Моделирование опыта с помощью сетей Байеса как метод исследования интуиции

Моделирование опыта с помощью сетей Байеса как метод исследования интуиции

Автор: Попов Алексей Юрьевич

Журнал: Психология. Психофизиология @jpps-susu

Рубрика: Общая психология, психология личности, история психологии

Статья в выпуске: 29 (246), 2011 года.

Бесплатный доступ

Рассматриваются перспективы и возможности применения эмпирико-статистического метода моделирования опыта с помощью сетей Байеса в исследовании феноменов интуиции. Интуиция рассматривается с позиций когнитивных систем обработки информации. Такое понимание обнаруживает характеристики интуиции, которые с трудом поддаются изучению с помощью традиционных методов психодиагностики. Моделирование опыта с помощью сетей Байеса предлагается как решение этой проблемы.

Интуиция, когнитивные системы, моделирование опыта, сети байеса

Короткий адрес: https://sciup.org/147159695

IDR: 147159695

Список литературы Моделирование опыта с помощью сетей Байеса как метод исследования интуиции

  • Науменко, Е.А. Интуиционные основы эффективной деятельности следователей Е.А. Науменко, И.В. Васильева. -Тюмень: Изд-во ТюмГУ, 2008.
  • Червинская, К.Р. Медицинская психодиагностика и инженерия знаний/К.Р. Червинская, О.Ю. Щелкова. -М.: Издательский центр «Академия», 2002. -624 с.
  • Червинская, К.Р. Экспертные психодиагностические системы как инструмент решения задач экспресс психологической диагностики/К.Р. Червинская//Ученые записки университета имени П.Ф. Лесгафта. -2009. -№ 12 (58). -С. 111-114.
  • Berzuini, C., -Gilks, W. R. (2001). Following a moving target. Monte Carlo inference for dynamic Bayesian models. Journal of Royal Statistical Society Series B -Statistical Methodology, 63(1), 127-146.
  • Betsch, T. (2008). The nature of intuition and its neglect in research on judgment and decision-making. In H.Plessner, C.Betsch, and T.Betsch (Eds.), Intuition in Judgment and Decision Making, pp. 3-23. New York: Lawrence Erlbaum Associates, Inc.
  • Betsch, T., -Haberstroh, S. (2005). (Eds.). The routines of decision making. Mahwah, NJ: Lawrence Erlbaum Associates, Inc.
  • Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford: Oxford University Press.
  • Cowell, R.G., Dawid, A.P., Lauritzen, S.L., -Spiegelhalter, D.J. (1999). Probabilistic Networks and Expert Systems. Springer-Verlag.
  • Fiedler, K., -Kareev, Y. (2008). Implications and ramifications of a sample-size approach to intuition. In H.Plessner, C.Betsch, and T.Betsch (Eds.), Intuition in Judgment and Decision Making, pp. 149-173. New York: Lawrence Erlbaum Associates, Inc.
  • Ghahramani, Z. (1998). Learning Dynamic Bayesian Networks. In C.L. Giles and M. Gori (eds.), Adaptive Processing of Sequences and Data Structures. Lecture Notes in Artificial Intelligence, pp. 168-197. Berlin: SpringerVerlag.
  • Gottman, J.M., -Roy, A.K. (1990). Sequential analysis: A guide for behavioral researchers. Cambridge: Cambridge University Press.
  • Hogarth, R.M. (2008). On the learning of intuition. In: Intuition in judgment and decision making. In H. Plessner, C. Betsch, and T. Betsch (Eds.), Intuition in Judgment and Decision Making, pp. 91-107. New York: Lawrence Erlbaum Associates, Inc.
  • Huang, C., -Darwiche, A. (1996). Inference in Belief Networks: A procedural guide. International Journal of Approximate Reasoning, 15(3), 225-263.
  • Jensen, F.V. (2001). Bayesian Networks and Decision Diagrams. New York: Springer.
  • Kahneman, D. -Tversky, A. (1973). On the psychology of prediction. Psychological Review, 80(4), 237-251.
  • Kahneman, D. (2003). A perspective on judgment and choice: Mapping bounded rationality. American Psychologist, 58(9), 697-720.
  • Klein, G. (1999). Sources of power: How people make decisions. Cambridge, MA: MIT Press.
  • Klein, G. (2003). Intuition at work: Why developing your gut instincts will make you better at what you do. New York: Doubleday.
  • MacKay, D.J. (2003). Information theory, inference, and learning algorithms. Cambridge: Cambridge University Press.
  • Moore, A., -Davies, S. (2001). Tutorial slides on Bayesian networks and Artificial intelligence. http://www.autonlab.org/tutorials/list.html
  • Morgan, B. W. (1968). An Introduction to Bayesian Statistical Decision Processes. N.J.: Prentice-Hall Inc., Englewood Cliffs, N.J. 1968.
  • Norsys Software Corp. (2009). Netica (software package to work with Bayesian belief networks, decision nets and influence diagrams), version 4.09. [Electronic manual]. www.norsys.com
  • Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann.
  • Peot, M., -Shachter, R. (1991). Fusion and propagation with multiple observations in belief networks. Artificial Intelligence, 48, 299-318.
  • Russell, S., -Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Prentice Hall.
  • StatSoft, Inc. (2001). STATISTICA (data analysis software system), version 6. [Electronic manual].
  • SPSS corp. (2009). Neural Networks 17.0. User's Guide. www.spss.com
  • Stewart, H., -Masjedizadeh, N. (1998). Bayesian Search. NASA, Ames Research Center. http://ic.arc.nasa.gov/ic/projects/bayes-search. html
  • Tversky, A. -Kahneman, D. (1983). Extensional versus intuitive reasoning: The conjunction fallacy in probability judgment. Psychological Review, 90(4), 293-315.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp