潛在語義分析技術對認知科學以及虛擬現實系統的設計也具有啟示：

首先，由于LSA可以用數學方法實現對文本的理解，所以可采用LSA分析人對文本的理解。

認知領域中，文本理解研究的主要目標是發現影響讀者由文本材料提取信息和保留信息的能力的諸多因素。通常采用讓被試者閱讀材料，然后讓他們回答問題或寫一篇進行總結的方式，測試被試由文本中獲取了什么樣的信息。對文本理解理論的研究也可以說是讀者表述文本理解的認知模式的研究(Kintshch，1988)。

在這樣的模式下，用一套被稱為命題的語義成分代表由文本和被試的總結中所得到的語義信息，同時，對一篇文本作命題分析也能提煉出一套文本中所包含信息的語義基礎。同理對被試回答命題的分析，將得到一套被試對文本記憶表述的語義基礎。通過對文本和被試總結中出現的信息，在語義水平上的比較則不僅僅局限于詞的選擇等表面的特征。

而LSA的基礎恰是建立在詞的語義與文本語義內容的匹配上的，并為此建立語義空間。因此LSA方法能很好地適合于對必須用文本材料來評估學習成績的心理學和教育學等領域的研究與分析。即通過對被試閱讀過的文本執行一種自動分析，推出一個語義空間，利用這個語義空間，按照以命題分析同樣的方式來進行文本信息的匹配。

LSA方法還可用來研究文本的連貫性與對文本的理解力。LSA能夠測量文本相連結的部分中語義重疊的數量，故能測量文本的連貫性。應用LSA對文本做連貫性測試，結果顯示，隨著文本連貫性的增加，LSA測試出的連貫性也隨著增高。由于文本連貫性的命題重疊測量已經被建立成為一種有效的測量文本理解力的方法。對于文本命題重疊的計算既可以在局部也可以在整體水平上執行。因此，文本的命題分析能夠顯示什么地方文本的連貫性被打破，并且將影響閱讀者的記憶力。對這些地方的破損加以修復，就能夠改進人的整體的理解力。

從技術角度看，用LSA連貫性測試還可以進行文件分割。文件分割的目標是識別文本的不同部位是否覆蓋不同的主題，并決定在一個文本中什么地方主題發生了變換。一般來說，在文本中連貫性很低的區域傾向于為主題切換的地方。

通過識別連貫性的破裂，人們可以把文本劃分成不連續的部分。便可以把大塊頭文本分裂為更好管理的小單位而具有許多應用，尤其對互聯網信息的處理將產生重大影響。

總之，當閱讀者閱讀多篇文本時，他們一定整合橫跨文本的信息，并把它們與以前所具有的知識相結合。LSA能捕捉這些整合的信息，使得LSA統計近似產生的語義相關與讀者學習產生的知識結構相合。因此，LSA能夠作為一種工具評估閱讀者的總結，表述其知識的來源和質量，以計算機技術模式來捕捉閱讀者對文本理解的程度，修正他們的缺陷。

其次，LSA能夠模擬學習獲取知識，為人類認知問題的研究提供了一個新的途徑。

認知的最深、最持久的秘密之一是人們在得到很少信息的基礎上，如何獲取大量的知識，即歸納問題。假設某些領域的知識含有廣泛的、大量的微弱聯系，如果適當地暴露它們則可以通過推測大大地加強學習效果。關鍵在于發現通過某種正確操作可以獲得的歸納機制以及各種客體和事件之間的類似性。因而便可以在局部得到密集的信息與人們經過大量閱歷之后得到的知識的差距之間架起一座橋梁。

Landauer和Dumais教授利用美國大百科全書的30473篇文章中出現的460萬個詞匯，創造了一個300維的語義空間。運用LSA方法測試托福(TOEFL)考試的同義詞部分。這部分有4個選擇題，回答每一個問題的正確概率為25%。

LSA選擇的正確為64.4%，基本相當于非英語國家的大學生們考出的6.45%的平均成績，達到了美國大學對非英語國家大學生入學英語水平的要求。LSA方法取得的成功顯示了當給出了大量文本時，計算機能夠像人類一樣，獲得詞匯意義相類似的知識并達到相當深度。

LSA能夠學習并獲取知識主要依賴語義空間維數的選擇。LSA語意空間的維數和答案選擇的正確性之間存在著強有力的非單調相關。當LSA選擇太多的維數時，獲得的知識是相當貧乏的，當在300維左右操作時，結果相當好。而當選擇大大低于100維時，獲得的知識再次變得非常貧乏。由此可見，語義空間維數的選擇與獲取知識結果的匹配狀態，似乎某種程度上反映了人類學習知識時，通過歸納的改進可以大大地改進知識的獲取與描述。

應該說LSA由文本中學習到了大量的詞匯意義。LSA沒有利用任何先前語言和認知的類似知識，它獨特地建立了一種一般的學習方法，對大量的文本通過選取正確的空間維數(例如300維)達到強有力的歸納效應，學習到了詞義的類似性。對照人類，人們在學習語言過程中，語言中也存在著足夠的信息，它們含有廣泛的大量的微弱聯系，當人們暴露在這些信息面前，獲取了知識。因此可以說，LSA對人類知識歸納問題提供了一種解決途徑。

以這種思路進行的研究有Landuaer和Dumais教授等，通過文本理解、托福測驗、學校兒童對詞匯的學習等等方面的試驗，應用LSA與人類行為相對照，得出了LSA可以獲取、歸納和表述知識的結論。以Graesesr教授為首的美國孟菲斯大學的智能系統研究所于1997年開始研制并開發AutoTutor系統，該系統可以對學生用自然語言做出的反饋給以響應(Graesesr，2001)。試驗表明Aut0Tuotr在提高學生的計算機素養及抽象思維與動手操作能力方面有顯著的優勢(Graesser，2003)。

第三認知領域的諸多方面也可借助LSA進行研究，對某些現象提供新的解釋、說明和設想。

科羅拉多大學認知科學研究所的Darrell Laham利用LSA方法進行概念分類研究。研究顯示，分類可以自我組織，不依靠任何人為代碼，僅依靠語言在語料庫中的使用方式，通過動態歸納過程發生。概念的含義不是被包裝在客體的表述中，而是以語義空間為背景，選擇客體之間的相互關系出現的。實際實驗顯示，對自然分類，LSA的判斷與人類判斷具有高度的相關性。

LSA方法除了處理詞匯意義的類似性之外還提示了理解許多語言屬性的一些新途徑。例如，詞的意義具有流動性，即某個人使用某詞與另一人使用該詞在意義上稍有差別，或隨著時間的流逝人們對某詞的理解發生了變化，為了從語言功能或歷史上測量個體或群體理解詞匯意義上的變化，LSA提供了一種有潛力的技術。LSA對聯想問題、場景和語義記憶類比、明示和暗示記憶類比、專家知識等提供了研究的可能性。總之LSA獨特地建立了一種一般的學習方法，為理解、解釋學習的動力學模式提供了一條吸引人的途徑。

以信息加工觀點研究人的認知活動是把人的認知活動看成一個信息傳送系統，把人們對客觀外界的知覺、記憶、思維等一系列認知過程看成信息的傳播接受和加工的過程，并對人的思維活動作出定量分析，建立信息加工模式是認知科學的核心任務。LSA就是一個這樣的信息加工模式。

LSA模式表面上是一種純數學的分析技術，實際上卻具有更廣闊的認知意義。目前，還沒有其它的知識獲取和知識表達技術不依靠人類的輸入知識，像人類一樣憑著經驗思維就能獲取知識的計算模式存在，故LSA在文本理解、學習、思維和獲取知識方面經驗上的部分成功似乎預示了機器智能的又一個發展趨勢。

人腦的認知過程是通過神經元的活動進行的，然而人類至今對神經元和大腦對信息處理的生理機制了解很少。因此LSA也為認知過程的研究提供一條可行的途經。如研究人腦的認知過程，可用心理學的概念解釋LSA模式，并顯示模式的某些特征。LSA的輸入構成的矩陣，可認為行代表單一的事件，列代表事件發生的背景。最后的輸出是一種描述，由描述中人們可以計算，測量事件之間、背景之間或事件與背景之間的類似程度，就如同詞匯對詞匯、段落對段落、詞匯對段落之間的類似程度一樣。利用LSA的計算過程實際上是把局部信息組合并濃縮成為一種普遍的描述，在這個過程中，LSA捕捉到了具有局部信息的所有事件之間多變的相關的偶然性。

還可以進一步把LSA視作神經網絡，LSA是一種單一的，但卻是相當大的三層神經網絡。每一個事件(或詞)構成了第一層神經元，每一個曾經發生過事件的場景構成了第三層神經元，幾百個第二層的神經元承擔完成連接第一層與第二層，第二層與第三層神經元的任務。每一種類型的事件，單一場景地描述起一種橫跨兩層神經節的活化作用。這種神經網絡可以創造出人造的場景，反過來操作場景可以產生能適應變化強度的事件來表述他們本身。奇異分解可理解為把歸納問題的機理具體化，即它可以方便地變換維數，并應用于一個學習者多年的經歷才能遇到的大量數據上，在某些方面與人類大腦存儲、再處理信息方面具有大約相近的效應。

信息科學和信息處理技術的發展為用信息方法研究思維過程提供了理論基礎。LSA恰恰為思維過程的研究提供一條可行的途經，這對于人類智能的開發，認知過程規律的揭示有巨大的意義。概率潛在語義分析具有優于潛在語義分析的諸多特點，是在潛在語義分析基礎上的進一步改進。虛擬導師系統的設計主要采用概率潛在語義分析技術。

?

轉自：http://summerbell.javaeye.com/blog/384326

?

總結

以上是生活随笔為你收集整理的潜在语义分析对认知科学的启示的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。