Original Source: https://stanford.edu/~jlmcc/
Benvenuto e panoramica
Benvenuto e grazie per aver visitato la mia home page. Sono professore presso il Dipartimento di Psicologia e Direttore del Center for Mind, Brain, Computation and Technology a Stanford. La mia ricerca affronta una vasta gamma di argomenti nelle scienze cognitive e nelle neuroscienze cognitive, tra cui la percezione e il processo decisionale percettivo; apprendimento e memoria; lingua e lettura; cognizione semantica e matematica; e sviluppo cognitivo. Ritengo che le funzioni cognitive emergano dall’attività di elaborazione parallela e distribuita delle popolazioni neurali, con l’apprendimento che avviene attraverso l’adattamento delle connessioni tra i neuroni partecipanti, come discusso in Parallel Distributed Processing (Rumelhart, McClelland e PDP Research Group, 1986). La ricerca nel mio laboratorio ruota attorno agli sforzi per sviluppare modelli computazionali espliciti basati su queste idee; testare, affinare ed estendere i principi incorporati nei modelli; e quindi applicare i modelli a domande di ricerca sostanziali attraverso esperimenti comportamentali, simulazioni al computer e analisi matematiche.
I momenti salienti della mia carriera sono elencati di seguito. Un elenco completo delle pubblicazioni pertinenti è disponibile sulla mia pagina delle pubblicazioni e i collegamenti ad altre risorse sono forniti accanto alla mia fotografia sopra.
Cognizione matematica
Recentemente, ho iniziato quello che mi aspetto sarà un programma di ricerca ad ampio raggio e a lungo termine sulla cognizione matematica (guarda questo video o leggi questo articolo per una descrizione dell’approccio). Il lavoro nasce dal mio interesse di lunga data per le transizioni dello sviluppo e dalla disponibilità a imparare da nuove esperienze, nonché dalla speranza che un approccio di elaborazione parallela distribuita possa far luce su alcuni dei risultati più impressionanti del pensiero umano: — le intuizioni e i sistemi di ragionamento strutturato che sono stati creati dai matematici. In questo sforzo, stiamo combinando studi sperimentali e studi di modellazione computazionale. Il laboratorio sta cercando di reclutare studenti con orientamento sperimentale e/o computazionale interessati a contribuire a questo sforzo.
L’obiettivo è comprendere lo sviluppo delle abilità umane in matematica a tutti i livelli, dalla numerosità e le fasi iniziali del conteggio all’aritmetica, all’algebra, alla geometria e persino alla matematica e al calcolo multivariato. Al centro di questo sforzo c’è la convinzione che la matematica sia meglio vista come una questione di apprendimento di un insieme di modelli che caratterizzano gli oggetti del pensiero matematico e le loro proprietà, e di effettuare operazioni su espressioni che hanno significato in termini di oggetti rappresentati con tali modelli. Da questo punto di vista, si può pensare che la matematica fornisca un modo di vedere le proprietà di oggetti o insiemi di oggetti (reali o immaginari, spesso idealizzati) che mettono in evidenza relazioni utili che vengono catturate in espressioni simboliche ma che sono spesso intese in termini di funzioni intuitive. relazioni colte che danno a queste espressioni il loro significato. C’è anche un’enfasi sulla comprensione di come i processi di apprendimento graduali possano alla fine portare a intuizioni e livelli qualitativamente diversi di comprensione e abilità matematica, e sulla determinazione del modo migliore per supportare gli studenti mentre tentano di acquisire tali modelli.
Questo approccio contrasta con gli approcci alla matematica basati su regole in due modi: in primo luogo, tratta i sistemi formali di rappresentazione simbolica come modi di annotare gli elementi di un sistema strutturato per rappresentare le proprietà degli oggetti e le loro relazioni, piuttosto che semplicemente come disposizioni di simboli soggetti a elaborazione secondo regole sensibili alla struttura. In secondo luogo, distingue tra la conoscenza esplicita di una regola formale e la conoscenza implicita incorporata nei modi acquisiti di percepire e trarre inferenze. Ad esempio, possiamo consultare una regola esplicita corrispondente al principio di commutatività (per tutti a e b, a+b=b+a), oppure possiamo possedere la conoscenza implicita che la quantità totale risultante dalla combinazione additiva di due quantità parziali è lo stesso indipendentemente dall’ordine in cui le quantità delle parti vengono combinate. Aderisco all’idea che una regola esplicita è utile come parte di un sistema per stabilire formalmente la validità di una comprensione o di un’intuizione, ma che la comprensione stessa può provenire dalla conoscenza implicita, piuttosto che dalla manipolazione di espressioni simboliche in conformità con regole esplicite. Pertanto, una parte essenziale dell’insegnamento della matematica è trovare modi per rafforzare l’acquisizione dei modelli rilevanti da parte degli studenti, piuttosto che incoraggiarli semplicemente a memorizzare un elenco di formule.
Progetti specifici attualmente in corso nel laboratorio includono: (a) un’estensione dell’apprendimento profondo che cattura l’emergere graduale di una rappresentazione della numerosità degli elementi in una scena visiva, catturando lo sviluppo di rappresentazioni sempre più precise della numerosità nei primi due decenni di vita; (b) un modello basato sull’apprendimento volto a catturare le prestazioni graduali e dipendenti dalla grandezza dei bambini in compiti che sfruttano la loro conoscenza e capacità di eseguire correttamente compiti semplici con numeri esatti pensati per sfruttare il cosiddetto “principio di cardinalità”; (c) valutazione empirica e basata su modelli dei meccanismi di confronto delle grandezze numeriche, applicata al confronto di frazioni e di numeri sia negativi che positivi; e (d) indagini sul ruolo delle rappresentazioni visuospaziali nel ragionamento trigonometrico. Sono in preparazione documenti su molti di questi argomenti. Inoltre ho un piano a lungo termine per creare un agente simulato basato su una rete neurale in grado di apprendere i principi dei numeri, dell’algebra e della geometria abbastanza bene da superare l’esame di Geometria del New York State Regent. Alcuni elementi di questo lavoro sono descritti nella lezione menzionata sopra.
Momenti salienti della carriera
James L. (Jay) McClelland ha conseguito il dottorato di ricerca. in Psicologia Cognitiva presso l’Università della Pennsylvania nel 1975. Ha lavorato presso la facoltà dell’Università della California, a San Diego, prima di trasferirsi alla Carnegie Mellon nel 1984, dove è diventato professore universitario e ha ricoperto la cattedra Walter Van Dyke Bingham in Psicologia e Psicologia. Neuroscienza cognitiva. È stato co-direttore fondatore del Center for the Neural Basis of Cognition, un progetto congiunto della Carnegie Mellon e dell’Università di Pittsburgh. Nel 2006 McClelland si è trasferito al Dipartimento di Psicologia dell’Università di Stanford, dove ha fondato il Center for Mind, Brain, and Computation nel 2007 e ha ricoperto il ruolo di presidente del dipartimento dall’autunno 2009 all’estate 2012. Attualmente è Lucie Stern Professor in Scienze Sociali e co-direttore del Centro per la mente, il cervello, il calcolo e la tecnologia.
Nel corso della sua carriera, McClelland ha contribuito sia alla letteratura sperimentale che a quella teorica in diverse aree, in particolare nell’applicazione di modelli di elaborazione connessionisti/distribuiti paralleli a problemi di percezione, sviluppo cognitivo, apprendimento del linguaggio e neurobiologia della memoria. È stato co-fondatore con David E. Rumelhart del gruppo di ricerca Parallel Distributed Processing (PDP) e insieme a Rumelhart ha guidato lo sforzo che ha portato alla pubblicazione nel 1986 del libro in due volumi, Parallel Distributed Processing , in cui il è stato delineato un quadro di elaborazione parallela distribuita e applicato a un’ampia gamma di argomenti di psicologia cognitiva e neuroscienza cognitiva. McClelland e Rumelhart hanno ricevuto congiuntamente nel 1993 la medaglia Howard Crosby Warren dalla Society of Experimental Psychologists, nel 1996 il Distinguished Scientific Contribution Award (vedi citazione ) dall’American Psychological Association, nel 2001 il Grawemeyer Prize in Psychology e nel 2002 l’IEEE Neural Networks Pioneer Award per questo lavoro.
McClelland è stato Senior Editor di Cognitive Science , presidente della Cognitive Science Society, membro del National Advisory Mental Health Council e presidente della Federation of Associations in the Behavioral and Brain Sciences (FABBS). È membro della National Academy of Sciences e corrispondente Fellow della British Academy. Ha ricevuto l’APS William James Fellow Award per i contributi a vita alla scienza di base della psicologia, il premio David E. Rumelhart per i contributi ai fondamenti teorici delle scienze cognitive, il NAS Atkinson Prize in Scienze psicologiche e cognitive e il Premio Heineken in Scienza cognitiva.
McClelland attualmente insegna l’approccio PDP alla cognizione e le sue basi neurali presso il Dipartimento di Psicologia e il Programma di Sistemi Simbolici a Stanford e conduce ricerche su apprendimento, memoria, sviluppo concettuale, elaborazione linguistica e cognizione matematica a Stanford e come ricercatore consulente. presso DeepMind.
I’ve always been captivated by the wonders of science, particularly the intricate workings of the human mind. With a degree in psychology under my belt, I’ve delved deep into the realms of cognition, behavior, and everything in between. Pouring over academic papers and research studies has become somewhat of a passion of mine – there’s just something exhilarating about uncovering new insights and perspectives.