.,
2012., 431–440.
[161] DU Wulff, TT Hills és R. Hertwig: „Féreglyukak a memóriában: az
emlékezet egy reprezentáció vagy több?” ban benA Kognitív
Tudományok Társasága 35. éves konferenciájának anyaga,
3817–3822. o., Cognitive Science Society, 2013.
[162] TT Hills, „Az állatok takarmányozása és a célirányos megismerés
evolúciója”,Kognitív tudomány, vol. 30, sz. 1., 2006. 3–41.
[163] N. Beckage, M. Steyvers és C. Butts, „Route choice in
individualsemantic network navigation”, in.A Kognitív
Tudományok Társasága 34. éves konferenciájának anyaga,
N. Miyake, D. Peebles és R. Cooper, szerk., 108–113. o.,
Cognitive Science Society, Austin, TX, USA, 2012.
[164] JM Kleinberg, „Navigáció egy kis világban”,Természet, vol. 406.
sz. 6798. o. 845, 2000.
[165] R. West és J. Leskovec, „Human wayfinding in information
networks”, inA World Wide Web 21. éves konferenciájának
anyaga, WWW'12, 619–628. o., ACM, 2012. április.
[166] R. West, J. Pineau és D. Precup, „Wikispeedia: Egy online játék a
fogalmak közötti szemantikai távolságok megállapítására”, in. A
mesterséges intelligenciáról szóló 21. nemzetközi közös konferencia
anyaga, IJCAI-09, 1598–1603. o., USA, 2009. július.
[167] WA Bousfield és CHW Sedgewick, „A korlátozott asszociatív
válaszok szekvenciáinak elemzése”,The Journal of General
Psychology, vol. 30, sz. 2, 149–165., 1944.
[168] AK Romney, DD Brewer és WH Batchelder, „Clustering predicting
from semantic structure”,Pszichológiai tudomány, vol. 4, sz. 1.,
1993. 28–34.
[169] YN Kenett, D. Wechsler-Kashi, DY Kenett, RG Schwartz,
E. Ben-Jacob és M. Faust, „Szemantikus szerveződés cochleáris
implantátumokkal rendelkező gyermekeknél: A verbális fluencia
számítási elemzése”,Határok a pszichológiában, vol. 4. cikk ID 543,
2013. 1–11.
[170] DU Wulff, TT Hills, M. Lachman és R. Mata, „The aging lexicon:
Differences in the semantic networks of younger and idősebb
felnőttek”, in.A Kognitív Tudományok Társasága 38. éves
közgyűlésének anyaga, A. Papafragou D és JC Trueswell, Eds.,
313–318. o., Austin, TX, USA, 2016.
[171] YN Kenett, RE Beaty, PJ Silvia, D. Anaki és M. Faust, „Struktúra és
rugalmasság: A mentális lexikon szerkezete, a fluid intelligencia
és a kreatív teljesítmény közötti kapcsolat vizsgálata”Az
esztétika, a kreativitás és a művészetek pszichológiája, vol. 10,
sz. 4, 377–388., 2016.
[172] K. Borodkin, YN Kenett, M. Faust és N. Mashal: „Amikor a sütőtök
közelebb áll a hagymához, mint a tökhöz: A második nyelvi
lexikon szerkezete”Megismerés, vol. 156., 2016., 60–70.
[173] AP Christensen, YN Kenett, KN Cotter, RE Beaty és PJ Silvia,
„Remotely Close Associations: Openness to Experience and
SemanticMemory Structure”,European Journal of
Personality, vol. 32. sz. 4., 480–492., 2018.
[174] AK Troyer, M. Moscovitch és G. Winocur: „A klaszterezés és a váltás,
mint a verbális folyékonyság két összetevője: bizonyítékok fiatalabb
és idősebb egészséges felnőttektől”Neuropszichológia, vol. 11, sz. 1.,
138–146., 1997.
[175] T. Hills, R. Mata, A. Wilke és G. Samanez-Larkin, „Exploration
and exploitation in memory search around the lifespan”,
 Bonyolultság
ban benA Kognitív Tudományok Társasága éves közgyűlésének
anyaga, vol. 2011. 33.
[176] TTHills andT. Pachur, „Dinamikus keresés és munkamemória a
társadalmi felidézésben”,Journal of Experimental Psychology:
Learning, Memory, and Cognition, vol. 38, sz. 1., 2012. 218–228.
[177] JE Avery és MN Jones, „A szemantikai fluencia modelljei
összehasonlítása: Az emberek optimálisan táplálkoznak, vagy
véletlenszerűen járnak?” ban ben A Kognitív Tudományok Társasága
40. éves közgyűlésének anyaga, TT Rogers, M. Rau, X. Zhu és CW
Kalish, szerk., 118–123. o., Austin, TX, USA, 2018.
[178] N. Unsworth, „A stratégiai keresés dinamikájának vizsgálata hosszú
távú emlékezetből”,Az emlékezet és a nyelv folyóirata, vol. 93., 2017.,
135–153.
[179] TT Hills, PM Todd és MN Jones, „Foraging in Semantic Fields:
How We Search Through Memory”A kognitív tudomány
témakörei, vol. 7, sz. 3., 513–534., 2015.
[180] MN Jones, TT Hills és PM Todd, „Rejtett folyamatok strukturális
reprezentációkban: válasz Abbottnak, Austerweilnek és
Griffithsnek (2015),”Pszichológiai Szemle, vol. 122. sz. 3., 2015.
570–574.
[181] A. Nematzadeh, F. Miscevic és S. Stevenson, „Simple search
algorithms on semantic networks from language use, 2016”,
https://arxiv.org/abs/1602.03265.
[182] MN Jones és DJK Mewhort, „Szó jelentésének és sorrendi
információinak megjelenítése összetett holografikus
lexikonban”, Pszichológiai Szemle, vol. 114. sz. 1., 2007. 1–37.
[183] YN Kenett és SL Thompson-Schill, „A fogalmi kombináció
dinamikus hatásai a szemantikai hálózat szerkezetére”,
ban benA Kognitív Tudományok Társasága 39. éves
közgyűlésének anyaga, G. Gunzeimann, A. Howes, T. Tenbrinck
és E. Davelaar, szerk., 657–662. o., Austin, TX, USA, 2017.
[184] L. Barceló-Coblijn, B. Corominas-Murtra és A. Gomila,
„Szintaktikai fák és kisvilágú hálózatok: A szintaktikai fejlesztés
mint dinamikus folyamat”,Adaptív viselkedés, vol. 20, sz. 6.,
2012. 427–442.
[185] H. Chen, X. Chen és H. Liu: „Hogyan változik a nyelv mint
lexikális hálózat? Egy nyomozás írott kínai szótárs-
előfordulási hálózatokon"PLoS ONE, vol. 13. sz. 2,
cikkazonosító: e0192545, 2018.
[186] TT Hills, M. Maouene, J. Maouene, A. Sheya és L. Smith: „A korai
szemantikai hálózatok longitudinális elemzése: Preferenciális
kötődés vagy preferenciális beszerzés?”Pszichológiai tudomány,
vol. 20, sz. 6, 729–739, 2009.
[187] L. Fenson, E. Bates és PS Dale,Macarthur-Bates
kommunikációs fejlesztési leltárak, H. Paul, szerk., Brookes
Publishing Company, 2007.
[188] N. Beckage, L. Smith és T. Hills, „Kis világok és szemantikai hálózatok
növekedése tipikus és későn beszélőkben”,PLoS ONE, vol. 6, sz. 5,
cikkazonosító e19348, 2011.
[189] NM Beckage, A. Aguilar és E. Colunga, „Modeling lexical
learning throughnetworks”, in.A Cognitive Science Society
37. éves konferenciájának anyaga, Cognitive Science
Society, Austin, TX, USA, 2015.
[190] NM Beckage és E. Colunga: „A kisgyermekek által már ismert
szavak használata a következő szavak megjósolására”A Kognitív
Tudományok Társasága 35. éves konferenciájának anyaga,
Cognitive Science Society, Austin, TX, USA, 2013.
[191] TT Hills, J. Maouene, B. Riordan és LB Smith, „A nyelv
asszociatív szerkezete: Kontextuális sokféleség a korai
szótanulásban”,Az emlékezet és a nyelv folyóirata, vol. 63.
sz. 3., 259–273., 2010.
23
[192] TT Hills és CSQ Siew, „Hiányok kitöltése a korai szótanulásban”,
Természet Emberi viselkedés, vol. 2., 662-663. o., 2018.
[193] MT Carlson, M. Sonderegger és M. Bane: „Hogyan fedezik fel a
gyerekek a fonológiai hálózatot a gyermek által irányított
beszédben: A gyermekek első szóalkotásainak túlélési elemzése”Az
emlékezet és a nyelv folyóirata, vol. 75., 159–180., 2014.
[194] HL Storkel, „Fonológiai, lexikai és szemantikai változók
hatásának fejlődési különbségei a csecsemők
szótanulására”Journal of Child Language, vol. 36. sz. 2,
291–321, 2009.
[195] T. Engelthaler és TT Hills, „Feature Biases in Early Word
Learning: Network Distinctiveness Predicts Age of
Acquisition”,Kognitív tudomány, vol. 41., 120–140., 2017.
[196] AE Sizemore, EA Karuza, C. Giusti és DS Bassett, „Knowledge
gaps in the early growth of szemantic networks”, Természet
Emberi viselkedés, vol. 2, sz. 9., 682–692., 2018.
[197] M. Zortea, B. Menegola, A. Villavicencio és JFD Salles, „Graph
elemzés a szemantikus szótársításról gyermekek, felnőttek és
idősek körében”,Pszicológia: Reflex és kritika, vol. 27. sz. 1.,
2014. 90–99.
[198] M. Karl Healey és MJ Kahana, „Az életkorral összefüggő
memóriaváltozás négykomponensű modellje”,Pszichológiai Szemle,
vol. 123. sz. 1., 2016. 23–69.
[199] TA Salthouse, „A kognitív öregedés szelektív áttekintése”,A
Nemzetközi Neuropszichológiai Társaság folyóirata, vol. 16. sz. 5.,
754–760., 2010.
[200] M. Ramscar, CC Sun, P. Hendrix és RH Baayen, „The Mismeasurement
of Mind: Life-Span Changes in Paired-Associate-Learning Scores
Reflect the Cost of Learning, not Cognitive Decline”,Pszichológiai
tudomány, vol. 28, sz. 8., 1171–1179., 2017.
[201] J. Borge-Holthoefer, Y. Moreno és A. Arenas, „Abnormal priming
modellezése Alzheimer-kóros betegeknél szabad asszociációs
hálózattal”,PloS ONE, vol. 6, sz. 8, cikkazonosító: e22651, 2011.
[202] M. Laisney, B. Giffard, S. Belliard, V. de la Sayette, B. Desgranges
és F. Eustache: „Amikor a zebra elveszti csíkjait: Szemantikai
alapozás korai Alzheimer-kórban és szemantikus demencia”
Cortex, vol. 47. sz. 1., 2011. 35–46.
[203] MA Schilling, „A kognitív belátás „kisvilági” hálózati modellje,
Kreativitáskutató folyóirat, vol. 17. sz. 2-3, 131-154, 2005.
[204] JC Zemla, YN Kenett, K.-S. Jun és JL Austerweil, „U-INVITE:
Estimateing individual szemantic networks from fluency
data”, inA Kognitív Tudományok Társasága 38. éves
közgyűlésének anyaga, A. Papafragou D és JC Trueswell,
Eds., pp. 1907–1912, Austin, TX, USA, 2016.
[205] S. Moreno és J. Neville, „Hálózati hipotézis tesztelése vegyes
kronecker termékgráf modellekkel”, inA 13. IEEE nemzetközi
adatbányászati konferencia, ICDM 2013 anyaga, 1163–
1168. o., USA, 2013. december.
[206] GJ Baxter, SN Dorogovtsev, AV Goltsev és JFF Mendes, „Bootstrap
percolation on complex networks”,Fizikai áttekintés E, vol. 82.
sz. 1, cikkazonosító: 011103, 2010.
[207] CSQ Siew és MS Vitevitch, „A fonográfiai nyelvi hálózat: A
hálózattudomány használata a nyelv fonológiai és
ortográfiai hasonlósági szerkezetének vizsgálatára”,Journal
of Experimental Psychology: Általános, 2019. 1–25.
[208] JO Garcia, A. Ashourvan, S. Muldoon, JM Vettel és D.
S. Bassett: „A közösség észlelési technikáinak alkalmazása
agygráfokra: algoritmikus megfontolások és következmények
az idegi működésre”,Az IEEE közleményei, vol. 106. sz. 5., 846–
867., 2018.
 24 Bonyolultság

[209] YN Kenett, JD Medaglia, RE Beaty et al., „Driving the agy a

kreativitás és az intelligencia felé: A hálózatvezérlés elméletének
elemzése”,Neuropszichológia, vol. 118., 2018. 79–90.
[210] JD Medaglia, „A kognitív kontroll és a kontrollálható kapcsolat
tisztázása”,Wiley interdiszciplináris áttekintések: Kognitív Tudomány,
vol. 10, sz. 1, cikkazonosító e1471, 2019.
[211] E. Tang és DS Bassett, „Colloquium: Control of dynamics in brain
networks”,Szemle a modern fizikáról, vol. 90, sz. 2018. 3.
Előrelépések Előrelépések folyóirata
A Tudományos folyóirata
Operations Research Döntéstudományok Alkalmazott matematika World Journal Valószínűség és statisztika
Hindawi Hindawi Hindawi Hindawi Publishing Hindawi
www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam Corporation
wtw
tpw ó hcodmawi.com
:/./hwban benwdw . hénén.n 201. kötet8 3 www.hindawi.com 2018-as évfolyam

Nemzetközi
folyóirata
Matematika és
Matematikai
Tudományok

folyóirata
Optimalizálás
Hindawi Hindawi
www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam

Küldje be kéziratait a címre

www.hindawi.com

International Journal of
Mérnöki International Journal of
Matematika Elemzés
Hindawi Hindawi
www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam

folyóirata benyomul Matematikai problémák International Journal of Diszkrét dinamika be

Komplex elemzés Számtani elemzés a Mérnöki szakon Di erenciálegyenletek Természet és társadalom
Hindawi indawi Hindawi Hindawi Hindawi
www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam

International Journal of folyóirata folyóirata Absztrakt és Előrelépések

Sztochasztikus analízis
Hindawi
Matematika
Hindawi
Funkcióterek
Hindawi
Alkalmazott elemzés
Hindawi
Matematikai fizika
Hindawi
www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam www.hindawi.com 2018-as évfolyam