Det samme brede konklusjon kan nås på en annen måte: Så langt har vårt fokus i stor grad vært på data-drevet eller bottom-up prosessering. Det er vi har diskutert hvordan innkommende informasjon ("data") utløser en reaksjon etter har detektorer, som igjen utløser en respons ved brev Søkere (eller Geon Søkere), og så videre. Dataene ta initiativ; dataene få ting i gang. Det er imidlertid grunn til å tro at det er mer til mønstergjenkjenning enn dette. Mønstergjenkjenning er også påvirket av et bredt mønster av kunnskap og forventninger.
Disse påvirkninger blir generelt referert til som begrep-drevet, eller sm-ned. Modeller som inkluderer både topp-dawn og bottom-up komponenter er beskrevet som interaktive models.The data i forrige avsnitt er angitt noen av grensene for selvforsynte, datadrevne modeller; her er en annen måte å gjøre det samme generelle poenget: Vi kan fortelle fagene: ". Jeg er i ferd med å vise deg et ord veldig kort på en dataskjerm, ordet er navnet på noe som du kan spise" Hvis vi tvunget fag å gjette ordet på dette punktet, ville de være usannsynlig å nevne målet ordet.
Men hvis vi nå tachistoscopically vise ordet, '' ARTICHOKE, '' vi er sannsynlig å observere en stor priming effekt, det vil si fag er mer sannsynlig å gjenkjenne "ARTICHOKE" med dette stikkordet enn de ville ha vært uten kø.
Likte du denne artikkelen? Du kan skrive artikler som dette og tjene penger på det. Det er gratis å delta, og du kan tjene penger på nettet så snart du melder deg på. Klikk på linken til Registrer deg med Bukisa.com og begynner å gjøre noen gode penger på internett mer innhold på Internett ved utslipp Guy. Hvordan tjene penger Gratis Online spill < p> Gjør Inntekt med eHow Anmeldelser
Interaktive modeller av mønstergjenkjenning: del 2 av 3