Netzwerkmodelle

[engl. network models], [KOG], werden in der kogn. Ps. vor allem als Modelle für das Gedächtnis und für den Abruf und die Speicherung innerhalb des Gedächtnisses verwendet. Netzwerkmodelle finden auch in Modellierungen i. R. von künstlicher Intelligenz Anwendung. Bei lokalen Netzwerken (Anderson, 1976) wird ein Konzept (z. B. Apfel) über einen einzelnen Knoten (Apfel-Knoten; node) repräsentiert. Beziehungen zw. Konzepten werden durch Verbindungen (links, arcs, edges) zw. den Knoten dargestellt. Verwandte, assoziierte oder in irgendeiner Weise relatierte Konzepte sind dabei durch starke Verbindungen repräsentiert. In einem semantischen Netzwerk sind die Beziehungen z. B. typischerweise semantischer Art (vgl. HAM-Modell als assoziatives Netz). Ein Knoten kann direkt (z. B. durch eine entspr. Wahrnehmung) oder über verbundene, bereits aktivierten Knoten (spreading activation) aktiviert werden. Lokale Netzwerkmodelle wurden weiterentwickelt, da nicht davon ausgegangen werden kann, dass ein Konzept durch genau einen Knoten (zerebrales Neuron im menschlichen Gehirn) repräsentiert ist.

Verteilte Netzwerkmodelle (neuronale, konnektionistische oder konnektivistische Netzwerke) sind aktuellere Varianten von Netzwerkmodellen (Pospeschill, 2004), obwohl diese schon etwa in den 1950er-Jahren eingeführt wurden. In verteilten Netzwerkmodellen steht nicht mehr ein einzelner und lokaler Knoten für ein Konzept, sondern hier wird dieses durch ein Set an verteilten Eigenschaften (distributed features, units) oder auch Mini-Knoten, Mikroeigenschaften (mini-nodes, microfeatures) repräsentiert. Eine Eigenschaft muss dabei keine semantisch interpretierbare Einheit sein. Diese Mikroeigenschaften sind entweder hierarchisch in versch. Ebenen (layers) oder ohne Hierarchie in einer Ebene angeordnet. Die Mikroeigenschaften sind innerhalb des Netzwerkes oder zumindest innerhalb einer Ebene über Verbindungen (connections, weights) miteinander assoziiert. Ein Konzept ist durch spezif. gewichtete, miteinander verbundene Mikroeigenschaften und durch einen spezif. stabilen Zustand von Aktivierung repräsentiert. Lernen bedeutet in solch einem Netzwerk die Änderung der Verbindungsgewichte und den Erwerb eines neuen spezif. Musters (pattern) oder Vektors an gewichteten Verbindungen. Parallel Distributed Processing (PDP).