دانلود مقاله الگوهای پیوند گرای استدلال اجتماعی و رفتار اجتماعی

جدول مطالب درک شخصی و اطلاعات موجود در زمینه احساس و درک 1- درک کردن مردم، مکانیسم وابستگی Paul Thagard & Zira kunda 2- تلاشی پویا برای ساخت معنی، نوعی فعالیت تعاملی و مدل رقابتی درک اجتماعی Stephen J.

Read & Lynn C.

Miller تصور قالبی و دسته بندی اجتماعی 3- محرک های شکل گیری برداشت های گروهی: ساخت مدلی از یادگیری مقوله‌های شکل گرفته بر پایه رفتارهای اجتماعی .

Yoshihisakashima, Jodie woolcock & Deborah king 4-درک ضروری و تصور قالبی: شبیه سازی با استفاده از مثالهای ارائه شده در یک شبکه پیوند گرای رارتجاعی.

Eliot R.

sinith & Jamie decoster استدلال های غیر ضروری 5-یک دسدگاه پیوندگرا در زمینه انساد غیر ضروری Ficnik van overwalle & Dirk von Rooy شخصیت و رفتار 6-شخصیت شامل یک شبکه فعالیتی پایدار حاصل از رفتاهرا یشناختی- عاطفی می‌باشد.

الگوهای شخصیتی تغییرات رفتاری از ساختار پایدار شخصیتی بوجود می آید.

Yuichi Shoda & walter mischel دیدگاه ها و عقاید 7-میله هماهنگ کاهش ناهماهنگی thomas R.Shultz & mark R.

lepper 8-در زمینه یکپارچگی موارد علمی و اجتماعی: مشاهده (بررسی)، مدل سازی و ترفیع دادن هماهنگی تبیینی استدلال.

Micheal Ronney & patricia schank نفوذ اجتماعی و عملکرد متقابل گروهی 9-در رمینه روانشانسی اجتماعی: و شبکه عصبی، مدل هایی از نیروهای درون فردی 10-دیدگاهها، عقاید و سایر مطالب موجود در این زمینه: اظهارات ارائه شده در زمینه سیستم های سازماندهی شده فردی.

Richard Eiser, mark J.A.

claessen, Janathan J.

مقدمه stephen J.

Read & lynn corol miller مدل های شبکه عصبی که مدل های پیوند گرا نیز نامیده می شوند به نظر می رسد که نشان دهنده یک تغییر الگویی در روانشناسی شناختی، علم شناخت و هوش مصنوعی می باشند.

این مدل ها ایده ما را که تصور می کنیم ذهن همانند یکگ کامپیوتر عمل می کند به کل تغییر می دهد و در عوض مدل های مغزی بسیاری در زمینه عملکرد ذهن در اختیار ما قرار می دهد که این مدل ها نشان می دهند که احتمالاً می توان مدل‌های بسیار خوبی از عملکرد شناختی را از طریق عصب های ساده نظیر واحدهای عصبی تهیه نمود.

این بدان معنا می باشد که ما می توانیم مدل هایی از ذهن را که از واحدهای عملکردی مشابه به واحدهای فیزیکی تشکیل شده است تهیه نمائیم که نشان دهنده یک مغز واقعی می باشد.

این دیدگاه سبب به وجود آمدن یک بینش جدید در زمینه عملکرد ذهن و عملکرد متقابل آن در برابر محیط گردید.

جای بسی تعجب است که با وجود اهمیت این مدل ها تا همین اواخر هم روانشناسان علوم اجتماعی توجه بسیار کمی به آنها مبذول داشته اند.

این مدل ها به طور مستقیم به ویژگیهای اساسی درک اجتماعی و عملکردهای متقابل اجتماعی می پردازند: انسجام همزمان موارد اطلاعاتی چندگانه و قالب زمانی کاملاً کوتاهی که این عملکردهای در درون آن شکل می گیرند.

هر عملکرد دنیوی درک اجتماعی حاصل از عملکرد متقابل و همزمان موارد اطلاعاتی چند گانه می باشد.

که این بدان معنا می‌باشد که هر یک از موارد اطلاعاتی به طور متقابل بر روی شکل گیری و معنای سایر موارد اطلاعاتی تأثیر گذار می باشد.

علاوه بر این و این عملکرد متقابل در چنان چهارچوب زمانی کوتاهی رخ می دهد که بسیار کوتاهتر از هر چهار چوب زمانی موجود در عملکردهای متقابل منطقی می باشد.

بنابراین اکثر درک اجتماعی باید به صورت مشابه رخ دهد و هر دفعه این موارد از ویژگیهای اساسی مدل های شبکه عصبی می باشند.

روانشناسان اجتماعی که این مدل ها را نادیده گرفته اند به دلیل دیگری متعجب می باشند.

همانطور که Read, Vanman & Miller در سال 1997 نشان دادند تشابهات بسیار مهمی میان ویژگیهای این صله ها و اصول Gestalt وجود دارند، اصولی که پایه تئوری بسیاری از روانشناسی های اجتماعی جدید را شکل می دهند.

با وجود این اخیراً به نظر می رسد که علاقه بیشتری به استفاده از این مدل های پدیده اجتماعی نشان داده شده است.

این کتاب کلیه مطالب موجود در این زمینه را دور هم گرد آورده است.

این کار به خوانندگان کمک می کند تا با شکل گیری این دیدگاههای جدید آشنا شوند و تئوریهای بسیاری از این مدل ها را دریابند.

هریک از فصل های این کتاب به بررسی یک مدل پیوندگرا از یک مشکل اصلی در زمینه روانشناسی اجتماعی می پردازد.

از آنجائیکه اکثر مؤلفان از یک سیستم مهندسی استاندارد استفاده می کنند می توانند برای مولد خود از یک برنامه کامپیوتری خاص و یا سیستم های موجود و در دسترس عموم استفاده نمایند تا خوانندگان مشتاق با کمترین کار به مدل های مورد نظر خود دسترسی پیدا کنند.

مؤلفان در این زمینه تعدادی از مطلب اساسی روانشناسی اجتماعی را مد نظر قرار داده و نشان می دهند که چگونه این مدل ها سبب شکل گیری یک درک و بینش جدید از برخی مسائل اصلی می گردند.

علاوه بر این بسیاری از فصل های این کتاب سرنخ هایی را بدست می دهد که این دیدگاه بذرهای شکل گیری یک تئوری جدید را بوجود می آورند که سالهاست در این زمینه مورد غفلت قرار گرفته است.

Smith & decoster و Woolcock & kashima و king مدل هایی از یادگیری و کاربرد مقوله های اجتماعی و تصورات قالبی بوجود آوردند.

Thagard &kunda، van qureall & Miller و van rooy مدل هایی از منطق، استدلال، پدیده های اجتماعی و درک شخصی را مورد توصیف قرار دادند.

شودا و میشل مدلی از شخصیت و رفتار اجتماعی ارائه نمودند.

شالتز و لیچر نشان داد که چگونه یک مدل شبکه عصبی می تواند پدیده های ناهماهنگ را در برگیرد.

در نهایت Nowak &vallacher، Eiser، claessen و loose نشان دادند که اینها تنها مدل هایی از شناخت فردی نیستند بلکه همچنین می توانند جنبه های بسیار مهم نفوذ اجتماعی و عملکردهای مقابل گروهی را نیز در بر گیرند.

مدل های پیوندگرا در زیر ما به شرح مختصری از مدل های پیوندگرا می پردازیم.

ما یک محدوده وسیعتر را در نظر گرفته بودیم با وجود این مقدمه های بسیار خوبی در دسترس می باشند که برخی روانشناسی های شناختی را در بر می گیرند و دو مقدمه شکل گرفته اخیر روانشناسی های اجتماعی را مورد توجه قرار داده اند.

بنابراین تکرار آنچه که قبلاً گفته شده است و به صورت معضل در جایی دیگر شرح داده شده است بی مورد می‌باشد.

به نظر می رسد که هنوز هم به جز دو نسخه چاپ شده توسط Rumelhart& Ncclelland و گروه تحقیقی PDP مقدمه بهتری در زمینه مدل های شبکه عصبی و کاربردهای روانشناسی آنها به چشم نمی خورد.

سایر منابع بسیار خوب برای روانشناسی اجتماعی شامل موارد زیر می باشند: کتاب چاپ شده Anderson که چندی پیش منتشر گردید، کتاب های Bechtel و Abrahamsen که در کنار مطالب چاپ شده گروه تحقیق PPP در بازار موجود می باشند.

اخیراً نیز Vanman & Miller, Smith & Read بر روی کاربردهای چنین مدل‌هایی برابی مشکلات موجود در روانشناسی اجتماعی متمرکز شده اند.

علاوه بر این رید، ون من و میلر به بحث در زمینه اصولی پرداخته اند که پایه های تئوری بسیاری از اصول روانشناسی اجتماعی جدید را تشکیل داده اند.

مدل سازی پیوندگرا به صورت یکسری فعالیت ها که به صورت مشابه میان واحدهای ساده و عقب مانده عمل می کنند در امور مربوط به شناخت و درک دخیل می باشند.

مهمترین اجزای این مدل ها عبارتند از: 1-واحدهای عملکردی ساده یا گره ها، که فعالیت های ورودی را جمع آوری می کند و با پیروی از یک معادله خاص این فعالیت های حاصله را به گره هایی که به آنها متصل می باشد ارسال می دارد.

2-معادله هایی که تعیین کننده عملکرد هر یک از گره ها در یک نقطه زمانی می باشد که این امر بر پایه فعالیت هایی که از سایر گره ها وارد می شوند تعیین می گردد.

3-اتصالات وزنی میان گره ها که وزنها بر روی چگونگی انشعاب این فعالیت ها تأثیرگذار می باشند.

4-یک قانون یادگیری که معین می سازد چگونه وزن ها در پاسخ به تجربه تغییر می کنند، گرچه اختلافاتی (تفاوت هایی) در مدل های شبکه عصبی به چشم می خورد ولی ما در اینجا تنها به ذکر 2 نمونه از این تفاوت ها اکتفا می نمائیم.

اول اینکه آیا روابط فیدیک(پیش زمینه ای) در میان گره ها وجود دارد یا خیر.

در شبکه های انتقال تغذیه واحدها دارای اتصالات غیر مستقیمی می باشند که دارای هیچگونه فید بک یا رابطه ای در این زمینه نمی باشد.

شبکه به صورت لایه لایه شکل گرفته است که ورودیهای غذایی به درون لایه های درونی انتقال داده می شوند و در نتیجه یکسری فعالیت ها به صورت عرق در لایه بالایی شکل می گیرند.

ساده ترین مدل این شبکه دارای 2 لایه می باشد یک لایه درونی و یک لایه بیرونی، گرچه لازم به ذکر است که شبکه های پیچیده تر ممکن است دارای لایه های نهفته دیگر مد نیز باشند.

شبکه هایی با لایه های پنهانی نظیر شبکه انتشار معکوس دارای قدرت محاسبه ای بیشتری می باشند.

یک مثال بسیار خوب از شبکه انتقال تغذیه می باشد که در آن سیستم دارای یک ارتباط اختیاری میان یک ورودی که به شکل الگوی فعالیت در لایه ورودی ظاهر می شود و یک الگوی شکل گرفته در لایه خارجی می گردد، چنین شبکه هایی می توانند یاد بگیرند که موارد را دسته بندی نمایند یا به مواد مختلف نامهای متفاوتی بدهند.

در عوض در شبکه های فیدبک یا شبکه های تعاملی تنها برخی از اتصالات به صورت دو جانبه به هم متصل می باشند که منجر به ارتباطات فید بک می شود و فرآیندها به طور پویا همگی در یکسری چرخه های بزرگ صورت می پذیرند.

گره های موجود در این شبکه ها دارای یک فعال سازی مینیموم و ماکسیسمم می باشد (که معمولاً از 0 تا 1 یا از 1- تا 1 می باشد) از آنجائیکه فعال سازی واحدها به سمت مجانب ها پیش محدود فعال سازی گره ها چندین بار جدید می شود و از آنجائیکه این سیستم در جهت تعیین راه حلی برای یک ورودی خاص می باشد این کار باید صورت پذیرد.

در عوض در شبکه هایی که تغذیه را جا به جا می سازند فعال سازی تنها یک بار تجدید می گردد.

به خاطر روابط فیدبک موجود می توان گفت که شبکه های فید بک یا تعاملی سیستم های پویایی هستند که عملکرد آنها در طی زمان شکل می گیرد.

در نتیجه آنها دارای ویژگیهای مفید و جالب توجه می باشند که جزو ویژگیهای شبکه های تغذیه رسان نمی باشند.

یکی از مفیدترین ویژگیهای چنین شبکه ای این است که آنها به صورت سیستم های محدود و مشابهی عمل می کنند که هدف آنها تنظیم فشارهای همزمان در میان اجزای یک شبکه می باشد.

اکثر شبکه های ارائه شده در این کتاب، شبکه های فیدبک می باشند، قابلیت های تنظیم فشار شبکه ها از جمله جنبه های اساسی مدل ها می باشند.

دومین تفاوت مهم در میان مدل ها این است که آیا مفاهیم دارای یک بازنمایی موضعی می باشند یا خیر.

در یک بازنمایی موضعی یک مفهوم و یا شاید کل یک مطلب توسط سک گره ارائه داده می شود.

در عوض در یک بازنمایی گسترده یک مفهوم توسط الگوی فعال سازی گروهی از گره ها اراده داده می شوند.

گرچه برخی محققان معتقدند که بازنمایی گسترده نوعی ویژگی تعیین کننده پیوندگرایی می باشد اما ما در اینجا دیدگاه گروهی از محققان را در نظر می گیریم که معتقدند بازنمایی که یک شخص باید بکار برد باید وابسته به مطلب مورد نظر خود باشد.

هرکدام از این بازنمایی ها نقاط ضعف و نقاط قوت مربوط به خودشان را دارند.

ما در اینجا به ذکر 3 نمونه از ومزیت های بازنمایی گسترده می پردازیم.

اول اینکه چنین بازنمایی بیشتر احتمال دارد که با تلاش های صورت گرفته در زمینه مدل سازی ذهن با استفاده از واحدهای شبیه عصب هماهنگ باشد و به احتمال زیاد برای شواهد ما مناسب تر می باشد.

دوم اینکه بازنمایی گسترده دارای ویژگی مطبوع تنزل می باشد.

این بدان معنا می باشد که فقدان تعداد کمی از عصب ها تأثیر بسیار کمی بر روی قابلیت بازنمایی چنین مدلی دارد.

در عوض در یک مدل موضعی از دست رفتن یک عصب منجر به مختل شدن عمل بازنمایی مولد می شود.

سوم اینکه از دست رفتن یک بازنمایی گسترده میزان شباهت ورودی ها را محاسبه می کند.

این بدان معنا می باشد که چنانچه بردارهای فعال سازی نشان دهنده ورودیهای متفاوت بر حد کافی شبیه هم باشند در شبکه یک بازنمایی مشترک را دریافت خواهند نمود.

با وجود این باید گفت که مولدهای موضعی نقاط قوت مربوط به خودشان را دارند که عکس برخی از نقاط ضعف مدل های گسترده می باشد.

اول اینکه مدل های موضعی اغلب بیشتر قابل تفسیر می باشند چرا که هر مفهوم مربوط به یک گره خاص می‌باشد.

در عوض در یک بازنمایی گسترده از آنجائیکه هر مفهوم وابسته به الگوی فعال سازی یک گروه از گره ها می باشد تفسیر ویژگیهای هر مدل کار مشکلی می باشد.

یک مدل ساده با 20 مفهوم را در نظر بگیرید.

در یک مدل موضعی تنها 20 واحد و یک جدول وزن 20*20 مورد نیاز می باشد اما در عوض تصور کنید که ما یک مدل بازنمایی گسترده داریم که در آن هر مفهوم با 20 عضو نشان داده شده است.

در این مدل نیاز به 400 واحد و یک جدول وزن 400*400 داریم.

مدل گسترده 400 تا از هر وزن را دارا می باشد و چنانچه مدل بزرگ تر شود مشکل ما نیز بزرگ تر خواهد شد.

مسئله دیگر این است که آیا یک شخص باید از بازنمایی موضعی استفاده کند تا از بازنمایی گسترده.

تصور کنید که یک شخص در حال تهیه یک مدل شناخت بالا می باشد مدلی نظیر مدل استدلال منطقی، تفرسی و یا همسانی شناخت.

در چنین مدل‌هایی جزءبیشتر به روابط میام مفاهیم توجه دارد مفاهیمی مانند روابط تلویحی یا غیر مهم.

و اغلب مکانیسم تئوری کلیدی تنظیم همسان موانع متقابل میان مفاهیم می‌باشد..

در چنین مواردی، به نظر می رسد که الگوی فعال سازی یک مجموعه از عصب ها می تواند بدون فقدان و هرگونه نیروی تئوری چنانچه مربوط به یک گره باشد ترسیم شود.

در چنین مواردی استفاده از یک بازنمایی گسترده ممکن است چندین مفید واقع نشود و هزینه های زیادی را نیز در بر خواهد داشت.

بنابراین ما معتقدیم که انتخاب بازنمایی توسط یک فرد بستگی به مطلب مورد نظر دارد.

چنانچه نوعی تنزل مطبوع مورد اهمیت باشد و یا چنانچه فردی به دنبال مسائل یادگیری مفاهیم و یا دسته بندی آنها باشد که از حساسیت و شباهت زیادی برخوردار است بنابراین یک بازنمایی گسترده مورد نیاز می باشد.

در فصل های متفاوت این کتاب برخی از شرایطی که تحت آنها هر یک از مدل های بازنمایی مناسب تر می باشند مورد بحث قرار گرفته اند.

برای مثال مؤلفان بسیار زیادی نظیر Smith، Decoster، Kashima، woolcock، king علاقه زیادی به یادگیری مفاهیم و اجزای ویژگیها و صفات دارند.

در این گونه موارد بازنمایی گسترده از اهمیت بسیار زیادی برخوردار می باشد.

با وجود این فصل های دیگر کتاب نظیر فصل Shultz و lepper، مدل روابط رفتاری- شخصیتی Shoda، mischel و فصل Thagard, kunda در زمینه نقش پیوستگی همگی تا حد زیادی نشان دهنده تمایل آنها به مفاهیم روزند کار در شبکه های گرنده می باشد که چنین شبکه هایی بعنوان سیستم هایی برای تنظیم مشابه چندین مانع همزمان عمل می کنند.

مروری بر کتاب ما 2 راه احتمالی را برای دسته بندی فصل های موجود در این کتاب انتخاب کرده ایم: 1-برحسب شیوه شبکه عصبی اساسی مورد استفاده قرار گرفته و یا، 2-برحسب موضوع های خاصی که مورد بررسی قرار گرفته است.

که انتخاب نهایی ما گزینه دوم بود، چرا که فرضیه ما این بود که اکثر خوانندگان علاقه مند به موارد و موضوعات خاصی می باشند و اینکه دیدگاههای محققان در این مورد خاص چه می‌باشد.

با وجود این در توصیف های بعدی فصل های دیگر به طور خلاصه اشاره ای به نوع مدل مورد استفاده قرار گرفته نموده ایم.

نکته جالب این است که بگوئیم 8 تا از 10 فصل این کتاب از یک شیوه فیدبک یا گردنده استفاده کرده اند در حالی که 3 تا از آنها یک شیوه feed back بکار برده اند.

بنابراین در اینجا به مروری از کل 10 فصل می پردازیم.

Thagard& Kunda معتقدند که مکانیسم های به هم پیوسته نقش بسیار مهمی در 3 مرحله متفاوتی ایفا می کنند که افراد توسط آنها رفتارهای سایرین را درک می نمایند: 1-چگونه با برخی مفاهیم نظیر صفات و ویگیها را برای برداشت منظور دیگری درک می نمائیم.

2-چگونه رفتارعای دیگران را توصیف می کنیم و 3-چگونه از تمثیل هایی استفاده می نمائیم که دیگران را با رفتارهای اشخاص آشنا سازیم.

آنها کار خود را در این 3 زمینه مرور نمودند.

اول، آنها مولد شکل گیری برداشت اخیر خود را توصیف نمودند و توضیح دادند که این مولد چگونه می تواند با تغییر در معنی، مفاهیم در طی شکل گیری یک عقیده چنین پدیده ای را بوجود آورد.

دوم اینکه آنها به بحث در زمینه مدل Thagard در زمینه پیوستگی تبیینی و مفاهیم آن در مورد درک موارد اجتماعی پرداخته اند.

سوم اینکه آنها به توصیف کار holyoak و thagard در زمینه مدل های جبران محدودیت ها و موانع در مورد نتیجه گیریهای قیاسی و بازیابی شباهن ها پرداختند و در زمینه کاربردهای احتمالی آنها در برخی موارد درک اجتماعی نظیر مقایسه اجتماعی، استفاده از خود فرد به عنوان مدلی برای درک دیگران و استفاده از والدین و دوستان برای درک آگاهی های جدید به بحث و تبادل نظر پرداختند.

آنها همچنین این احتمال را که این 3 نوع مکانیسم پیوسته در تلاش واقعی ما برای درک رفتارهای موجود در تعادلات اجتماعی بکار گرفته می شوند را بررسی نمودند.

در نهایت آنها با پیروی از تمرکز کاری بر روی شناخت اجتماعی میزان کنترل شدن هر یک از این روندهای متفاوت را مورد بررسی قرار دادند.

Read& Miller یک مدل فعال سازی از درک اجتماعی ارائه نمودند که مولد آنها بر پایه کار MC clelland & Rumelhart در زمینه درک گفتار شناخت کلمات شکل گرفته بود.

این مدل یک شبکه فید بک با گره هایی می باشد که در چندین لایه قرار گرفته است که هر لایه خاصی را انجام می دهد و نتایج را به مراحل بالاتر می فرستد.

یکی از موارد جالب توجه در زمینه این مدل این است که نه تنها این لایه ها، نظیر بررسی مشخصه ها، ارسال فعالیت ها به مراحل بالاتر نتایج را به مرحله بالاتر ارسال می دارند بلکه حتی لایه های بالاتر نیز می توانند بر روی لایه های پائین تر تأثیر می گذارند.

برای مثال یک گره ویژگی بسیار محرک می تواند این فعال سازی را دوباره به گره ها باز گردانند.

Read&Miller یک شبکه چهار لایه ای ارائه نمودند که هر لایه فعال سازی را به لایه بالایی ارسال می دارد و در عوض فعال سازی را از لایه بالاتر دریافت می دارد.

در یک چنین مدلی گره ها می توانند به عنوان فرضیه هایی درباره حضور یا عدم حضور مفهوم پاسخ دهنده، فرضیه های حامی دارای اتصالات تحریکی به حساب آیند.

اولین لایه این مدل متشکل از گره هایی است که نسبت به ویژگیهای بشر، اهداف و رفتارها حساس می باشند.

فعال سازی از این لایه به یک لایه شناسایی انتقال پیدا می کند، که در این لایه ویژگیهای فردی برای تشخیص عوامل اجتماعی، اهداف و رفتارها بکار می رود.

عوامل، اهداف و رفتارها در این لایه شناخته شده و سپس در یک بازنمایی منسجم از عملکرد اجتماعی در لایه سوم جمع می شوند که این لایه سوم stay یا Scenario می باشد.

یک جنبه اصلی مدل Read& Miller پیشنهاد این مطلب است که مفاهیم اجتماعی در این سطح بر صورت ساختارهای بر پایه یک چهارچوب یا واحدهایی ارائه داده می شوند که طی آنها هر عملی حول محور یک فعل یا یک واحد عملکردی می باشد که نقش های متفاوت را مشخص می سازد.

در نهایت اطلاعات بدست آمده از لایه Story برای ورود به معنای عملکرد متقابل در سطح معنایی یا مفهومی بکار برده می شوند.

این مدل به طور طبیعی اصول متفاوتی را در زمینه پیوستگی تبیینی ارائه می دهد که نشان داده اند که در استدلال اجتماعی نقش مهمی ایفا می کنند.

Read& Miller همچنین برخی از مفاهیم چنین مدل های فید بک یا جاذبی را برای یادگیری مفاهیم اجتماعی و ترکیب مفاهیم قدیمی برای شکل دهی مفاهیم جدیدتر بکار گرفته شده اند را ارائه نمودند.

برای مثال درک کنندگان روابط اجتماعی می توانند اجزاء و ویژگیهای اولیه نظیر اهداف، برنامه ها و عقاید را بخوبی یاد بکیرند.

در نتیجه چنین مدلی می تواند اکتساب مفاهیم ابتدایی را در طی یادگیری تسهیل بخشد.

علاوه بر این آنها اظهار نمودند که چگونه چنین مدل هایی می توانند از نظیر چنین بررسی های ترکیبی برای ترکیب مفاهیم یاد گرفته شده قدیمی و ساخت مفاهیم جدید استفاده نمایند.

در نهایت read&Miller از مدل خودشان در دو موضوع اصلی در زمینه ادارک اجتماعی استفاده نمودند.

اول اینکه آنها به بحث در این زمینه پرداختند که چگونه این مدل می تواند روند خاصی از استنتاج ویژگیهای خود انگیخته را بوجود آورد.

دوم اینکه آنها نشان دادند که چگونه مدلشان می تواند شرحی از ندل دو مرحله ای Trope که در زمینه تغییر موضعی می باشد ارائه دهد و به خصوص اینکه چگونه این مدل قادر است تأثیر مفاهیم لایه های بالاتر را بر روی شناخت فعالیت های اجتماعی نشان دهد.

Kashima & woolcock و King از روشی استفاده نمودند که تقریباً می توان گفت در این مقوله کاملاص جدید می باشد و مدل محصول کشنده نام دارد.

با وجود مطالب کلیدی که آنها ارائه داده اند بازنمایی مقوله های اجتماعی مدل آنها کاملاً با و مدل Smith و decoster همپوشی دارد.

Kashima و سایرین اظهار داشتند که از آنجائیکه تلاش های کمی در جهت تعیین جزئیات بازنمایی گروه های اجتماعی صورت پذیرفته است آنها تلاش نمودند تا مدلی اراده دهند که این موارد را مورد توجه قرار دهد.

همچنین اظهار نمودند که تلاشهای کمی هم که صورت پذیرفته دارای دو مسیر کاملاً واگرا می باشند که یکی از آنها به چگونگی شکل گیری برداشت های گروهها متمرکز گردید و دیگری بر این مطلب اشاره دارد که چگونه افرا به صورت گروههای اجتماعی دسته بندی گردیده اند.

هدف کار این افراد ارائه یک مدلی است که قادر به توصیف یافته های این مقولات و موارد باشند.

آنها در ابتدا مکانیسمی برای چگونگی کد گذاری خاطرات ارائه نمودند و سپس بررسی نمودند که چگونه این خاطرات می توانند برای بازیابی حافظه مورد استفاده قرار گیرند.

مدل آنها یک بازنمایی گسترده استفاده می نمود که در آن یک ویژگی به صورت الگوی فعالیتی در بکسری از گره ها ارائه داده می شود.

یکی از ویژگیهای منخصر به فرد این مدل این است که می تواند مکانیسمی برای ارائه ویژگیهای نظیر رنگ پوست: سیاه، رنگ چشم: آبی ارائه نماید.

برای مثال تصور کنید ما شخصی داریم با نام جان با ویژگی رنگ پوست که دارای ارزش سیاه می باشد یعنی رنگ پوست او سیاه است.

ارائه این ویژگی در یک سری مدل های استاندارد پیوستگی (پیوندگرا) که از بازنمایی گسترده استفاده می نمایند مشکل می باشد.

برای مثال یک مدل پیوندگرای نمونه با بازنمایی گسترده ممکن است به طور مستقیم جان را با رنگ سیاه پیوند دهد.

این بدان دلیل می باشد که بازنمایی استاندارد بر حسب جدول وزن دو بعدی می باشد که نشان دهنده پیوند 2 بردار می باشد.

ارائه ایده یک ویژگی که میتواند شاخص های زیادی را در بر گیرد کار آلمانی نمی باشد، بنابراین کسی نمی تواند به راحتی در مورد مدل سؤال نماید و مثلاً بگوید«رنگ پوست جان چه رنگی می باشد؟» تصور نمائید که ما دو ویژگی داریم که هر کداک با یک بردار نشان داده می شوند a و b ضرب نمودن این دو بردار با هم یک جدول اعداد ترتیب می دهد که اجزای درون آن نشان دهنده همخوانی میان هر یک از عناصر موجود در a و b می باشند.

بنابراین چنانچه ما بردار سومی با نام c داشته باشیم می توانیم aو b , c را در هم ضرب نموده و در نهایت یک آرایه 3 بعدی بوجود آوریم که نشان دهنده تمام پیوستگی های میان عناصر موجود در هر 3 بردار می باشد.

در این بازنمایی یک بردار نشان دهنده جان، یم بردار نشان دهنده ویژگی رنگ پوست و بردار سوم نشان دهنده ارزش سیاه بودن رنگ پوست می باشد و آرایه 3 بعدی حاصله نشان دهنده پیوند میذن جان، رنگ پوست و رنگ سیاه می باشد.

هنگامی که فردی این آرایه 3 بعدی را در اختیار دارد می تواند در مورد رنگ پوست جان سؤال کند آنهم با در نظر گرفتن جدول 2 بعدی نشان دهنده پیوند موجود میان جان در رنگ پوست که پس باید آنرا با آرایه 3 بعدی و با یکسری دستکاریهای ریاضی بکار گیرد و بردار سوم را که نسان دهنده رنگ سیاه می باشد بدست آورد.

Kashima و سایرین مدل خود را برای چندین پدیده بکار گرفتند.

اول، آنها نشان دادند که چگونه ویژگیهای یک گروه می تواند برای دستیابی به یک مقوله و یا یک عنوان گروهی مورد استفاده قرار گیرد.

همانطور که مدل های دیگر نظیر مولد Smith & Decoster صخت آنرا نشان داده اند تهیه الگویی از نشانه ها می تواند به ما این امکان را ببخشد که الگوی کلی را بدست آوریم.

گرچه مکانیسمی که طی آن این امر رخ می دهد تا حدودی در مدل Smith & Decoster متفاوت می باشد.

دوم اینکه آنها نشان دادند چگونه این مدل می تواند استفاده از هر دوی مثال ها و نمونه های نخستین را در طبقه بندی شبیه سازی نماید.

به عنوان بخشی از اثبات هایشان آنها نشان داند که چگونه مدل Tensor product با تئوریهای نتفاوت طبقه بندی content model در ارتباط می باشد که در ابتدا توسط Scahffer , media ارائه گردید و سپس توسط Nosofsky در سال 1984 و 1986 گسترش یافت.

اینها مثالهای بر پایه مدل ها می بذشند که نشان می دهند دسته بندی موارد به گروههای مختلف بر پایه شباهت به مثالهایی است که آن مقوله را تشکیل می دهند.

علاوه بر این آنها اضهار داشتند که مدل آنها می تواند نتایج آزمایشات صورت گرفته توسط Smith و Zarot را که از مدل ترکیبی طبقه بندی حمایت می کرد شبیه سازی نماید.

سوم اینکه آنها ضرورتاً آنها یک بردار بازنمایی از نکات نهایی بالا و پائین مقیاس داوری تهیه نمودند و پس از شباهت های آن بردار با بازنمایی گروه را محاسبه نمودند.

چهارمین نکته این است که آنها نشان دادند که مدل Tensor product می تواند به کار hamilton & Gifford در زمینه پدیده همبستگی که بر پایه کاملاُ متمایزی شکل گرفته بود کمک نماید.

در نتیجه آنها ابراز داشتند که مدل آنها دارای این مزیت می باشد که طبقه بندی و امر تصادفات در این زمینه را در یک مرد گرد آورده است.

و اینکه این مدل با صله های اصلی طبقه بندی نظیر GCM و یافته های اصلی در زمینه امر قضاوت نظیر معدل گیری وزنها کاملاً سازگار می باشد.

Smith & Decoster از یک شبکْ پیوندگرای تکراری استفاده نمودند که یک شبکه خود تداعی بود که توسط Mcclelland & Rumelhart بوجود آمده بود که منجر به یافته های اسای در درک شخصی می شد.

در یک مدل خود تداعی هر واحد با واحدهای دیگر پیوسته می باشد و فعال سازی را از تمام واحدهای دیگر دریافت می دارد و همین طور ورودی های خترجی را نیز دریافت می دارد.

آنها از یک بازنمایی گسترده استفاده نمودند که طی آن یک الگوی فعال سازی در امتداد یکسری از واحدها نشان دهنده یک مفهوم می باشند.

نظیر چنین مدلی می تواند بادگیری الگویی، تکمیل الگویی سایر الگوهای ناقص و بازیابی حافظه را در برداشته باشند.

Smith & Decoster kahk نشان دادند که چگونه مولد آنها 4 پدیده را مورد بحث قرار می دهد.

اول اینکه، این مدل می تواند ویژگیهای مثالهای شخصی و یا موارد را بیاموزد و پس آن ویژگیهارا از یک سرنخ نسبی دوباره احیاء سازد.

دوم اینکه این مدل می تواند از چندین نمونه از مثالها نمونه خاص گروهی و یا مقوله را بیاموزد و پس با ارائه سرنخ‌هایی دوباره تصور قالبی یا نمونه نخستین را بازسازی نماید.

همانطور که این دو نفر اظهار داشته اند این بدان معنا می باشد که یک مکانیسم واحد و یک شیوه بازنمایی یگانه می تواند در زمینه دو پدیده کاملاً متفاوت شرح دهد.

سوم اینکه، این مدل می‌تواند ساختارهای اطلاعاتی چندگانه را در یک شبکه واحد بیاموزد و سپس با ترغیب ساختارهای موجود ساختارهای جدیدی را بوجود آورد.

مدل های طرحواره جدید به نظر که فاقد مکانیسم ترکیب ساختارهای موجود و شکل دهی ساختار جدید می باشند.

و در نهایت آنها نشان دادند که جنبه های چندگانه امکان ساخت می تواند توسط یک چنین مدلی ارائه داده شوند به خصوص اظهار داشتند که هر دوی فراوانی و تأخر فعال سازی یک مفهوم تأثیر آنرا بر روی نتیجه های آتی بر جای خواهد گذاشت.

به علاوه آنها نشان دادند که الگوهای فاصله دار نسبت به الگوهای توده ای را انباشته دارای تأثیر بیشتری می باشند.آنها اظهار نمودند که یک الگوی جزئی در صورت حضور یک الگوی اصلی کامل کار ساخت و درباره یک الگوی کامل را بهتر انجام می دهند.

Smith & Decoster اشاره نمودند که آنها قادرند که هر یک از این کارها را با یک مکانیسم مشابه انجام دهند گرچه کار خاص و نمونه در شناخت اجتماعی نیازمند یک مدل جداگانه برای هر کدام می باشد.

با دنباله کردن کار افرادی نظیر rumelhart Smolensky و سایرین آنها همچنین مشاهده نمودند که چنین مدلی می تواند چیزی را بوجود آورد که شبیه طرحواره ها و روندهای طرحی می باشند حتی اگر هیچگونه ساختارهای طرحی در دست نباشد.

Von orerwalle & vanrooy بررسی نمودند که چطور یک شبکه 2 لایه ای تغذیه رسان با استفاده از یادگیری قانون ارتقاء، استفاده از یک الگو می تواند چندین نتیجه جالب توجه را در زمینه یادگیری علی بوجود آورد.

این کار به گسترش کارهای صورت گرفته پیش توسط سایرین پرداخت که می توان glurk & Bower و shanks را نام برد که ابراز نموده بودند مدل جدید Rescorla wagner در زمینه یادگیری حیوانات شبیه شبکه تغذیه رسان 2 لایه ای می باشد که از یادگیری قانون دلتا برای یاد گرفتن مجمع های جدید استفاده می نماید.

آنها همچنین این نمونه از مدل را با مدل های آماری مقایسه نموند و نشان دادند که مدل پیوندگرا نسبت به عواملی حساس می باشد که مدل های دیگر نیستند.

تفاوت اصلی میان مدل های آماری نظیر مدل مقایسه احتمالی و مدل پیوند گرا این است که مدل مقایسه احتمالاتی تنها نسبت فراوانی های نسبی جفت سازی انواع متفاوتی از واقیع حساس می باشد در حالیکه مدل پیوندگرا تنها نسبت به فراوانی مطلق موارد ارائه شده حساس می باشد.

همچنین باید گفت که مدل پیوند گرا نسبت به فراوانی مطلق جفت نمودن علت و معلول حساس می باشد.

و آنها شواهدی ارائه داده اند که نشان می دهد بشر نیز دارای حساسیت مشابهی می باشد.

علاوه بر این آنها به دنبال کردن کارهای دیگر شباهت های موجود میان اثرات موجود در یادگیری پیوسته را که به عنوان مانع، بازدارنده شناخته شده بودند بررسی نمودند.

به عنوان بخشی از این کار آنها نشان دادند که در بشر نیروی کسر کردن و زیاد کردن به فراوانی موارد حساس می‌باشد که این فراوانی مطابق با پیش بینی های مولد پیوسته می باشد.

در نهایت آنها یادگیری علت های چندگانه را بررسی نمودند و قابلیت مدل های پیوندگرای مختلف را در شبیه سازی پاسه ها و عکس العمل های انسانها مورد آزمای قرار دادند.

آنها شبکه تغذیه رسان دو لایه ای را با مدل سرنخ ترتیبی Pearce مقایسه نمودند و همچنین به مقایسه آنها با یک شبکه 3 لایه ای استاندارد با واحدهای پنهان پرداختند.