الانتقال إلى المحتوى
العودة إلى نتائج البحث

الخرائط المعرفية الضبابية (FCM)

قدّمه
Bart Kosko
السنة
1986
النوع
Fuzzy causal/feedback network for scenario analysis
العائلة
Cognitive mapping

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تمثل الخريطة المعرفية الضبابية، التي قدمها بارت كوسكو في عام 1986، نظامًا كشبكة من المفاهيم المتصلة بروابط سببية موقعة وموزونة، وتحاكي كيفية تأثير المفاهيم على بعضها البعض بمرور الوقت. من خلال الجمع بين البنية البديهية للخريطة المعرفية والأوزان الضبابية والتنشيط التكراري، تسمح الخرائط المعرفية الضبابية للخبراء بتشفير المعرفة السببية ثم تشغيل سيناريوهات 'ماذا لو' - مما يجعلها شائعة لتحليل السياسات، واتخاذ القرارات الاستراتيجية، ونمذجة الأنظمة الاجتماعية والتقنية المعقدة.

الفكرة الحدسية وراء الطريقة

غالبًا ما يفهم الخبراء النظام على أنه 'المزيد من هذا يسبب المزيد من ذاك، ولكن القليل من الآخر' - وهي شبكة من الأسهم السببية ذات القوة والإشارة المتفاوتة. تحول الخريطة المعرفية الضبابية هذا النموذج الذهني إلى رسم بياني موجه: العقد هي مفاهيم (مثل الاستثمار، الطلب، التلوث)، والأسهم تحمل أوزانًا بين -1 و +1 لكيفية دفع مفهوم واحد لمفهوم آخر بقوة وفي أي اتجاه. لاستكشاف العواقب، تقوم بتعيين قيم مفاهيم أولية وتسمح للتنشيط بالانتشار حول الشبكة، حيث يقوم كل مفهوم بالتحديث من التأثيرات الموزونة للمفاهيم الأخرى ويتم ضغطه في نطاق محدود، حتى يستقر النظام. تظهر الحالة المستقرة الناتجة إلى أين تدفع حلقات التغذية الراجعة للنظام في ظل سيناريو معين.

التاريخ

قدم بارت كوسكو الخرائط المعرفية الضبابية في عام 1986، موسعًا الخرائط المعرفية (الثنائية) السابقة لأكسلرود بأوزان ضبابية وتنشيط ديناميكي، موحدًا المنطق الضبابي مع الانتشار من نوع الشبكات العصبية. نضجت الطريقة خلال التسعينيات إلى العقد الأول من القرن الحادي والعشرين مع خوارزميات التعلم (التعلم الهيبي والوراثي للأوزان)، والتوسعات (الخرائط المعرفية الديناميكية، والرمادية، والحدسية)، وأدبيات تطبيقات واسعة استعرضها باباجيورجيو وسالمرون (2013). تقع الخرائط المعرفية الضبابية عند تقاطع الحوسبة اللينة، ونمذجة الأنظمة، ودعم القرار، وتكمل ديناميكيات النظام والشبكات البايزية.

متى تُستخدم

استخدم الخرائط المعرفية الضبابية لنمذجة ومحاكاة الأنظمة التي تهيمن عليها التغذية الراجعة السببية بين المفاهيم النوعية أو شبه الكمية، خاصة عندما تكون معرفة الخبراء هي مصدر البيانات الرئيسي والهدف هو استكشاف السيناريوهات والسياسات بدلاً من التنبؤ العددي الدقيق - وهو أمر شائع في الإدارة البيئية، ودعم القرارات الطبية، والتحكم الهندسي، والتخطيط الاستراتيجي. وهي قيمة للنمذجة التشاركية (يمكن لأصحاب المصلحة بناء الخريطة وفحصها) ولدمج خرائط العديد من الخبراء. القيود: تعتمد الديناميكيات على دالة الضغط المختارة والأوزان، وتلتقط الخرائط المعرفية الضبابية التأثير السببي النسبي بدلاً من المقادير المعايرة، ويمكن أن يكون سلوك التقارب حساسًا، وتفترض أن الهيكل السببي صحيح. عندما تكون الديناميكيات الكمية الدقيقة أو الاستدلال الاحتمالي الصارم مطلوبًا، قد تكون ديناميكيات النظام أو الشبكات البايزية أكثر ملاءمة.

الحدود والاعتبارات

  • التقاط التأثير السببي النسبي، وليس المقادير الكمية المعايرة.
  • تعتمد النتائج على دالة الضغط والأوزان ومخطط التحديث.
  • يمكن أن يكون التقارب حساسًا وقد ينتج عنه دورات حد أو فوضى.
  • تفترض أن الهيكل السببي المستخلص صحيح؛ الروابط المفقودة تحيز النتائج.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • تشفير معرفة الخبراء السببية في رسم بياني بديهي وقابل للفحص.
  • محاكاة ديناميكيات التغذية الراجعة ودعم تحليل سيناريوهات 'ماذا لو' السريع.
  • التعامل مع المفاهيم النوعية/شبه الكمية دون بيانات دقيقة.
  • دعم النمذجة التشاركية ودمج خرائط الخبراء المتعددين.

التطبيقات

  • تحليل سيناريوهات الإدارة البيئية والبيئية.
  • دعم القرارات الطبية والتشخيص من نماذج المفاهيم السببية.
  • التخطيط الاستراتيجي وتحليل سياسات 'ماذا لو' مع أصحاب المصلحة.
  • التحكم في العمليات الهندسية وتحليل الأعطال.
  • نمذجة الأنظمة الاجتماعية والاقتصادية حيث تهيمن حلقات التغذية الراجعة.

كيف يعمل

كيف يعمل

1

حدد المفاهيم C₁…Cₙ التي تهم في النظام ومصفوفة الوزن السببي W، حيث تقوم wᵢⱼ ∈ [−1, 1] بتشفير قوة واتجاه تأثير المفهوم i على المفهوم j. تأتي الأوزان من حكم الخبراء، أو من البيانات، أو من خوارزميات التعلم؛ الإيجابي يعني تعزيزًا، والسالب يعني تثبيطًا.

الصيغة
C_1,\ldots,C_n;\quad W = [w_{ij}] \in [-1,1]^{n\times n}\ (\text{causal weights})
2

لكل مفهوم قيمة تنشيط. في كل خطوة، تكون القيمة الجديدة للمفهوم هي قيمته السابقة بالإضافة إلى المجموع الموزون لتنشيطات جميع المفاهيم التي تشير إليه. هذا هو انتشار التأثير السببي عبر بنية التغذية الراجعة للشبكة.

الصيغة
A_i^{(t+1)} = f\!\left(A_i^{(t)} + \sum_{j\neq i} w_{ji}\,A_j^{(t)}\right)
3

يتم تمرير التأثير المجموع عبر دالة ضغط (عتبة) - غالبًا ما تكون دالة سيجمويد ذات ميل λ، أو دالة إشارة/ظل الزائد - للحفاظ على التنشيطات في نطاق محدود (مثل [0,1] أو [−1,1]) ولإدخال اللاخطية، بحيث لا يمكن للمفاهيم أن تنمو بلا حدود.

الصيغة
f(x) = \dfrac{1}{1+e^{-\lambda x}}\quad (\text{sigmoid squashing})
4

يتم تكرار التحديث حتى تتوقف التنشيطات عن التغيير (نقطة جذب ثابتة)، أو تستقر في دورة حد متكررة، أو يتم الإعلان عنها على أنها فوضوية. النمط المتقارب هو نتيجة السيناريو؛ مقارنة الحالات المتقاربة عبر إعدادات أولية مختلفة أو تعديلات الأوزان هي كيفية إجابة الخرائط المعرفية الضبابية على أسئلة 'ماذا لو' والسياسات.

الصيغة
\text{iterate until } A^{(t+1)} \approx A^{(t)}\ (\text{fixed point / limit cycle})

الأخطاء الشائعة

  • قراءة قيم المفاهيم المتقاربة كتنبؤات دقيقة بدلاً من اتجاهات نسبية.
  • تجاهل كيفية تغيير اختيار دالة العتبة و λ للحالة المستقرة.
  • بناء خرائط بأوزان خبراء غير مصادق عليها ومعاملتها كحقيقة أساسية.
  • تجاهل عدم التقارب (دورات الحد) والإبلاغ عن حالة عابرة كنتيجة.

الأسئلة الشائعة

كيف تختلف الخريطة المعرفية الضبابية عن الشبكة البايزية؟

كلاهما رسوم بيانية موجهة على المفاهيم، لكن الشبكة البايزية تشفر توزيعات الاحتمالات الشرطية وهي لا دورية، وتدعم الاستدلال الاحتمالي. تستخدم الخريطة المعرفية الضبابية أوزانًا ضبابية موقعة، وتسمح بالدورات (التغذية الراجعة)، ويتم محاكاتها ديناميكيًا إلى حالة مستقرة. الخرائط المعرفية الضبابية أفضل لسيناريوهات 'ماذا لو' الغنية بالتغذية الراجعة؛ الشبكات البايزية للاستدلال الاحتمالي الصارم.

من أين تأتي الأوزان؟

عادةً من حكم الخبراء (غالبًا ما يتم استخلاصها كمصطلحات لغوية يتم تعيينها لأرقام)، أو من البيانات التاريخية، أو من خوارزميات التعلم مثل الضبط الهيبي أو الوراثي للأوزان. نظرًا لأن النتائج تعتمد على الأوزان، يجب دائمًا الإبلاغ عن مصدرها والتحقق منها.

ماذا يعني إذا لم تتقارب الخريطة المعرفية الضبابية؟

بدلاً من الاستقرار عند نقطة ثابتة، يمكن للنظام الدخول في دورة حد (نمط متكرر) أو سلوك فوضوي، اعتمادًا على الأوزان ودالة الضغط. عدم التقارب بحد ذاته مفيد حول بنية التغذية الراجعة للنظام، ولكن لا ينبغي الإبلاغ عن حالة عابرة كنتيجة للسيناريو.

طرق ذات صلة

المصادر

  1. Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65–75.

    افتح مرجع DOI
    تم النسخ.
  2. Papageorgiou, E. I., & Salmeron, J. L. (2013). A review of fuzzy cognitive maps research during the last decade. IEEE Transactions on Fuzzy Systems, 21(1), 66–79.

    افتح مرجع DOI
    تم النسخ.