认知能力的排列：从任务到能力的探索

### 认知能力的排列：从任务到能力的探索 #### 1. 面对任务连续体 在关注任务及其难度时，难度可视为任务的“高度”，按难度排列任务有助于分析其所需的熟练度和区分度。然而，仅关注特定任务对于预测主体在不同情境下的行为并无太大帮助。行为特征（如人格特质或认知能力）或许是更有意义的认知系统表征方式，历史上许多尝试都遵循“地理隐喻”，将行为特征表示为拓扑空间的部分或区域。 认知能力的定义与一系列任务相关，但简单聚合任务并不能解决如何识别和排列能力的问题。为了从任务过渡到能力，我们可以从以下几个非排他性的视角来分析能力空间的结构： - **种群视角**：分析特定种群中多个任务的相关性，推导潜在结构。 - **神经学视角**：通过分析大脑的工作方式，建立关于特定或通用能力与任务类型关系的假设和理论。 - **遗传学视角**：追踪基因与任务变异性的对应关系，根据涉及的基因对能力进行聚类。 - **环境视角**：分析特定环境集，确定生存所需的任务，并根据对环境的适应性对任务进行分组。 - **技术视角**：借鉴人工智能研究的经验和子学科，反映智能行为所需的能力家族。 - **定义视角**：比较两个或多个任务的定义，根据定义的相似性排列任务。 - **解决方案视角**：比较两个或多个任务的（最优）解决方案，根据有用的策略对任务进行聚类。 但需要注意的是，种群、神经学、遗传学和环境视角受限于特定物种，技术视角存在人类中心主义问题，而定义和解决方案视角可由形式原则驱动，但计算复杂度类并非用于划分能力空间。 #### 2. 非算法模型的认知能力 尽管一些方法存在局限性，但我们不必从头开始。心理测量学中发展了一些分类法和层次结构，如卡特尔 - 霍恩 - 卡罗尔三层模型。然而，相关分析和因子分析存在问题，因为缺乏原则性理论，统计分析只是在没有合理公式时的量化手段。 古特曼的雷达模型是一种有趣的混合方法，它使用面而非因子，使用多维尺度分析而非因子分析。在智力方面，测试（或任务）根据“复杂性”或“任务”（单形）以及“内容”或“材料”（环形）进行排列。环形面分为语言、数字和空间三个“内容”类别，单形面分为低、中、高认知复杂度三个层次。但环形面具有较强的人类中心主义色彩，单形面的解释也不够精确。 除了雷达模型，还有许多基于“信息处理”视角的方法。早期心理测量学在简单信息处理任务（如高尔顿和斯皮尔曼研究的基本认知任务）和复杂信息处理任务（如比奈研究的任务）之间存在对立观点。简单信息处理任务通常包括感官辨别、心理速度和基本记忆能力，但其对计算机来说过于简单，对计算机的心理生理测量也无意义。复杂信息处理任务通常与推理过程相关，推理过程主要分为归纳和演绎两种。归纳推理是假设性的，试图从证据中识别模式，演绎推理从前提中得出逻辑结论。 归纳推理在所有任务中具有最高的g负荷，可能是因为学习对智能至关重要，而归纳推理是许多学习类型背后的推理过程。归纳推理是一个全面的过程，需要演绎推理来检验假设，需要工作记忆来保留假设，还需要从长期记忆中检索构建来构建假设。 #### 3. 任务组合：纯度和广度 在分析能力空间结构的各种方法中，前五种方法不适合作为通用基础来识别和分析认知能力。我们可以探索定义和解决方案视角。定义视角在任务描述方面存在问题，如约翰·威尔金斯的“哲学语言”虽试图建立对象与描述的双射等价，但在计算术语中会失去这种对应关系。 算法框架为任务定义提供了更多可能性，例如使用信息距离或其他算法信息理论概念。但信息距离在应用于描述机制时并非总是可靠的差异来源。因此，我们需要从任务的扩展而非定义来考虑任务的组合。 任务组合可以通过加权随机选择来定义，即对于两个随机任务μ1和μ2，权重α∈[0, 1]，组合αμ1 ⊕(1 - α)μ2由α的有偏随机选择决定。相反，我们也可以定义任务的分解。然而，仅通过比较任务实例的重叠来确定任务的相似性并不具有太多启发性。 在分析任务组合时，需要考虑以下几点： - **考虑容忍度**：组合两个任务时，使用相同的容忍度可能导致一个任务的可接受性过易，另一个过难。因此，需要对两个任务进行归一化或使用不同的容忍度，使它们具有相似的难度。 - **零容忍度的理论意义**：在理论上，零容忍度（ϵ = 0）有一定的价值。例如，如果ℏ(μ1 ⊕μ2) ≈ ℏ(μ1)（零容忍度），则说明μ2没有