Un modello visivo uditivo basato sulle Growing Self-Organizing Maps per analizzare la "taxonomic response" nella prima infanzia

Il lavoro svolto ha previsto l'analisi e l'approfondimento di un modello visivo-uditivo per spiegare la formazione della risposta tassonomica e le capacità di fast-mapping tipiche dei bambini piccoli. Siamo partiti da un modello esistente che implementa la categorizzazione visiva e uditiva attraverso l'uso di due self-organizing maps (SOM), e la capacità di associazione, necessaria per apprendere le parole, attraverso un processo di apprendimento associativo. Il modello analizzato è fortemente limitato nel numero di parole che è in grado di apprendere, senza compiere in precedenza un forte processo di categorizzazione. La nostra proposta aggiunge due nuove caratteristiche principali: in primo luogo, la presenza di una forma non-convenzionale, incrementale, di addestramento, in cui le categorie sono presentate in modo scaglionato; in secondo luogo, la capacità delle due self-organizing maps (visiva e uditiva) di crescere durante la fase di addestramento (Growing-SOM), quando esse non sono più in grado di rappresentare in modo coerente le categorie. Alcuni test preliminari portano a far credere che il modello sia in grado di adattarsi automaticamente al training set cui è sottoposto, portando a forti vantaggi prestazionali in presenza di una forma di allenamento incrementale, probabilmente il tipo di "addestramento" più simile a quello cui è soggetto un bambino nei primi mesi di vita. Infine, abbiamo condotto uno studio approfondito riguardo il significato teorico di "errori di over-estensione" durante i test di produzione: questo ha permesso di identificare con maggior precisione la natura di questo tipo di errori e isolare in modo più efficace le ragioni per le quali si manifestano all'interno del modello (errori di categorizzazione o errori di associazione).

The work involved the analysis and in-depth study of an auditory visual model to explain the formation of the taxonomic response and the fast-mapping abilities of children in early childhood. We started from an existing model that implements the visual and auditory categorization through the use of two self-organizing maps (SOM) and the association capacity, needed to learn the words, through Hebbian associative learning: the model is severely limited in the number of words that is able to learn without previously accomplishing a strong categorization process. Our proposal adds two major new features: first, the presence of a form of non-conventional, incremental training, in which the categories are presented in stages; second, the ability of the two self-organizing maps (visual and auditory) to grow during training phase (Growing-SOM) when they are no longer able to consistently represent categories. Some preliminary tests lead us to believe that the model is able to automatically adapt to the training set which is subjected, leading to strong performance advantages in the presence of a form of incremental training, most likely the type of "training" which is subject a child in the first twenty-four months of life. Finally, we conducted an in-depth study on the theoretical meaning of "errors of over-extension" during production tests: this made it possible to identify more carefully the nature of this type of errors and isolate more effectively the reasons why they take place within the model (categorization errors or associations errors).