View
107
Download
0
Category
Preview:
Citation preview
1
Raisonnement à partir de cas : des fondements aux
applications
Sophie Loriette-Rougegrez sophie.loriette@utt.fr
bureau H213
Laboratoire LM2SUniversité de technologie de Troyes
12, rue Marie CurieBP 2060
10010 TROYES cedex
2
Plan du cours Quand utiliser le ràpc ? Origines du ràpc :
Le modèle cognitif Le raisonnement par
analogie Les étapes du ràpc Les techniques utilisées Le ràpc et les autres
techniques de raisonnement Adresses et bibliographie
3
Pourquoi le RàPC ?
Problème dans la construction de certains systèmes à base de connaissances : la connaissance s’adapte mal à une représentation déclarative sous forme de règles
Experience
REGLES
4
Exemples d’utilisation du RàPC
Diagnostic médical : “Les problèmes de ce patient sont très semblables aux symptômes de cette maladie”
immobilier : Ma maison est très semblable à celle qui vient d ’être vendue au bas de la rue pour
750 000 F
domaine juridique : Ce licenciement abusif est en tout point similaire au dossier Dulino de mai 97
5
Quand utiliser le Ràpc ?
L ’expérience représente la plus grande partie des connaissances sur un sujet
Les experts parlent de leur domaine en citant des exemples
Les problèmes ne sont pas complètement compris (modèles faibles, connaissances du domaine faibles)
Beaucoup d ’exceptions au cas général Besoin de construire une mémoire d’entreprise Un volume de données satisfaisant doit exister
lorsque ....
suff
isan
tes
6
Principe sous-jacent au RàPC
Problème
Solution
Nouveau problème
Nouvelle solution
Nouveau problème = problème cible ancien problème = problème sourceNouvelle solution = solution cible ancienne solution = solution source
7
Problème/Solution
Pas de définition générale
Définition liée à chaque application
Selon la tâche, la solution sera bien ou approximativement définie
(classification/aide à la décision) la qualité de la solution pourra être évaluée
8
Modèle cognitif du rapc Influence majeure :
recherches sur les processus liés à la compréhension La compréhension est vue comme
un processus d ’explication notre connaissance permet de
générer les explications Exemple :
Cela suppose un certain nombre de prédictions pour lier les éléments du texte les uns aux autres.
Frédéric est allé au restaurant. Il a commandé un menu végétarien.
9
Théorie des scripts Schank et Abelson (77) proposent une représentation de notre
connaissance sous forme de scripts
Les scripts représentent notre connaissance épisodique
D ’autres formes de connaissance existent (buts, plans, etc.) déjà considérés dans les systèmes informatiques
Les scripts sont supposés faciliter notre compréhension par expositions répétées à la même situation
Scripts = alternative à la théorie des schémas (Brewer & Nakamura 84)
10
Insuffisances du modèle Un script est supposé servir de référence dans la compréhension d ’un
épisode. Ex : script « aller chez le dentiste »
On doit pouvoir représenter des schémas généraux et des instances de ces schémas
La théorie des scripts ne précise rien sur ce qui est créé en premier
Un schéma général créé à partir de plusieurs instances ?Une première instance généralisée pour servir de schéma général ?
11
Insuffisances du modèle (suite)
Les scripts sont très détaillés
Des scènes se répètent
Redondance d ’informations, sans lien entre ses différentes instances
- Coûteux- frein à la généralisation
12
Insuffisances du modèle (suite)
Les résultats mettent en évidence des confusions entre scènesappartenant à des scripts différents
Expériences de Bower, Black, Turner (1979)
13
L ’accès aux connaissances épisodiques
Comment accède-t-on aux connaissances épisodiques ? Travaux de Schank et Abelson en 77 émettent l ’hypothèse suivant laquelle
les mêmes algorithmes sont utilisés à la fois pour la recherche de la connaissance générale et de la connaissance spécifique
Théorie de la mémoire dynamique (Schank 82)
14
Théorie de la mémoire dynamique (Schank 82)
Hypothèses se souvenir, comprendre, expérimenter, apprendre, sont des processus
indissociables la mémoire évolue sous l ’influence de l ’expérience
Proposition de M.O.P.
15
MOP : consulter un professionnel
Professional office visit Entry cond. : client needs service of professionalexpected result : professional serves client; solves problemcharacters : client, professional, staffsequence of events :
Make appt. :sequence of events :client calls prof.client asks for appt.date settled
Go(local travel)
Enter OfficeSequence of events :client entersclient signs inclient sits
Wait room See Prof. ....
Séq.évts Scènes
$toothage $exam
Serv = toothageServ. = phys. Exam..
Scripts
16
La scène « commande »
Ordering :
characters : client, organization representative (rep)
sequence of events :
client MTRANS to rep <need>
Setting = fast-food rest.
menu is visible on wall
Client has catalog
client wants quick service
$fast-food order
sequence of events :
client examines wall menu
client chooses
client tells cashier
cashier punches register
$Restaurant-order
sequence of events :
client examines menu
client chooses
...
17
Autre origine : le raisonnement par analogie
"rapport, similitude partielle d'une chose avec une autre"
ex : analogie atome/système solaire, l'analogie courant électrique/cours d'eau.
Le raisonnement par analogie consiste à avoir recours à un élément mieux connu pour inférer des informations sur un élément qui l'est moins.
Deux types d’analogie : analogie heuristique [Coulon et al. 89-90] et analogie recours [Bruneau et al. 89]
18
Composantes
Théorie de Spearman : 3 composantes
Théorie componentielle de Sternberg (1977) : opérations mentales fondamentales
Ordre contesté en 79 par Whitely et Barnes : approximations successives
Gentner (83 ) : importance de l ’identification de relations de haut niveau
19
Le "carré" analogique
A
B
C
D
a
c
b
20
Principales étapes du RàPC
Une situation cible Recherche de cas similaires dans la base de cas (<>
BD) Adaptation de la solution trouvée
Prix ?
Cas similaires
Adaptation
Représentation des casindexation des casévaluation et comparaison de casadaptation de cas
21
Généralités
Cas une expérience
Base de cas les cas doivent être bien choisis : typiques,
importants, etc. Similarité
évaluer la ressemblance de 2 cas (ou la pertinence d ’un cas ?)
22
Généralités (suite)
Similarité : locale (valeurs d ’attributs) globale (ts attributs + poids).
Recherche de cas BD : appariement exact CBR : appariement inexact L ’appariement doit être efficace
23
Généralités (suite)
Adaptation de petites différences peuvent engendrer des
modifications importantes Apprentissage
Objectif : améliorer les performances du système au fur et à mesure de son fonctionnement
CBR peut être combiné à d ’autres modes de raisonnement
24
La représentation des cas
25
Qu'est-ce qu'un cas ?
"Une connaissance contextualisée qui représente une expérience enseignant une leçon pour
satisfaire les buts du raisonneur" (Kolodner 93)
Circonstances ou situation relatifs à une personne, une chose, une action...
Une chose qui a existé ou qui s'est réellement produite
Des circonstances décrivant un contexte dans lequel a été prise une décision
Une description de surface
26
Représentation des cas
Les cas sont souvent décrits par un ensemble de caractéristiques
AnnéeModèleConstructeurOptionsKilométrage
27
Contenu des cas
Représentation minimaledescription de problème
solution
Extensions Contexte (justification etc.)
Liens avec d’autres cas
Echecs rencontrés
28
Formalismes de représentation
Frames (MEDIATOR (Kolodner and Simpson 89)), (Casey (Koton 89))
Objets : frames + héritage de procédures + envois de messages. KRL (Bobrow et Winograd 77)
Logique des propositions/prédicats Vecteurs
29
CHEF (Hammond 89)(def: rec broccolu-with-tofu
(ingredients
ingr1 (tofu lb .5)
ingr2 (soy-sauce tablespoon 2)
ingr3 (rice-wine spoon 1)
ingr4 (corn-starch tablespoon .5)
ingr5 (sugar spoon 1)
ingr6 (broccoli lb 1)
ingr7 (r-pepper piece 6))
(actions
act1 (chop object (ingr1) size (chunk))
act2 (marinade object (result act1)
in (& (ingr2) (ingr3) (ingr4) (ingr5))
time (20))
act3 (chop object (ingr6) size (chunk))
act4 (stir-fry object (& (result act2) (ingr7)) time (1))
act5 (add object (result act3) to (result act4))
act6 (stir-fry object (result act5) time (2)))
(style style-stir-fry))
30
Les cas de CELIA (Redmond 92)
Titre du cas - la voiture cale
1
2
3
4 5 6, 9
7 8 10
11
31
CELIA Cas structurés en fragments
1 fragment -> 1 but de l ’enseignant
fragments indexés individuellement
contexte fragment
contexte = dysfonctionnements du système diagnostiqué + résultat des actions entreprises + historique des actions entreprises
similarité sur la liste des actions entreprises et le but
Indexation des fragments par une structure de MOP
32
CASE REPRESENTATION in REBECAS (Loriette-Rougegrez 95)
Instant ti
Instant tj Instant tl
Instant tk
Case 3 (axis d)
Vegetation Relief WindPropagation
33
An axis in REBECAS
sourceparameters
targetparameters
Relief
Vegetation
Wind
Propagation
Coniferes
40 km/h,140 °
21/8/90 16:15
50 km/h110 °
21/8/90 17:00
21/8/9016:30
(125°, 1400 m)
21/8/9017:00
(125°, 1700m)
Pins
1000 m 2300 m
PAST FUTURE
34
L ’indexation
35
Indexation
Objectif : pouvoir retrouver, rapidement, les bons cas. Les indices indiquent les circonstances dans lesquelles le cas peut être utile indexation au moment de la constitution de la base de cas
Déterminer en quoi un cas est proche de la nouvelle situation recherche des cas les plus intéressants
36
Problématique de l ’indexation Les succès et les échecs sont-ils indexés dans la même base de cas ? Les indices organisent-ils la base de cas sur des similarités ou différences
(HYPO (Ashley 91)) ? A quoi accède-t-on ?
Nombre de cas succès/échecs instances/généralisations ? Descriptions de problèmes/solutions ?
L ’indexation est-elle nécessaire : plus proche voisins + implémentation parallèle suffisantes ?
Stocker des échecs ou revoir l ’indexation ? Ou utiliser des démons (CHEF) ?
37
Qualités requises pour les indices
Permettre de différencier les cas, et être annonciateurs de l ’issue du cas
avoir un bon niveau d ’abstraction pour pourvoir rendre les cas utilisables dans différentes circonstances en évitant toutefois un niveau d ’abstraction trop élevé pouvant être à
l ’origine d ’inférences multiples pour reconnaître les correspondances entre attributs
couvrir l ’ensemble des cas pouvant se produire : le choix se fait essentiellement en fonction du domaine et des tâches à effectuer par le système
38
Indexation manuelle Etablir la check-liste
1. Lister les tâches faisant l ’objet de la recherche de cas, 2. Pour chaque tâche, déterminer les types de caractéristiques prédictives des
solutions, 3. Idem pour les caractéristiques prédictives des issues, 4. Pour chaque type de caractéristique, calculer l ’ensemble des généralisations
utiles de la caractéristique et s ’assurer que les caractéristiques choisies sont reconnaissables (disponibles pendant le raisonnement),
5. Créer la check liste en collectant l ’ensemble complet de caractéristiques à partir de la comparaison 2 à 2 des cas, déterminer ce qui permet de les
différencier (ici on parle des valeurs et non des indices) (CYRUS)
=> souvent combinaison des 2. Aboutit généralement à un grand nombre d ’indices prédictifs, mais trop nombreux pour être prédictifs dans tous les cas.=> recherche du meilleur cas en 2 étapes
ex : MEDIATOR (buts des disputants, types d ’objets disputés), CLAVIER (Hennessy et hinkle 92 )
39
Méthodes d'indexationautomatiques
Méthodes statistiques permettent de déterminer les caractéristiques importantes, et de
leur associer un poids utilisation a priori
génération d ’explications : pour savoir comment indexer un cas, on explique l ’issue du cas. Les indices sont les éléments apparaissant dans l ’explication.
méthode inductive
Combinaison de plusieurs méthodes : manuelle + explications dans CHEF
40
Indexation automatique par explication (knowledge-based) création d ’explications par un système peut se faire par différentes méthodes :
mécanisme de preuve, case-based (swale (kass et leake 88)) : stocke explications, règles (chef)
expliquer quoi ? buts poursuivis lors de la réalisation de la situation décrite dans le cas
utilise beaucoup de connaissances du domaine
procède à une généralisation de l ’explication
puis extrait les indices de l ’explication généralisée
Avantage : les indices sont toujours liés à la réussite ou l ’échec décrit dans le cas
41
Indexation par induction Intéressant lorsque le but guidant la recherche de cas est très bien défini. Les cas sont considérés comme des exemples illustrant des concepts Des algorithmes comme ID3 (Quinlan 86) sont alors utilisables
Avantages : procède à un calcul rigoureux des indices permettant de distinguer et de
représenter les cas ce calcul sert à organiser la base de cas. Temps d ’accès de l ’ordre de log(N) ne nécessite pas de connaissance du domaine
Inconvénients : temps de calcul requiert une grande base de cas au départ pour exécuter l ’algorithme d ’induction
Technique présente dans les outils de construction de systèmes rapc
42
Modèles qualitatifs
Utilisés entre autres dans (Dattani and Bramer, 1995)
Un modèle qualitatif contient des nœuds représentant des paramètres du domaine d ’application, et des arcs, représentant leurs relations (une flèche dans (Dattani and Bramer, 1995) indique un lien de précédence)
Le modèle indique également en quoi une combinaison de caractéristiques affecte l ’issue du cas -> utilisé au cours de l ’indexation inductive
Editeur de modèles dans REMIND
43
Utilisation des modèles qualitatifs
Immobilier (Dattani and Bramer 1995)
Maintenance d ’avions (Dattani, Magaldi and Bramer 1996)
Maintenance de réseaux de PC (Moss, Bramer and Dattani 1996)
44
La recherche du/des meilleur(s) cas
45
Rechercher quels cas ?
Les cas utiles
un cas est utile s'il est similaire au nouveau problème selon des dimensions aidant le raisonneur à faire une tâche ou atteindre un but (Kolodner 93)
il faut : un algorithme qui sache comment explorer la mémoire des algorithmes capables de choisir quels cas sont intéressants le nouveau problème
On peut aussi rechercher des « fragments » de cas CELIA, REBECAS !
46
La similarité ne suffit pas toujours
des informations peuvent avoir de l ’importance dans certains cas et pas dans d ’autres. Ex : âge du patient
on doit rechercher les cas utiles. Notion subjective et variable dans le temps
L ’utilité ne peut être calculée a priori mais la similarité peut l ’être. La similarité est une mesure objective
47
Propriétés souhaitées
La similarité entre le cas cible et le cas source implique une utilité du cas source
la similarité est basée sur des faits connus
la similarité peut être plus ou moins grande : nécessité de la quantifier
48
Fonctions d’acceptation
Origine : [Lenz et al. 98] cas cible noté q, cas considéré noté c On définit l ’acceptation entre c et q, notée acc(q, c) acc(q, c) est fonction des acceptations locales entre
entités d ’informations (attributs-valeurs) (e,e ’), acceptation locale entre e et e ’, peut être forte
pour 2 entités liées : e et e ’ similaires/e et e ’ contraires (e,e ’)=0 si e ’ est sans intérêt pour e (e,e ’)<0 si e ’ doit absolument être évité
49
Fonctions d ’acceptation (suite)
(e,e ’)peut être définie par une fonction floue représentant le domaine de l ’attribut
ex : (été,mois = juin) Plusieurs entités e ’ peuvent
être associées à une entité e: nécessité d ’une fonction locale d ’accumulation
1
0mois
été
50
Fonctions d ’acceptation (suite)
Acceptation globale doit considérer l ’intérêt de chaque attribut dans c,
pour q fonction de la pertinence de chaque ei dans c, des
accumulations locales
51
Etablissement des correspondances entre entités d ’informations
noms
heuristiques
52
Calcul de (e, e ’)
hiérarchie d'abstraction
distance qualitative ou quantitative
53
Hiérarchies de symboles
Les caractéristiques décrites dans les cas sont souvent associées à des valeurs symboliques,
La similarité de 2 symboles va dépendre de la proximité des symboles dans une hiérarchie d ’abstraction
Les symboles sont regroupés dans des hiérarchies d ’abstraction
54
Types de recherche
fonction du cas en cours d’étude : recherche séquentielle --> organisation plate recherche hiérarchique --> organisation hiérarchique
==> appariement partiel par réseaux
fonction d’un pattern (Template matching)
==> appariement exact
55
Recherche séquentielle(méthode des plus proches voisins)
La base de cas est une liste chaque cas est testé
+ toute la base est examinée
+ qualité de la recherche = f(appariement)
+ ajout de cas facile
- coûteux
- Problème : déterminer le poids des caractéristiques
- temps de la recherche est en 0(n)
((cas2 f1 f5 f9) (cas3 f6 f7 f8 f10)...)
56
Recherches hiérarchiques
indices organisés en arbre comparer les caractéristiques de chaque noeud aux
caractéristiques correspondantes du nouveau problème descendre la hiérarchie rejeter le sous-arbre
arbres conçus par les méthodes inductives recherche rapide deux conditions : une caractéristique "cible" et un nombre de cas
significatif Exemples : mémoire dynamique, mémoire catégories/exemples
57
Réseaux de caractéristiquespartagées
noeud = ensemble de caractéristiques partagées par les cas indexés par ce noeud ou un de ses descendants
l’ordre des caractéristiques établissant la partition doit suivre leur importance
+ rapide
- qualité de la structuration est temporaire
58
Disputes
Disputant is a countryDisputed object is a land mass
Disputant is a childdisputed object is a food
Physical dispute(Korea)
Political dispute(Panama)
Object is an orangedisputants are sistersdisputants are teens
Object is candy(Candy)
disputants want objectas a whole(Orange1)
Disputants wantdifferent parts of object
(Orange2)
Cas
59
Réseaux de discrimination
Chaque noeud est une question discriminant les cas indexés par ce noeud ou un de ses descendants
L’ordre des caractéristiques établissant la partition doit suivre leur importance
60
Dispute type ?
Physicaldisputant goal ?
OwnershipOwnership of which piece ?
Whole object ?Type of object ?
Part of object
Orange 2
Food ?Type of food ?
Candy
Candy
Fruit
Orange 1
Land
Korea
Political
Panama
61
Réseaux de discriminationredondants
traite l'incomplétude éventuelle des données
réseaux parcourus en parallèle
+ des chemins différents pour chaque cas
- occupation mémoire, ajout de cas coûteux
ex : CYRUS
62
Diplomatic meetingsThe actor is Cyrus Vance
Participants are foreign diplomatsTopics are international contractsParticipants talked to each other
Goal was to resolve disputed contract
Participants Topic
Begin Dayan Gromyko SALT Camp DavidAccords
Jérusalem
EV2
MOP3Topic is Camp David Accords
Participants are israeli
EV3
EV4 EV2
MOP2Participants include Begin
Topics concern Israeli and Arabs
topics Participants
Jérusalem
EV3
Camp David accords
MOP4
Begin
MOP4
Dayan
EV4
63
Réseaux de recherche de cas 1 cas = 1 descripteur + 1 ens. D ’IE
E = ensemble de nœuds IE
C = ensemble de nœuds cas
= fonction de similarité entre 2 IE
(e, c) : pertinence d ’un IE vis à vis d ’un cas
: ens. De fonctions de propagation entre noeuds
64
Recherche parallèle
Un cas par processeur
cas = vecteur (caractéristiques de surface)
pas d’indexation, appariement pondéré
ex : MBRTalk (Stanfill & Waltz 86)
ajout de cas facile, matériel coûteux
65
Recherche de patterns
Rôle identique à celui d’une requête dans une base de données
ex : trouver les cas qui décrivent un taux d’endettement < 30% et un âge > 30 ans
66
Adaptation
67
Adaptation
But : inférer des informations sur le cas en cours d’étude en fonction de ses caractéristiques et du cas sélectionné
Trés spécifique au :
domaine d'application
tâche à réaliser
représentation des cas
68
Techniques d ’adaptation
Ajustement de paramètres
réinstanciation
substitution basée sur les cas
substitution basée sur un modèle
simulation dérivationnelle
...
69
Evaluation du raisonnement
70
Evaluation et correction L ’évaluation consiste à obtenir un retour sur le raisonnement
effectué par le système Plusieurs sources :
opérateur humain simulateur externe
Evaluation bonne : cas stocké Evaluation mauvaise :
explication de l ’échec (de la différence entre ce qu ’est la solution et ce qu ’elle aurait dû être)
L ’échec devient une expérience enrichissant le système : modification de l ’organisation de la base, création de procédures, etc.
71
Les architectures hybrides Intérêt : bénéficier de la puissance de différents modes de
raisonnement : À base de cas, par règles, par satisfaction de contraintes, etc.
Des techniques de raisonnement considérées « égales »architectures « coopératives »
Des techniques de raisonnement privilégiées : enchaînement séquentiel des méthodes
OU
72
Variabilité du rapc Variantes suivant :
aspect concret/général des cas cas comme unité de stockage et traitement ou distribution des
cas organisation plate/hiérarchique de la base de cas Quantité de connaissances du domaine disponibles degré d ’automatisation du système Petite/grande base de cas traitement séquentiel/parallèle des cas
73
Quelques adresses
Informations générales et bibliographies
http://www.aic.nrl.navy.mil/~aha/research/case-based-reasoning.html
ftp://ftpagr.informatik.uni-kl.de/pub/CBR/
http://www710.univ-lyon1.fr/~bfuchs/rapcFrance/
74
Althoff, Auriol, Barletta, Manago (95) : a review of industrial case-based reasoning tools, AI intelligence Bobrow D.G., Winograd T. 79 : KRL : another perspective, cognitive science 3 (1) Bower G.H., Black J.B., Turner T.J. 79 : Scripts in text comprehension and memory. Cognitive psychology
11:177-220 Brewer W.F., Nakamura G.V. : 84 : the nature and functions of schemas. In handbook of social cognition, ed.
R.S. Wyer and T.K. Srull. Northvale, NJ : Erlbaum Bruneau 88 : Utilisation du raisonnement par analogie dans le cadre d ’une application pour la réutilisation de
logiciels, thèse de doctorat, université de Rennes Coulon et al. 90 : D. Coulon, J.F. Boisvieux, L. Bourelly, L. Bruneau, E. Chouraqui, J.M. David, C.R. Lu, M. Py, J.
Savelli, B. Seroussi, C. Vrain : Le raisonnement par analogie en intelligence artificielle, formalisation et applications, actes des 3ièmes journées nationales PRC-GDR IA, B. Bouchon-Meunier ed., Paris, 45-88
Gentner 83 : Struture-mapping : a theoretical framework for analogy, Cognitive science 7, 155-170 Hammond 89 : Case-based planning : viewing planning as a memory task. Boston : Academic press Hennessy & Hinkle 92 : applying case-based reasoning to autoclave loading. IEEE Expert 7(5):21-26 Kass A.M., Leake D.B. 88 : Case-based reasoning applied to constructing explanations. In proceedings :
Workshop on case-based reasoning (DARPa), Clearwater, Florida. San Mateo, CA : Morgan Kaufman Kolodner J. 93 : Case-based reasoning, Morgan Kaufman Kolodner J.L. and Simpson R.L. 89 : The MEDIATOR : analysis of n early case-based problem solver. Cognitive
science 13(4):507-549 Koton P. 89: Using experience in learning and problem solving. Ph. D. diss., Department of Computer Science,
MIT
75
M. Lenz, B. Bartsch-Spörl, H.D. Burkhard, S. Wess (Eds) : Case-based reasoning technology : from foundations to applications, Springer (1998)S. Loriette-Rougegrez (1998) : Raisonnement à partir de cas pour des évolutions spatio-temporelles de processus, Revue internationale de géomatique, journées CASSINI 1998, vol. 8, n°1-2/1998, pp. 207-227, ENSG / Marne-la-Vallée, 26-27 novembre 1998S. Rougegrez (1995) : Prediction without modelling : a demonstration of the use of case-based reasoning for the prediction of process behaviour, proceedings of Expert Systems 95, Applications and innovations in expert systems III, A. Macintosh & C. Cooper ed., Cambridge, pp. 109-120 Quinlan J.R. : induction of decision trees. Machine learning 1, 81-106Redmond M.A. 92 : Learning by observing and understanding expert problem solving. Georgia institutde of technology, college of computing technical report no. GIT-CC-92/43. AtlantaSchank R.C. 82 : Dynamic memory : a theory of learning in computers and people. New York: Cambridge university pressSchank et Abelson (77) : Scripts, plans, goals and understanding. Northvale, NJ : ErlbaumSpearman C. (23) : the anture of intelligence and the prnciples of cognition, Londres, Mac Millan, 1923Stanfill & Waltz 86 : Toward memory-based reasoning. Communications of the ACM 29(12)Sternberg (77) : intelligence, information processing, and analogicial reasoning : the componential analysis of human habilities, Hillsdale (NJ), Lawarence Erlbaum, 77Whitely & Barnes (79) : The implication of processing event sequences for theories of analogical reasoning, Memory and Cognition 7, 323-331
Recommended