Индуктивные методы научного познания. Индуктивный метод, его описание и особенности применения. Смотреть что такое "Метод индукции" в других словарях

1. Деятельность по формализации знаний о естественном языке на разных его уровнях с целью использования в компьютерных технологиях. 2. Область знаний, решающая проблемы общения человека и компьютера на естественном языке. 3. Широкая область использования компьютерных инструментов - программ, компьютерных технологий организации и обработки данных – для моделирования функционирования языка в тех или иных условиях, ситуациях, проблемных областях.

Искусственный интеллект – направление информатики, целью которого является разработка компьютерных систем, способных выполнять функции, традиционно считающиеся интеллектуальными, - понимание естественного языка, логический вывод, использование накопленных знаний, обучение, планирование действий и др.

3. Построение алгоритмов лингвистического анализа – разработка алгоритмов анализа естественно - языковых текстов на всех языковых уровнях: фонемном, морфемном, морфологическом, синтаксическом, прагматическом. Построение синтаксического дерева зависимостей (проект Автоматическая Обработка Текста)

4. Корпусная лингвистика – занимается разработкой, созданием и использованием текстовых (лингвистических) корпусов. Главная страница сайта Национального корпуса русского языка

5. Машинный перевод - направление научных исследований, связанных с построением автоматических систем перевода текстов с одного естественного языка на другой. Главная страница сайта Google- переводчик

6. Автоматическое реферирование – создание программ сжатого представления естественно - языковых текстов. Сервис построения реферата на сайте Визуальный мир

7. Полнотекстовый информационный поиск – разработка информационно - поисковых систем с лингвистическим анализом текстов информационного массива и запроса пользователя. Главная страница информационно - поисковой системы Яндекс

Компьютерные лингвисты занимаются разработкой алгоритмов распознавания текста и звучащей речи, синтезом искусственной речи, созданием систем семантического перевода и самим развитием искусственного интеллекта (в классическом смысле слова - как замена человеческому - он вряд ли когда-нибудь появится, но зато возникнут различные экспертные системы, основанные на анализе данных).

Алгоритмы распознавания речи будут все больше использоваться в быту - у «умных домов» и электронных приборов не будет пультов и кнопок, а вместо них будет использоваться голосовой интерфейс. Эта технология оттачивается, но вызовов еще много: компьютеру сложно распознать человеческую речь, потому что разные люди говорят очень по-разному. Поэтому, как правило, системы распознавания работают хорошо либо когда они натренированы на одного диктора и уже подстроены под его особенности произношения, либо когда количество фраз, которые может распознать система, ограничено (как, к примеру, в голосовых командах для телевизора).

У специалистов по созданию программ семантического перевода впереди еще много работы: на данный момент неплохие алгоритмы разработаны только для перевода на английский и с английского. Тут много проблем - разные языки по-разному устроены в семантическом плане, это различается даже на уровне построения фраз, и не все смыслы одного языка можно передать с помощью семантического аппарата другого. Кроме того, программа должна различать омонимы, правильно распознавать части речи, выбрать правильное значение многозначного слова, подходящее к контексту.

Синтез искусственной речи (например, для домашних роботов) - тоже кропотливая работа. Сложно сделать так, чтобы искусственно созданная речь звучала естественно для человеческого уха, ведь есть миллионы нюансов, на которые мы не обращаем внимания, но без которых все уже не «то» - фальстарты, паузы, заминки и т.д. Речевой поток непрерывен и одновременно дискретен: мы говорим, не делая паузы между словами, но нам нетрудно понять, где заканчивается одно слово и начинается другое, а для машины это будет большая проблема.

Самое большое направление в компьютерной лингвистике связано с Big Data. Ведь существуют огромные корпуса текстов типа новостных лент, из которых нужно вычленять определенную информацию - например, выделять инфоповоды или затачивать RSS под вкусы определенного пользователя. Такие технологии есть уже cейчас и будет развиваться дальше, потому что вычислительные мощности стремительно растут. Лингвистический анализ текстов используется и при обеспечении безопасности в интернете, поиске необходимой информации для спецслужб.

Где учиться на компьютерного лингвиста? У нас, к сожалению, довольно сильно разделены специальности, связанные с классической лингвистикой, и программирование, статистика, анализ данных. А для того, чтобы стать цифровым лингвистом, нужно разбираться и в том, и в другом. В зарубежных вузах есть программы высшего образования по компьютерной лингвистике, а у нас пока оптимальный вариант - получить базовое лингвистическое образование, а потом освоить основы IT. Хорошо, что сейчас есть много разных онлайн-курсов, к сожалению, в мои студенческие годы такого не было. Я училась на факультете прикладной лингвистике в МГЛУ, где у нас были курсы по искусственному интеллекту и распознаванию устной речи - но все-таки в недостаточном объеме. Сейчас IT-компании активно пытаются взаимодействовать с институтами. Мы с коллегами из «Лаборатории Касперского» тоже стараемся участвовать в образовательном процессе: читаем лекции, проводим студенческие конференции, даем гранты аспирантам. Но пока инициатива больше исходит от работодателей, чем от университетов.

Тимофеева Мария Кирилловна
Доктор филологических наук, старший научный сотрудник лаборатории логических систем Института математики им. С.Л. Соболева СО РАН, заведующая кафедрой фундаментальной и прикладной лингвистики Гуманитарного института НГУ. Закончила отделение математической лингвистики Гуманитарного факультета Новосибирского государственного университета.
Сфера научных интересов: философско-методологические основания лингвистики, логические проблемы семантики и прагматики естественного языка, функциональные математические модели естественного языка, естественные и формальные языки.

Стукачев Алексей Ильич
Кандидат физико-математических наук, доцент, старший научный сотрудник Института математики им. С.Л. Соболева СО РАН, доцент кафедры дискретной математики и информатики Механико-математического факультета НГУ, доцент кафедры фундаментальной и прикладной лингвистики Гуманитарного института НГУ
Сфера научных интересов: математическая логика, теория вычислимости (обобщенная вычислимость, вычислимость в допустимых множествах, HF-вычислимость), теория моделей (конструктивные модели, эффективные представления систем, степени представимости), вычислимый анализ. Математическая лингвистика: формальная семантика, семантика Монтегю, дистрибутивная семантика.

Барахнин Владимир Борисович
Ведущий научный сотрудник лаборатории информационных ресурсов Института вычислительных технологий СО РАН, профессор кафедры математического моделирования Механико-математического факультета НГУ, профессор кафедры систем информатики и общей информатики Факультета информационных технологий НГУ.
Сфера научных интересов: построение моделей распределенных информационных систем, создание алгоритмов обработки слабоструктурированных текстовых документов, автоматизация комплексного анализа поэтических текстов, методологические вопросы информатики.

Бручес Елена Павловна
Аспирант Института системы информатики им. А. П. Ершова СО РАН, ассистент кафедры фундаментальной и прикладной лингвистики Гуманитарного института НГУ, компьютерный лингвист в компании "OnPositive".
Сфера научных интересов: обработка естественных языков, машинное обучение, искусственный интеллект.

Павловский Евгений Николаевич
Кандидат физико-математических наук, член Совета молодых учёных и специалистов при Правительстве НСО, член экспертного совета Технопарка новосибирского Академгородка, председатель оргкомитета конференции Siberian Symposium on Data Science and Engineering.
Профессиональная цель: систематизация подходов к формализации бизнес-требований в проектах больших данных.

Пальчунов Дмитрий Евгеньевич
Ведущий научный сотрудник Института математики им. С. Л. Соболева СО РАН, заведующий кафедрой общей информатики НГУ, заведующий отделом "Институт дискретной математики и информатики" Механико-математического факультета НГУ.
Сфера научных интересов: Получены основополагающие результаты по исследованию булевых алгебр с выделенными идеалами (I-алгебр).

Свириденко Дмитрий Иванович
Сотрудник Института математики СО РАН и НГУ, бизнесмен, организатор и совладельц высокотехнологичных компаний, работающих в области информационных, коммуникационных и цифровых технологий. Принимает участие в исследованиях по семантическому моделированию, финансируемых грантом РНФ.
Сфера научных интересов: философия, методология, прикладная математическая логика. Автор концепции и математической теории семантического моделирования, выдвинутой совместно с академиками РАН С.С.Гончаровым и Ю.Л.Ершовым в 80-е годы прошлого столетия. В настоящее время продолжает активно развивать методологию и математическую теорию данной концепции, а также занимается приложениями этой концепции к различным областям. Работает над созданием методологии, математической теории, и языка семантических умных сделок и контрактов, применением идей семантического моделирования применительно к ТРИЗ и другим областям.

Савостьянов Александр Николаевич
Ведущий научный сотрудник в лаборатории дифференциальной психофизиологии Научно-исследовательского института физиологии и фундаментальной медицины, заведующий лабораторией психологической генетики Института цитологии и генетики СО РАН, профессор кафедры общей информатики Факультета информационных технологи НГУ, профессор кафедры фундаментальной и прикладной лингвистики гуманитарного института НГУ.
Научные интересы: нейрофизиология, психогенетика, нейролингвистика, методы компьютерной обработки биологических сигналов. Исследования направлены на выявление факторов риска появления и развития аффективных патологий у человека в зависимости от социальных и климатических условий жизнедеятельности. В рамках исследований проводятся экспедиции в различные регионы России (Новосибирская область, Тыва, Якутия, Республика Алтай) и соседних стран (Монголия, Китай) для сбора биологического материала и коллекции ЭЭГ-записей в различных экспериментальных условиях. Целью исследований является создание диагностических систем, позволяющих оценить риск нарушения эмоционального регулирования поведения человека в условиях повышенной стрессогенной нагрузки.

Дедуктивный и индуктивный методы выражают принципиально важную особенность процесса обучения. Она состоит в способности раскрывать логику содержания материала. Применение этих моделей представляет собой выбор определенной линии раскрытия сути темы - от общего к частному и наоборот. Рассмотрим далее, что собой представляют дедуктивный и индуктивный метод.

Inductio

Слово индукция происходит от латинского термина. Он означает переход от конкретного, единичного знания об определенных предметах класса к общему умозаключению обо всех родственных объектах. Индуктивный метод познания базируется на данных, полученных в ходе эксперимента и наблюдений.

Значение

Индуктивный метод занимает особое место в научных мероприятиях. Он включает в себя в первую очередь обязательное накопление экспериментальной информации. Эти сведения выступают как база для дальнейших обобщений, оформленных в виде научных гипотез, классификаций и так далее. Вместе с этим необходимо отметить, что таких приемов часто оказывается недостаточно. Это обуславливается тем, что умозаключения, полученные в ходе накопления опыта, нередко оказываются ложными при возникновении новых фактов. В этом случае используется индуктивно-дедуктивный метод. Ограниченность модели изучения "от частного к общему" проявляется также и в том, что сведения, полученные с помощью нее, сами по себе не выступают как необходимые. В этой связи индуктивный метод должен дополняться сравнением.

Классификация

Индуктивный метод может быть полным. В этом случае умозаключение делается по результатам изучения абсолютно всех предметов, представленных в определенном классе. Также существует неполная индукция. В этом случае общий вывод является результатом рассмотрения только некоторых однородных явлений или объектов. В связи с тем, что в реальном мире изучить все факты не представляется возможным, используется неполный индуктивный метод исследования. Выводы, которые делаются при этом, отличаются вероятным характером. Достоверность умозаключений повышается в процессе подбора довольно большого числа случаев, относительно которых выстраивается обобщение. При этом сами факты должны быть различными и отражать не случайные, но существенные свойства объекта изучения. При соблюдении этих условий можно избежать таких распространенных ошибок, как поспешность умозаключения, смешивание простой последовательности событий с причинно-следственными связями между ними и так далее.

Индуктивный метод Бэкона

Он представлен в работе "Новый Органон". Бэкон был крайне недоволен состоянием наук в свой период. В этой связи он решил обновить приемы изучения природы. Бэкон полагал, что это позволит не только сделать надежными существующие науки и искусства, но и даст возможность открыть новые, неизвестные человеку дисциплины. Многие ученые отмечали незавершенность и смутность изложения концепции. Существует распространенное заблуждение о том, что индуктивный метод в "Новом Органоне" представлен в качестве простого пути изучения от конкретного, единичного опыта к общезначимым положениям. Однако такая модель использовалась и до создания этого труда. Бэкон в своей концепции утверждал, что никто не сможет отыскать природу объекта в нем самом. Изучение необходимо расширять до масштаба "общего". Объяснял он это тем, что элементы, скрытые в одних вещах, могут иметь обычную и явную природу в других.

Применение модели

Индуктивный метод достаточно широко используется в школьном образовании. К примеру, учитель, объясняя, что такое удельный вес, для сравнения берет различные вещества в одном объеме и взвешивает. В данном случае имеет место неполная индукция, поскольку в разъяснении участвуют не все, а только некоторые объекты. Также широко модель используется в опытных (экспериментальных) дисциплинах; на ее базе построены и соответствующие им учебные материалы. Здесь следует дать некоторые разъяснения по терминам. В предложении слово "опытный" используется в качестве характеристики эмпирической стороны науки по аналогии с таким понятием, как "опытный образец". В данном случае образец не набирался опыта, а участвовал в эксперименте. Индуктивный метод применяется в младших классах. Дети в начальной школе знакомятся с разными природными явлениями. Это позволяет обогатить их еще небольшой опыт и объем знаний об окружающем мире. В старших классах полученные в начальной школе сведения выступают в качестве базы для усвоения обобщающих данных. К индуктивному методу обращаются тогда, когда необходимо показать закономерность, характерную для всех объектов/явлений одной категории, но доказательства ее предложить еще нельзя. Использование этой модели позволяет сделать обобщение очевидным и убедительным, представить вывод как вытекающий из изученных фактов. Это и будет являться своего рода доказательством закономерности.

Специфика

Слабость индукции состоит в том, что она требует большего времени для рассмотрения нового материала. Эта модель изучения в меньшей степени способствует совершенствованию абстрактного мышления, поскольку основывается на конкретных фактах, опыте и прочих данных. Индуктивный метод не должен становиться универсальным в обучении. Согласно современным тенденциям, предполагающим увеличение в образовательных программах объема информации теоретического характера и введение соответствующих моделей изучения, повышается значение и прочих логистических форм преподнесения материала. В первую очередь возрастает роль дедукции, аналогии, гипотезы и прочих. Рассмотренная же модель эффективна тогда, когда информация носит, преимущественно, фактический характер или связана с формированием понятий, суть которых может стать ясной только при таких рассуждениях.

Deductio

Дедуктивный метод предполагает переход от общего вывода о предмете определенного класса к частному, единичному знанию об отдельном объекте из этой группы. Его можно применять для предугадывания еще не наступивших событий. В качестве основы в этом случае выступают общие изученные закономерности. Дедукция широко используется при доказывании, обосновании, проверке предположений и гипотез. Благодаря ей были сделаны важнейшие научные открытия. Дедуктивный метод исполняет важнейшую роль при формировании логической направленности мышления. Он способствует развитию умения использовать известные сведения в процессе усвоения нового материала. В рамках дедукции каждый конкретный случай изучается как звено в цепи, рассматривается их взаимосвязь. Это позволяет получить данные, которые выходят за рамки исходных условий. Используя эти сведения, исследователь делает новые умозаключения. При включении исходных объектов во вновь появляющиеся связи, открываются неизвестные ранее свойства предметов. Дедуктивный метод способствует применению полученных знаний на практике, общих теоретических положений, которые носят исключительно абстрактный характер, к конкретным событиям, с которыми людям приходится встречаться в жизни.