ЦЕЛЕВАЯ ДЕТЕРМИНАЦИЯ | Психологическая энциклопедия 1vc0
Страницы: 1 2 3 4 5 6
Тот факт, что в текущем поведении организм успешно и эффективно использует ранее приобретенный индивидуальный опыт, означает, что приобретение, накопление и закрепление индивидуального опыта осуществляется с установкой на использование в будущем. Этот опыт приобретался не «специально», а в ходе текущей приспособительной деятельности. Эта «ориентация на будущее» сохраняется и в следах текущих приспособительных реакций, благодаря чему эти следы используются для прогнозирования будущих ситуаций. Ориентация любой формы адаптивного поведения на будущее с необходимостью выдвигает вопрос о роли и месте в построении поведения «детерминации из будущего» или целевой детерминации. Разумеется, говоря о целевой детерминации, необходимо сразу же отвергнуть «классическое» телеологическое понимание целевого причинения. Телеологический подход подразумевает стремление к неизвестно откуда взявшейся или предначертанной свыше цели.
Между тем действительное целенаправленное поведение ориентировано на достижение совершенно конкретной, выработанной организмом цели. Хорошо известны дискуссии о правомерности и объеме использования категории «цель» за пределами человеческой деятельности. Однако бесспорно целесообразное и целенаправленное поведение живых организмов, в особенности высших животных, является убедительным аргументом в пользу возможности использования этой категории не только (применительно к деятельности человека. Задача, однако, заключается в том, чтобы исключить антропоморфизацию этой категории и найти ее действительное место в детерминации поведения живых систем, выяснить механизмы этой целевой детерминации. Не входя сейчас в анализ многочисленных взглядов и соображений, высказывающихся по поводу целевой детерминации, отметим лишь, что сама интенсивная теоретическая разработка этой проблемы, какой бы дискуссионный характер она ни носила, лишь подчеркивает ее общенаучную значимость.
Большой вклад в обоснование представлений о детерминирующей роли цели внесла кибернетика. Как справедливо подчеркивает И. Т. Фролов, «программа, закодированная в физиологических системах, имеющих фиксированный акцептор результата действия, может выступать в качестве «предвосхищающей модели» еще не совершившегося действия, его результата. И заслуга кибернетики состоит прежде всего в том, что она показала возможность существования таких моделей в природе, дав новые направления понимания проблемы цели и целесообразности в общем диалектико-материалистическом и антителеологическом русле их научного объяснения. Там, где телеология видела идеалистически интерпретируемое действие «конечных причин» (вспомним учение Аристотеля о видах причинности), «разумных целей» и т. д., кибернетика установила материальные причинные отношения, причем она строго научно и в полном соответствии с дарвиновской теорией раскрыла более общие основания отношения целесообразности в природе как материального отношения. Тем самым она сохранила и рационализировала объективный смысл этого отношения, продолжив дело Дарвина в направлении исследования материальных причин целесообразности в природе.
[1] Фролов И. Т. Жизнь и познание. С. 148—149.
Страницы: 1 2 3 4 5 6
Источники и литература
- Кругликов Р. И. Принцип детерминизма и деятельность мозга. — М.: Наука, 1988. — 224 с.
Смотрите также
Статья «Понятие «детерминизм» в психологии личности» — Разное — Психологу
Егорова Елена 5.0
Отзыв о товаре ША PRO Анализ техники чтения по классам
и четвертям
Хочу выразить большую благодарность от лица педагогов начальных классов гимназии
«Пущино» программистам, создавшим эту замечательную программу! То, что раньше мы
делали «врукопашную», теперь можно оформить в таблицу и получить анализ по каждому
ученику и отчёт по классу. Великолепно, восторг! Преимущества мы оценили сразу. С
начала нового учебного года будем активно пользоваться. Поэтому никаких пожеланий у
нас пока нет, одни благодарности. Очень простая и понятная инструкция, что
немаловажно! Благодарю Вас и Ваших коллег за этот важный труд. Очень приятно, когда
коллеги понимают, как можно «упростить» работу учителя.
Наговицина Ольга Витальевна 5.0
учитель химии и биологии, СОШ с. Чапаевка, Новоорский район, Оренбургская область
Отзыв о товаре ША Шаблон Excel Анализатор результатов ОГЭ
Спасибо, аналитическая справка замечательная получается, ОГЭ химия и биология. Очень облегчило аналитическую работу, выявляются узкие места в подготовке к экзамену. Нагрузка у меня, как и у всех учителей большая. Ваш шаблон экономит время, своим коллегам я Ваш шаблон показала, они так же его приобрели. Спасибо.
Чазова Александра 5.0
Отзыв о товаре ША Шаблон Excel Анализатор результатов ОГЭ по
МАТЕМАТИКЕ
Очень хороший шаблон, удобен в использовании, анализ пробного тестирования занял считанные минуты. Возникли проблемы с распечаткой отчёта, но надо ещё раз
разобраться. Большое спасибо за качественный анализатор.
Лосеева Татьяна Борисовна 5.0
учитель начальных классов, МБОУ СОШ №1, г. Красновишерск, Пермский край
Большое спасибо за оперативное изготовление сертификатов! Все очень красиво. Мой ученик доволен, свой сертификат он вложил в портфолио. Обязательно продолжим с Вами сотрудничество!
Язенина Ольга Анатольевна 4.0
учитель начальных классов, ОГБОУ «Центр образования для детей с особыми образовательными потребностями г. Смоленска»
Отзыв о товаре Вебинар Как создать интересный урок:
инструменты и приемы
Я посмотрела вебинар! Осталась очень довольна полученной
информацией. Всё очень чётко, без «воды». Всё, что сказано, показано, очень
пригодится в практике любого педагога. И я тоже обязательно воспользуюсь полезными материалами вебинара. Спасибо большое лектору за то, что она
поделилась своим опытом!
Арапханова Ашат 5.0
ША Табель посещаемости + Сводная для ДОУ ОКУД
Хотела бы поблагодарить Вас за такую помощь. Разобралась сразу же, всё очень аккуратно и оперативно. Нет ни одного недостатка. Я не пожалела, что доверилась и приобрела у вас этот табель. Благодаря Вам сэкономила время, сейчас же составляю табель для работников. Удачи и успехов Вам в дальнейшем!
Дамбаа Айсуу 5.0
Отзыв о товаре ША Шаблон Excel Анализатор результатов ЕГЭ по
РУССКОМУ ЯЗЫКУ
Спасибо огромное, очень много экономит времени, т.к. анализ уже готовый, и особенно радует, что есть варианты с сочинением, без сочинения, только анализ сочинения! Превосходно!
Что такое вероятностные и детерминированные данные?
Детерминированные данные: информация о людях, которая точно известна.
![](/800/600/http/cf.ppt-online.org/files1/slide/o/osE8AO9h2nQlceFdvr6zTXjZ3pLNbxIt4g0JBU1fu/slide-12.jpg)
Детерминированные данные — это цифровые факты о людях, которым мы доверяем на 100 %. Важно отметить, что эти факты никогда не изменятся, и вероятность того, что они верны, всегда будет равна 100%, поэтому они обеспечивают прочную основу для множества приложений в онлайн-маркетинге. Например, если мы знаем из надежного источника, что в прошлом году человеку было 20 лет, то это всегда будет правдой. Мы даже можем проявить смекалку и сделать вывод, что в этом году это 21-летняя женщина. Знание истинного возраста и пола человека, безусловно, имеет большое значение для интернет-маркетологов. Помимо базовой демографической информации, детерминированные данные могут принимать бесконечно много форм, таких как интересы человека, друзья, географическое местонахождение и т. д. На практике все эти факты связаны с чем-то, что идентифицирует человека, например, с адресом электронной почты или идентификатором файла cookie. , который затем становится настоящим языком общения в индустрии онлайн-маркетинга.
Почему важно иметь детерминированные данные? В двух словах, детерминированные данные формируют «основную истину» о пользователях, которая полезна сама по себе и имеет множество важных приложений в онлайн-маркетинге. Сами по себе мы можем использовать детерминированные данные для создания детализированных пользовательских сегментов. Например, мы можем создать сегмент людей, которые, как мы знаем, разделяют интерес к гольфу. Теперь мы можем пойти дальше и нацелить этих любителей гольфа на соответствующие онлайн-кампании. Чем более детерминированные данные у нас есть, тем большие сегменты мы можем создать.
Другой вариант использования детерминированных данных — проверка кампаний. Рассмотрим этот вариант использования более подробно. После того, как кампания завершилась, интернет-маркетологи могут задаться вопросом, была ли кампания успешной. Удалось ли ему достичь своей целевой аудитории? Каково было соотношение попаданий и промахов? Насколько эффективна кампания по отношению к целевой группе на веб-сайтах отдельных издателей? На все эти вопросы можно ответить, если у нас есть детерминированные данные для достаточно большого подмножества открытых пользователей.
Наконец, прогнозирование — еще один важный вариант использования детерминированных данных. Прогнозирование включает в себя обоснованные предположения о свойствах пользователя, о которых мы не знаем из наших детерминированных данных. Например, мы можем попытаться угадать возраст, пол или интересы пользователя, чтобы создать вероятностные сегменты. Предсказание — это здорово и необходимо, но оно также является источником неточностей. Чем более детерминированные данные (вещи, которые вы знаете) у вас есть в качестве тренировочного набора для ваших алгоритмов, тем выше теоретически может быть достигнуто сочетание точности и охвата, что приведет к большему количеству показов, которые вы произведете. После обучения вероятностной модели вам также необходимо проверить, была ли модель успешной и требуется ли дополнительная настройка. Другими словами, у вас могут быть все поведенческие данные, которые может предложить Интернет, но без прочной базы детерминированных данных вы вряд ли сможете обеспечить точность своих прогнозов. Многие издатели будут разочарованно кивать на это, поскольку они столкнулись с тем, что их информационные продукты/партнеры не смогли помочь их бизнесу так, как они ожидали. Без большого объема детерминированных данных для проверки вашей модели вы работаете вслепую. Вот почему попытка предсказать сегменты аудитории на основе только поведенческих данных или небольших пулов пользовательских данных (например, опросов 1000 пользователей) очень затрудняет охват без ущерба для точности.
Вы можете спросить себя, откуда берутся все эти детерминированные данные? Ответ заключается в том, что детерминированные данные поступают из множества источников, включая онлайн-анкеты, сайты электронной коммерции и социальные сети. Например, веб-сайты часто просят своих пользователей заполнить анкеты с подробной информацией об уровне их удовлетворенности, а также с демографической информацией. Сайты электронной коммерции собирают информацию о людях с течением времени, например, о товарах, которые они купили, и о доставке. Социальные сети побуждают людей делиться фактами, то есть детерминированными данными, о себе, таких как их интересы, история занятости и уровень образования. Все эти данные поступают в конвейер детерминированных данных, которыми обмениваются различные платформы в Интернете либо напрямую, либо через сервисы, производные от данных. Крайне важно, чтобы мы продолжали критически относиться к источникам, из которых собираются детерминированные данные, поскольку мы продвигаем эти данные на уровень цифровых фактов о людях, что имеет большое значение для таргетинга, проверки кампаний и создания алгоритмических сегментов.
В заключение, детерминистические данные формируют ценную «основную истину» об онлайн-населении, на которой основаны все другие приложения в онлайн-маркетинге, если только мы не хотим строить предположения наугад. Хотя детерминированные данные представляют ценность сами по себе, например, в качестве основы для детальных пользовательских сегментов, они также формируют основу для таких приложений, как проверка кампании и вероятностные сегменты, которые потенциально предлагают гораздо больший охват, чем детерминированные сегменты. Мы собираем детерминированные данные с множества надежных онлайн-платформ, от сайтов электронной коммерции до социальных сетей и анкет. Мы помогаем издателям и агентствам проверять кампании, создавать пользовательские сегменты и делать точные прогнозы, предоставляя высококачественные панели детерминированных данных.
Вероятностные данные: информация о людях, полученная из математических моделей
Вероятностные данные об аудитории обычно основаны на поведенческих данных, таких как веб-журналы, которые собираются и анализируются для определения вероятности того, что пользователь принадлежит к определенной демографической категории или классу. Усовершенствованные алгоритмы пытаются идентифицировать определенные поведенческие модели, такие как определенные модели поведения при путешествиях и просмотрах, чтобы определить вероятность того, что пользователь является мужчиной или женщиной, молодым или старым и т. д. Многие поведенческие модели на самом деле ищут определенные модели известного человеческого поведения. Паттерны, которые обычно возникают из-за того, что люди являются существами привычки.
- Некоторые аудитории с большей вероятностью просматривают спортивные и автомобильные новости
- Некоторые аудитории чаще находятся в сети в определенное время дня/недели
- Некоторые аудитории владеют и используют определенные типы устройств
Все эти привычки создают отчетливые модели поведения, которые часто могут быть идентифицированы алгоритмически в анонимных файлах журналов. Преимущество использования вероятностного моделирования заключается в возможности масштабирования ваших моделей, поскольку вам больше не нужно полагаться на взаимодействие с первой стороной и людей, предоставляющих вам информацию о своем профиле, а также данные для входа, такие как имена пользователей и адреса электронной почты. Пока мы гарантируем получение правильных разрешений, пользователю не нужно входить в систему и предоставлять вам личные данные, прежде чем онлайн-поведение можно будет наблюдать, регистрировать и алгоритмически сопоставлять с определенной демографической целевой группой.
В то время как истинная сила вероятностного подхода заключается в его способности к масштабированию, его неотъемлемым недостатком часто является отсутствие детерминированных данных для фактической проверки точности модели. Возникает вопрос: откуда мы знаем, что наша модель верна? Ответ таков: мы можем проверить предсказанные профили, если у нас есть «наземная правда» для достаточного их подмножества. По этой причине детерминированные и вероятностные данные дополняют друг друга.
Вероятностное моделирование не работает с абсолютной точностью, но обеспечивает классификацию с определенной степенью достоверности. Другими словами, валидация необходима для документального подтверждения эффективности любой вероятностно-выведенной аудитории. Вот почему AudienceProject выбрала комбинированный подход, в котором бихевиористское моделирование используется для классификации анонимных пользователей по демографическим классам, а детерминированные данные используются для проверки точности и достоверности моделей, а также для итеративного улучшения наших бихевиористских моделей. Этот подход дает нам преимущество высокого уровня точности в сочетании с большим масштабом.
Подробнее см. в FAQ
На странице helpdesk.audiencedata.com вы можете прочитать FAQ и узнать, как настроить и использовать AudienceData. Если вы обнаружите, что что-то не описано в FAQ, свяжитесь с нами по адресу [email protected] — мы будем рады ответить на любой ваш вопрос.
Сочетание детерминизма и интуиции с помощью стратегий одномерного принятия решений для обнаружения целей с помощью мультисенсоров
Сочетание детерминизма и интуиции с помощью одномерных стратегий принятия решений для обнаружения целей с помощью мультисенсоров
- Эдвин Эль-Махасни 2
- Документ конференции
905 доступов
1 Цитаты
Часть серии книг IFIP «Достижения в области информационных и коммуникационных технологий» (IFIPAICT, том 331)
Abstract
Во многих системах наблюдения оператор должен принимать решение о наличии цели на основе выходных сигналов датчика. Здесь мы предполагаем, что такой оператор имеет в своем распоряжении два датчика, чтобы придать ему больше уверенности в процессе принятия решений. Кроме того, мы предлагаем несколько одномерных стратегий принятия решений, которые сочетают в себе характеристики датчиков, целевые вероятности и схемы вознаграждения вместе с детерминированными и интуитивными параметрами принятия решений оператором. Далее, используя неравенство Чебышева, мы разрабатываем метод выбора наиболее надежной стратегии, снижающей низкую производительность. Покажем на примерах, как разные стратегии будут более выгодными по сравнению с другими в зависимости от схемы вознаграждения и параметров датчика.
Ключевые слова
- Принятие решений
- Обнаружение цели
- Интуиция
Скачать документ конференции в формате PDF
Ссылки
Кляйн Г.: Интуиция в действии.
Даблдэй (2003)
Google ученый
Грин, Д.Г., Светс, Дж.А.: Теория обнаружения сигналов и психофизика. Издательство полуострова (1988)
Google ученый
Навалпаккам, В., Кох, К., Перона, П.: Homo Economicus в визуальных исследованиях. J. Vision 9(1), 36, 1–13 (2009)
CrossRef Google ученый
Адзума, Р., Дейли, М., Фурмански, К.: Обзор моделей принятия срочных решений и когнитивных процессов человека. В: Учеб. 2006 IEEE Aero. конф. (2006)
Google ученый
Хорвиц, Э., Барри, М.: Отображение информации для принятия срочных решений. В: Учеб. 11-я конф. о неопределенности в искусственном интеллекте, стр. 296–305 (1995)
. Google ученый
«>Андерсон, Дж.: Когнитивные архитектуры в рациональном анализе. В: ВанЛен, К. (ред.) Архитектуры для интеллекта, стр. 1–24. Lawrence Erlbaum Associates, Махва (19 лет)91)
Google ученый
Стрейкер, Д.: передумать. Сик Пресс (2003)
Google ученый
Фридман, С.: Обучение принятию более эффективных решений: изменение убеждений как прелюдия к действию. Качественные исследования рынка: обучающаяся организация 11(2), 110–128 (2004 г.)
Google ученый
Кристенсен, Р.: Дисперсионный анализ, план и регрессия: прикладные статистические методы. Чепмен и Холл, Бока-Ратон (1996)
МАТЕМАТИКА Google ученый
Кини, Р.Л., Райффа, Х.: Многоцелевые решения. John Wiley & Sons, Inc., Чичестер (1976)
МАТЕМАТИКА Google ученый
Ссылка на скачивание
Информация о авторе
Авторы и принадлежности
Дивизион ISR, Организация по обороне и технике, Эдинбург, SA, 5111, Австралия
Edwin El-Mahassni
Edwin El-Mahassni
.