Begrebsafklaring

Begreb er det danske ord for concept (kommer af det lantiske udtryk conceptus, der betyder ”sammenfattet”) – det har jeg helt selv fundet på nettet….

Et begreb (concept) er mentale repræsentationer af klasser af objekter eller andre enheder.

Kategorier er klasser af objekter, der hører ind under begreber.

Begrebernes organisation handler om at forstå hvordan begreber er lagret i LTM. 

Typer af begreber

Begreber er ordnet i hierarkier. I sådan et hierarki er der en overkategori i toppen (fx møbel), basis level i midten (fx stol) og en underkategori i bunden (fx lænestol). Hvis man er ekspert på et område kan underkategorien lænestol være et basis level fordi man så har underkategorier om forskellige lænestole (ægget, stressless, stol med skyklapper…who knows?) 

Rosch bad forsøgspersoner om at nedfælde alle attribtter af et begreb på de forskellige niveauer. Det viste sig at de var meget få detaljer/attributter ved den overordnede kategori. Basic level er det niveau der har størst brugbarhed, da det har en god balance mellem information og forskellighed. Man mangler information på det højeste niveau og  man mangler forskellighed på det nederste niveau (hvor man til gengæld har masser af information).

Vi bruger basic level kategorien langt mere end de to andre niveauer i hierarkiet. 

Repræsentation af begreber i en computational model

Ord er repræsenteret via begrebs-punkter, som er forbundet til hinanden i et semantisk netværk. Styrken af disse forbindelser og distancen mellem to punkter afhænger af den semantiske eller associative relation der er mellem de to punkter. ( Malene forestiller sig fx semantisk: bord og stol. Associativt: stol, sløjd – måske fordi du er ved at lave en stol i sløjd).

Ideen med denne teori er at aktiveringen spreder sig fra et punkt til et andet, og de korte og stærke forbindelser vil blive aktiveret mere end de som er længere væk. 

Defining attribute approach

Definerende attributter er de semantiske features som er nødvendige for noget for at være en del af et begreb (fx ved en fugl kan der være vinger og næb). Alle medlemmer af begrebet er lige repræsentative for begrebet. underkategorien fx en spurv, besidder alle overkategorien fugl (vinger, næb). Der er altså helt klare grænser for hvad der er medlem af begrebet og hvad der ikke er.

Kritik: Vores begreber er ofte tågede og uklare. Fx spurgte man en forsøgsgruppe om et slagtilfælde var en sygdom eller om et græskar var en frugt. Der blev svaret meget forskelligt og da man senere testede dem igen, havde nogen skiftet mening.

Det er heller ikke alle medlemmer der er lige repræsentative for kategorien. Fx er en rødkælk en meget mere typisk i kategorien fugl end fx en pingvin.

Et andet problem er hvem bestemmer hvad der er en definerende attribut?

En af de kategorier som har klare definerende attributter er lige numre. Deres definerende attribut er at de kan deles med to. Men selv her ratede fp´erne at 22 var et mere typisk eksempel på et lige nummer end fx 18. Dette burde ikke kunne ske i ifølge defining attribute approach. 

Prototype approach

Denne teori mener at begreber har en prototype struktur, som enten består af en samling af karakteristika eller det bedste eksempel for kategorien (fx rødkælk for fugl.)

Det der afgør om man er medlem af begrebet er om man besidder nogle af de karakteristiske (men ikke definerende) træk, som bestemmes ud fra prototypen.

Kategorierne er mere tågede og uklarer.

Family resemblance: De kategorier som har meget tilfælles med andre kategorier under konceptet, ligger tættere på prototypen, end de kategorier der skiller sig mere ud fra de andre kategorier. Bl.a. Rosch testede dette fænomen og fandt ud af at det som fp’erne ratede som mere typiske medlemmer af en kategori var også dem som havde mest family resemblance.

Kritik: Ikke alle begreber har en prototype fx abstrakte begreber en regel, en overbevisning, et instinkt. Men der var dog abstrakte begreber der havde prototype fx forbrydelse, kunst. Man mener at grunden til at nogen abstrakte begreber har prototyper og andre ikke, kan være fordi nogle begreber er så fleksible, at de ikke dækker over nogen konkrete kategorier.

Der er nogen attributter eller træk der varierer mere and andre, fx variere vægt oftere end farve. Så vi linker blå fugle sammen, men det er ikke sikkert at tykke mennesker bliver vurderet til at være samme race. 

Eksemplar approach

Hver gang vi møder en hund, så lagres den som hund, når man så møder noget som minder om en hund men vi er i tvivl, så sammenlignes den med alle de eksempler på hunde vi har lagret, og så vurderer vi om den ligner godt nok. Den er mere fleksibel over kontekster og operere ikke med en muligvis ikke-eksisterende prototype.

Man kan argumenterer for hvorfor man kan svarer hurtigere om en typisk medlem af kategorien end et ikke-typisk medlem. For hvis man har lagret mange rødkælke, så er den lagret mange flere gange end en pingvin.

Denne teori er mere fleksibel end prototypen, da den ikke har et gennemsnit den forholder medlemmerne op imod. Man dømmes som medlem hvis bare man har nogle karaktertræk, der matcher andre medlemmer.

Empiri: man lavede tests, hvor man forudsagde hvad fp ville gøre ud fra prototype og ud fra exemplar, og det viste sig at exemplar var bedst til at forudsige hvad fp ville gøre.

Kritik: Den bygger på ligheder, så derfor er det svært at bedømme kategorier hvor medlemmer ikke har den store lighed.

Ofte når folk skal vurdere om en fugl er fx et væsen, så bruger de ofter deres almene viden, end eksempelbaseret viden. Man kan jo spørge sig selv: er al min viden om begreber bygget op på eksempler jeg har oplevet? NEJ! 

Perspektivering:

Vidensrepræsentation

Marr’s objektgenkendelseteori

Biedermanns recognition by components teori