本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2024-03-12
摘要
人類如何準確地處理知識、語言、音樂和社會中資訊關係的模式尚不清楚。統計學習領域的先前工作已經證明，人類透過建立底層網路結構的內部模型來處理此類資訊。然而，由於人類資訊處理的限制，這些心智圖往往不準確。這種限制的存在提出了明確的問題：給定一個希望人類學習的目標網絡，應該向人類呈現什麼樣的網絡？應該簡單地以原樣呈現目標網絡，還是應該強調網絡的某些部分以主動減少學習中的預期錯誤？為了研究這些問題，我們研究了人類學習計算模型中網路可學習性的最佳化。透過評估一系列合成網絡和現實網絡，我們發現透過加強模組或集群內的連接可以增強可學習性。相反，當網路包含顯著的核心-外圍結構時，我們發現透過增強低度節點之間的外圍邊緣可以最好地優化可學習性。總的來說，我們的研究結果表明，透過有針對性地強調和取消強調規定的資訊部分，可以系統地提高人類網路學習的準確性。