konnektionistische

De konnektionistische benadering, ook wel connectionisme genoemd, is een theorie en methode binnen de cognitieve wetenschappen en kunstmatige intelligentie die mentale processen beschrijft als actieve verwerking in netwerken van eenvoudige, onderling verbonden eenheden. Deze netwerken, vaak artificial neural nets genoemd, representeren informatie distributed en veranderen hun connecties op basis van ervaring. Veranderingen in de sterkte van verbindingen leiden tot leerervaringen en gedragsveranderingen zonder expliciete symbolische regels.

Historisch gezien heeft het konnektionisme wortels in mid-20e-eeuwse modellen maar kreeg het berouwrijke heropleving in de jaren tachtig met algoritmen als backpropagation en de opkomst van kunstmatige neurale netwerken. Belangrijke bijdragen kwamen van onderzoekers als Rumelhart, Hinton en McClelland. In contrast met symbolische AI benadrukt connectionisme parallelle verwerking, schaalbare leren en representaties die distributed zijn, wat het gemakkelijker maakt om inzicht te krijgen in cognitieve processen zoals perceptie, taal en geheugen.

Kernkenmerken zijn onder andere distributed representations, waarin informatie wordt gecodeerd over vele eenheden tegelijk; learning door aanpassing van gewichten tussen neuronen; en vaak gebruik van backpropagation of soortgelijke leerregels om fouten te corrigeren. Netwerken variëren van feedforward tot recurrent en diepe netwerken, en moderne toepassingen omvatten spraakherkenning, beeldherkenning en taalverwerking.

Kritiek betreft onder meer beperkingen in symbolisch redeneren, interpretabiliteit en het vermogen om echte compositionaliteit te tonen. Desalniettemin heeft konnektionisme een grote invloed gehad op AI en cognitieve modellering en blijft het relevant in hedendaagse diepe leer- en neurale netwerkonderzoeken.