کدنویسی بچه ها

مفهوم چامسکی از یک «دستگاه اکتساب زبان» که هوش مصنوعی به زبان ساده برای کودکان از نظر زیست‌شناسی نوشته شده است، که (او می‌گوید) به انسان‌ها اجازه می‌دهد تا زبان را تقریباً بدون زحمت یاد بگیرند (به استدلال اصلی چامسکی در بررسی تاول‌آمیزش از رفتار کلامی اسکینر مراجعه کنید). چامسکی فکر می کرد که این مکانیسم انفجار زبان را که در اوایل کودکی رخ می دهد توضیح می دهد. اما واضح است که یک برنامه هوش مصنوعی چنین مکانیزمی ندارد، بنابراین حتی اگر یک دستگاه اکتساب زبان وجود داشته باشد، برای یادگیری زبان ضروری نیست.

به طور کلی، مطالعه جدید هوش مصنوعی دو چیز هوش مصنوعی به زبان ساده برای کودکان را روشن می کند که تحلیلگران رفتار برای مدت طولانی می دانستند. اولاً، اگرچه ممکن است انسان‌ها واقعاً مزایای ذاتی برای یادگیری زبان داشته باشند، اما تصور چامسکی مبنی بر اینکه آنها از پیش مجهز به گرامر و نحو هستند، همیشه غیرمنطقی بود - به دلایلی، به رد کردن درخشان کنت مک کورکودیل در سال 1970 به حذف چامسکی مراجعه کنید. Skinner، و نوعی به روز رسانی/افزونه منتشر شده توسط دیو پالمر در سال 2017). اوه، و به هر حال، توجه داشته باشید که زبان شناسان، که زمانی در دامان چامسکی بودند، به تدریج پذیرفتند که ایده های او توخالی است و توسط داده های زبانی پشتیبانی نمی شود.

دوم، کودکان انسان برای شروع به توسعه توانایی های هوش مصنوعی به زبان ساده برای کودکان زبانی نیازی به هضم متن کامل 70000 کتاب ندارند. این امر از زمانی که تحلیلگران رفتار کاربردی شروع به کمک به کودکان دارای معلولیت در یادگیری رفتار کلامی کردند مشهود بوده است. از زمانی که اولین مطالعات روابط محرک مشتق شده ارتباط آشکاری با رفتار کلامی نشان داد. و از زمان تحقیقات پیشگامانه بتی هارت و تاد ریزلی در مورد تجربه زبانی در سنین پایین. به طور کلی بدیهیات کار رفتاری: آنچه در فراگیری زبان کودک اهمیت دارد، تجربیات درست است. هوش مصنوعی به زبان ساده برای کودکان این موضوعی است که بعید به نظر می رسد هوش مصنوعی بتواند به این زودی جایگزین تحقیقات رفتاری خوب قدیمی شود.

در واقع، اخلاقیات این داستان به چیزی نزدیک است که اسکینر در مقاله کلاسیک خود «فیلوژنی و هستی زایی رفتار» (و جاهای دیگر) پیش برد. در دهه‌های 1960 و 1970، اسکینر متوجه گرایش فزاینده دانشمندان به تمرکز بر ژنتیک و آناتومی/فیزیولوژی مغز برای تلاش برای درک رفتار شد. پاسخ اسکینر: در چنین تلاش‌هایی، علم رفتار اولویت دارد زیرا نظم‌هایی را در رفتار آشکار می‌کند که سایر رشته‌ها باید توضیح دهند. اسکینر این احتمال را که در برخی از تاریخ های آینده آن رویکردهای دیگر می توانند سهم منحصر به فردی داشته باشند را نادیده نگرفت. او هوش مصنوعی به زبان ساده برای کودکان صرفاً استدلال کرد که در دوران طفولیت بهترین چیزی که می‌توان انتظار داشت شناسایی عوامل بیولوژیکی است که با پدیده‌های رفتاری مرتبط هستند. اما برای اینکه این امر امکان پذیر باشد، البته ابتدا باید الگوهای رفتار عملکردی به وضوح مشخص شود.

این تصویر دارای یک ویژگی alt خالی است. نام فایل آن whatever.jpg است

همین نوع مشاهدات را می توان در مورد هوش هوش مصنوعی به زبان ساده برای کودکان مصنوعی انجام داد. شاید روزی برنامه های کامپیوتری زبان آموز واقعا به ما کمک کنند تا بفهمیم چگونه نوزادان انسان غیرکلامی به موجودات کلامی تبدیل می شوند. اما واقعیت فعلی، همانطور که در مطالعه "کلاه" تلگراف شده است، ممکن است برعکس باشد: مطالعات رفتاری رفتار کلامی راه هایی را پیشنهاد می کند که رایانه ها می توانند کلامی بودن را بیاموزند هوش مصنوعی به زبان ساده برای کودکان . مطالعه توصیف شده در اینجا باید به عنوان نوک کوچک یک کوه یخ شگفت انگیز در نظر گرفته شود. در نظر بگیرید: در مطالعه جدید، هیچ چیزی در ورودی که به سیستم هوش مصنوعی تغذیه می‌شد، نوشته نشده بود - فقط چیزی که سم تجربه کرد. در عوض آزمایشی را تصور کنید که در آن سیستم با 61 ساعت تجربه دقیق برنامه ریزی شده مبتنی بر سه دوره احتمالی و روابط محرک مشتق شده تغذیه می شود. این باید رفتار کلامی بسیار بیشتر و کارآمدتر هوش مصنوعی به زبان ساده برای کودکان از همان مقدار تجربه ایجاد کند. و این تنها یک سلاح در زرادخانه قابل توجهی است که تحلیلگران رفتار برای سرعت بخشیدن به یادگیری کلامی در کودکان ساخته اند. یک برنامه رایانه ای که زبان را به همان روش یاد می گیرد (مثلاً به پست اسکریپت مراجعه کنید) به طور قابل توجهی «انسانی تر» از برنامه هایی است که تاکنون ساخته شده است.

پست‌نوشته‌ها

ارنست مورک (1990) در مطالعه تعاملات بدو هوش مصنوعی به زبان ساده برای کودکان ن نسخه ب آموزش برنامه نویسی کودکان و نوجوانان ین مادران و نوزادان، دریافت که بخش بزرگی از کارهایی که مادران و کودکان انجام می‌دهند بر روی الگوهای اقتضایی سه‌مدت نگاشت می‌شوند. احتمالاً چنین چیزی بخشی از تجربه طبیعت گرایانه بیبی سام بوده است. یکی از پیام‌های مطالعه معروف هارت و ریزلی - که در برنامه‌های مداخله‌ای سی میلیون کلمه برای والدین و بچه‌ها به کار گرفته شده است - این است که این نوع اتفاقات مهم اهمیت دارند. "کیفیت" تجربه زبان مهم است. با آزاد صحبت کردن، تجربه زبان باید تعاملی باشد. شما نمی توانید تمام روز در خیابان سیسمونی بچرخید و انتظار داشته باشید فرزندتان یاد بگیرد.

برای روشن بودن، مطالعه هارت و ریزلی همچنین نشان هوش مصنوعی به زبان ساده برای کودکان می دهد که میزان تجربه زبان مهم است: در واقع، فراگیری زبان با تعداد دفعاتی که با بچه ها صحبت می شود ارتباط دارد. از این نظر، مطالعات سنتی هوش مصنوعی که کوه‌هایی از داده‌های زبانی را وارد می‌کنند، دقیقاً اشتباه نیستند. به یاد بیاورید که در آن، یادگیری زبان از یک طرف به تجربه گسترده نیاز دارد و از سوی دیگر، تقریباً به طور جادویی از قرار گرفتن در معرض Artificial intelligence in plain language for children زبان بسیار محدود بیرون می آید. هارت و ریزلی این را نشان دادند

مفهوم چامسکی از یک «دستگاه اکتساب زبان» که هوش مصنوعی به زبان ساده برای کودکان از نظر زیست‌شناسی نوشته شده است، که (او می‌گوید) به انسان‌ها اجازه می‌دهد تا زبان را تقریباً بدون زحمت یاد بگیرند (به استدلال اصلی چامسکی در بررسی تاول‌آمیزش از رفتار کلامی اسکینر مراجعه کنید). چامسکی فکر می کرد که این مکانیسم انفجار زبان را که در اوایل کودکی رخ می دهد توضیح می دهد. اما واضح است که یک برنامه هوش مصنوعی چنین مکانیزمی ندارد، بنابراین حتی اگر یک دستگاه اکتساب زبان وجود داشته باشد، برای یادگیری زبان ضروری نیست.

به طور کلی، مطالعه جدید هوش مصنوعی دو چیز هوش مصنوعی به زبان ساده برای کودکان را روشن می کند که تحلیلگران رفتار برای مدت طولانی می دانستند. اولاً، اگرچه ممکن است انسان‌ها واقعاً مزایای ذاتی برای یادگیری زبان داشته باشند، اما تصور چامسکی مبنی بر اینکه آنها از پیش مجهز به گرامر و نحو هستند، همیشه غیرمنطقی بود - به دلایلی، به رد کردن درخشان کنت مک کورکودیل در سال 1970 به حذف چامسکی مراجعه کنید. Skinner، و نوعی به روز رسانی/افزونه منتشر شده توسط دیو پالمر در سال 2017). اوه، و به هر حال، توجه داشته باشید که زبان شناسان، که زمانی در دامان چامسکی بودند، به تدریج پذیرفتند که ایده های او توخالی است و توسط داده های زبانی پشتیبانی نمی شود.

دوم، کودکان انسان برای شروع به توسعه توانایی های هوش مصنوعی به زبان ساده برای کودکان زبانی نیازی به هضم متن کامل 70000 کتاب ندارند. این امر از زمانی که تحلیلگران رفتار کاربردی شروع به کمک به کودکان دارای معلولیت در یادگیری رفتار کلامی کردند مشهود بوده است. از زمانی که اولین مطالعات روابط محرک مشتق شده ارتباط آشکاری با رفتار کلامی نشان داد. و از زمان تحقیقات پیشگامانه بتی هارت و تاد ریزلی در مورد تجربه زبانی در سنین پایین. به طور کلی بدیهیات کار رفتاری: آنچه در فراگیری زبان کودک اهمیت دارد، تجربیات درست است. هوش مصنوعی به زبان ساده برای کودکان این موضوعی است که بعید به نظر می رسد هوش مصنوعی بتواند به این زودی جایگزین تحقیقات رفتاری خوب قدیمی شود.

در واقع، اخلاقیات این داستان به چیزی نزدیک است که اسکینر در مقاله کلاسیک خود «فیلوژنی و هستی زایی رفتار» (و جاهای دیگر) پیش برد. در دهه‌های 1960 و 1970، اسکینر متوجه گرایش فزاینده دانشمندان به تمرکز بر ژنتیک و آناتومی/فیزیولوژی مغز برای تلاش برای درک رفتار شد. پاسخ اسکینر: در چنین تلاش‌هایی، علم رفتار اولویت دارد زیرا نظم‌هایی را در رفتار آشکار می‌کند که سایر رشته‌ها باید توضیح دهند. اسکینر این احتمال را که در برخی از تاریخ های آینده آن رویکردهای دیگر می توانند سهم منحصر به فردی داشته باشند را نادیده نگرفت. او هوش مصنوعی به زبان ساده برای کودکان صرفاً استدلال کرد که در دوران طفولیت بهترین چیزی که می‌توان انتظار داشت شناسایی عوامل بیولوژیکی است که با پدیده‌های رفتاری مرتبط هستند. اما برای اینکه این امر امکان پذیر باشد، البته ابتدا باید الگوهای رفتار عملکردی به وضوح مشخص شود.

این تصویر دارای یک ویژگی alt خالی است. نام فایل آن whatever.jpg است

همین نوع مشاهدات را می توان در مورد هوش هوش مصنوعی به زبان ساده برای کودکان مصنوعی انجام داد. شاید روزی برنامه های کامپیوتری زبان آموز واقعا به ما کمک کنند تا بفهمیم چگونه نوزادان انسان غیرکلامی به موجودات کلامی تبدیل می شوند. اما واقعیت فعلی، همانطور که در مطالعه "کلاه" تلگراف شده است، ممکن است برعکس باشد: مطالعات رفتاری رفتار کلامی راه هایی را پیشنهاد می کند که رایانه ها می توانند کلامی بودن را بیاموزند هوش مصنوعی به زبان ساده برای کودکان . مطالعه توصیف شده در اینجا باید به عنوان نوک کوچک یک کوه یخ شگفت انگیز در نظر گرفته شود. در نظر بگیرید: در مطالعه جدید، هیچ چیزی در ورودی که به سیستم هوش مصنوعی تغذیه می‌شد، نوشته نشده بود - فقط چیزی که سم تجربه کرد. در عوض آزمایشی را تصور کنید که در آن سیستم با 61 ساعت تجربه دقیق برنامه ریزی شده مبتنی بر سه دوره احتمالی و روابط محرک مشتق شده تغذیه می شود. این باید رفتار کلامی بسیار بیشتر و کارآمدتر هوش مصنوعی به زبان ساده برای کودکان از همان مقدار تجربه ایجاد کند. و این تنها یک سلاح در زرادخانه قابل توجهی است که تحلیلگران رفتار برای سرعت بخشیدن به یادگیری کلامی در کودکان ساخته اند. یک برنامه رایانه ای که زبان را به همان روش یاد می گیرد (مثلاً به پست اسکریپت مراجعه کنید) به طور قابل توجهی «انسانی تر» از برنامه هایی است که تاکنون ساخته شده است.

پست‌نوشته‌ها

ارنست مورک (1990) در مطالعه تعاملات بدو هوش مصنوعی به زبان ساده برای کودکان ن نسخه ب آموزش برنامه نویسی کودکان و نوجوانان ین مادران و نوزادان، دریافت که بخش بزرگی از کارهایی که مادران و کودکان انجام می‌دهند بر روی الگوهای اقتضایی سه‌مدت نگاشت می‌شوند. احتمالاً چنین چیزی بخشی از تجربه طبیعت گرایانه بیبی سام بوده است. یکی از پیام‌های مطالعه معروف هارت و ریزلی - که در برنامه‌های مداخله‌ای سی میلیون کلمه برای والدین و بچه‌ها به کار گرفته شده است - این است که این نوع اتفاقات مهم اهمیت دارند. "کیفیت" تجربه زبان مهم است. با آزاد صحبت کردن، تجربه زبان باید تعاملی باشد. شما نمی توانید تمام روز در خیابان سیسمونی بچرخید و انتظار داشته باشید فرزندتان یاد بگیرد.

برای روشن بودن، مطالعه هارت و ریزلی همچنین نشان هوش مصنوعی به زبان ساده برای کودکان می دهد که میزان تجربه زبان مهم است: در واقع، فراگیری زبان با تعداد دفعاتی که با بچه ها صحبت می شود ارتباط دارد. از این نظر، مطالعات سنتی هوش مصنوعی که کوه‌هایی از داده‌های زبانی را وارد می‌کنند، دقیقاً اشتباه نیستند. به یاد بیاورید که در آن، یادگیری زبان از یک طرف به تجربه گسترده نیاز دارد و از سوی دیگر، تقریباً به طور جادویی از قرار گرفتن در معرض Artificial intelligence in plain language for children زبان بسیار محدود بیرون می آید. هارت و ریزلی این را نشان دادند