SlideShare a Scribd company logo

capitolo9 slide provvisorio problem solving

•
•
D
dmjqrrpfx2

Problem solving

Leadership & Management
1 of 276
Download to read offline
Cap.  9        Ragionare   per  risolvere  problemi    
• che  vuol  dire  “ada2arsi”,  nella  vita  di  tu8  i   giorni?     • arrovellarsi  per  risolvere  problemi   • usare  le  proprie  capacità  di  ragionamento  per   modificare  situazioni  che  ci  danneggiano,  o  per   rimuovere  gli  ostacoli  che  ci  impediscono  di   raggiungere  un  qualche  obie8vo   – oltre  a  capacità  motorie,  sensoriali,  a2enAve,  di   memoria  ecc.   • Tra  pensiero  e  azione:  la  maggior  parte  del   problem  solving  coinvolge  ragionamento   orientato  all’azione   – E  convolge  azioni  che  possono  richiedere  maggiori  o   minori  livelli  di  abilità   – Eccezione:  “problemi”  esclusivamente  intelle2uali  
Definizione  (K.Duncker,  1935)   Un  problema  sorge  quando  una  creatura  vivente   ha   un   obie6vo,   ma   non   sa   come   conseguirlo.   Quando   uno   non   può   muoversi   da   una   data   situazione   alla   situazione   desiderata   semplicemente   agendo,   deve   far   ricorso   al   pensiero  
ComponenA  del  problem  solving   • Rilevazione  del  problema   – Confronto  tra  obie8vi  e  ambiente   • Rappresentazione  iniziale  del  problema   – Insieme  di  possibili  soluzioni   • “spazio  del  problema”   • Ricerca  della  soluzione   – Controllo  delle  possibili  soluzioni   – Revisione  iteraAva  della  rappresentazione,  se   nessuna  soluzione  si  rivela  adeguata  
Esempio  della  stru2ura  ipoteAco   dedu8va  del  problem  solving   Sono  nella  mia  camera  in  albergo,  e  non  trovo  un  libro  che     stavo  leggendo.  Ricordo  che  oggi  l’ho  le2o  solamente  in     camera  e  nel  ristorante  dell’albergo.  Potrebbe  essere  scivolato  da   qualche  parte  in  camera,  o  potrei  averlo  dimenAcato  al  ristorante,  o   potrebbe  essermi  caduto  dalla  tasca  nel  tragi2o  tra  la  camera  e  il   ristorante  (premessa  A).Dopo  un  a8mo  di  riflessione  e  dopo  essermi   controllato  le  tasche,  profonde  e  non  bucate,  sono  ragionevolmente   certo  di  poter    escludere  l’ulAma  possibilità:  non  può  essere  lungo  il   tragi2o  (premessa  B).  Dunque,  o  è  al  ristorante,  o  è  in  camera   (conclusione  1).  Telefono  alla  recep=on  del  ristorante  e  chiedo:  mi   confermano  che  il  libro,  lì,  non  c’è  (premessa  C).  Quindi  deve  essere   in  camera  (conclusione  2).     Cerco,  e  infine  lo  trovo,  infilato  tra  il  materasso  e  la  tesAera  del  le2o.     Ho  risolto  il  problema!  
Impianto  logico  (ipoteAco-­‐dedu8vo)  e   componenA  del  problem  solving    
Diversi  approcci     • Nonostante   la   complessità   dell’interazione   tra   diversi   processi   di   pensiero,  percezioni  e  azioni,  percepiamo  il  problem  solving  come   un  processo  fluido   • Per   questo   studiare   i   casi   in   cui   si   “inceppa”   ha   aiutato   a   capire   meglio  le  sue  componenA  fondamentali   • Due  approcci   – Globale,  olisAco  (Es.,  Gestalt)   • si  studia  il  problem  solving  nel  suo  complesso,  uAlizzando  problemi  complessi   che   richiedono   molA   Api   di   pensiero   e   altri   skill,   senza   occuparsi   della   suddivisione  fine  in  so2ocompomenA   • L’obie8vo  è    idenAficare  e  descrivere  alcuni  “fenomeni”  ricorrenA  nel  PS,  che   richiedono  una  spiegazione   – AnaliAco  (Es.,  Newell  &  Simon)   • Si  cerca  di  descrivere  quali  meccanismi  psicologici  siano  alla  base  di  diversi  Api   di  ragionamenA   • A  loro  volta  alla  base  del  problem  solving  
L’approccio   della  Gestalt   Una  fenomenologia   sperimentale  del  problem   solving     W.  Köhler   Intelligenzenprüfungen   an  Anthropoiden   K.  Duncker   Zur  Psychologie  des   produk=ven  Denkens   M.  Wertheimer   Produc=ve  Thinking   Wolfgang  Köhler   (1887-­‐1967)   Max  Wetheimer   (1880-­‐1943)   Karl  Duncker   (1903-­‐1940)  
pensiero  riprodu>vo  e  pensiero   produ>vo   • Per  gli  studiosi  GestalAsA,  il  pensiero  riprodu>vo   consiste  nella  capacità  di  replicare  schemi  appresi   in  passato   – Esempio:  il  ga2o  di  Thorndike  apprende  come   risolvere  il  problema  “uscire  dalla  gabbia”,  e  poi   riproduce  ciò  che  ha  appreso   • Il  pensiero  produ>vo  perme2e  invece  di   ricombinare  conce8  e  nozioni  in  forme  nuove   – Senza  ricorrere  a  “prove  ed  errori”  esperienziali   – “ristru2ura  la  rappresentazione  del  campo  perce8vo”  
Le  scimmie  di  Köhler   • Studi  presso  il  centro  primatologico  di  Tenerife,   1913-­‐1920   • Köhler  dimostra  capacità  di  detouring  in  molte   specie,  poi  si  concentra  sugli  scimpanzé   – Il  detouring  è  la  capacità  di  avvicinarsi  ad  un  obie8vo   in  modo  indire2o,  seguendo  un  percorso  mai  seguito   prima  e  che  non  è  il  più  breve  tra  quelli  disponibili,  né   quello  appreso  e  comunemente  seguito   – Richiede  la  rappresentazione  mentale  di  una  mappa   sulla  quale  pianificare  il  percorso   – Primo  indizio  di  presenza  di  un  pensiero  di  Apo   produ8vo   quindi non vale solo stimoloe risposta
Gabbie  e  banane   • Köhler  crea  diverse  situazioni  problemiche  ponendo  alcune   banane  in  posizioni  non  dire2amente  raggiungibili  dagli   scimpanzé   • Nelle  gabbie  erano  presenA  altri  ogge8,  apparentemente   non  collegaA  al  problema   – Casse,  canne,  pali   • Alcuni  scimpanzè  si  rivelarono  in  grado  di  generare   soluzioni  creaAve   – Esempio:  accatastare  le  casse  per  raggiungere  banane  appese  in   alto;  collegare  tra  loro  due  canneper  raggiungere  banane  poste   fuori  della  gabbia,  al  di  la  della  portata  di  un  braccio  e  di  una   sola  canna   • Le  soluzioni  erano  talvolta  raggiunte  in  forma  cooperaAva  
Osservazioni  di  Köhler   • di  fronte  a  un  problema  nuovo,  gli  scimpanzé  tendevano  a   produrre  tentaAvi  dire8,  e  non  efficaci   – saltare,  protendere  il  braccio  fuori  dalla  gabbia;   • talvolta  si  “fissavano”  su  un  certo  Apo  di  soluzione,   ripetendola  più  volte,  anche  dopo  aver  constatato  che  non   era  efficace;   • innervosiA  e  irritaA,  si  riAravano  in  una  pausa  di  ina8vità,   durante  la  quale  guardavano  le  banane,  le  casse,  i  pali,  e  tu8   gli  altri  componenA  della  scena;   • talvolta,  quando  emergevano  dalla  pausa,  si  dirigevano   dire2amente  verso  alcuni  ogge8  –  ormai  veri  e  propri   strumen=  –  e  li  combinavano  e  uAlizzavano  per  tentare  una   soluzione  nuova  rispe2o  alle  precedenA  (talvolta,  con   successo).  
Processi  coinvolA   • Il  Apo  di  processo  che  segue  uno  scimpanzé,  per   raggiungere  una  banana  posta  fuori  dalla  gabbia  ha   stru2ura  ipoteAco-­‐dedu8va  itera=va   – Sultan  rappresenta  un  insieme  di  prime  possibilità   • protendere  il  braccio,  usare  una  sola  canna   – le  controlla  sistemaAcamente  e  le  trova  insufficienA  a   raggiungere  la  soluzione   – Prova  e  riprova  invano,  con  diverse  canne  (fissazione)   – revisiona  (o  ristruKura)  la  rappresentazione  del  compito,   avvalendosi  delle  sue  conoscenze  causali   • Se  una  sola  canna  non  raggiunge  la  banana,  due  canne  possono   raggiungerla   – Supera  per  prove  ed  errori  gli  ostacoli  di  esecuzione  posA   dal  so2oproblema  “congiungere  due  canne”   – Esplora  la  nuova  possibilità,  risolvendo  il  compito  
Differenze  individuali   • Non  tu8  gli  scimpanzé  esaminaA  sapevano   risolvere  i  problemi  trovando  soluzioni  nuove,   dopo  che  altre  avevano  fallito   • alcuni  erano  più  capaci  di  risolvere  i  problemi   complessi  che  l’ambiente  poneva  loro,  e  altri   meno   • se  si  definisce  l’intelligenza  come  capacità  di   ada2amento  all’ambiente,  alcuni  erano  più   intelligen=  di  altri.  
Fenomenologia  del  problem  solving   • Köhler,  e  poi  Duncker  (1935)  e  Wertheimer   (1945),  descrissero  alcune  manifestazioni   comportamentali  frequentemente  osservate   durante  la  risoluzione  di  alcuni  Api  di  problemi   • In  parAcolare  nei  problemi  per  insight   • Ma  oggi  sappiamo  che  possono  presentarsi  in   in  ogni  altro  Apo  di  problema  
• Impasse:  il  partecipante  ha  esplorato  tu2e  le   possibilità  a  sua  disposizione;  ha  prodo2o  una   serie  di  tentaAvi,  compresi  i  più  dire8,  senza   raggiungere  un  buon  esito.  Si  blocca,  può   abbandonare  il  compito.   • Fissità  o  fissazione:  il  partecipante  tenta  e  ritenta   una  strategia  già  provata,  e  rivelatasi  inefficace.   Non  riesce  a  “disancorarsi”  da  vecchie  ipotesi  per   sviluppare  nuove  possibilità  
• Incubazione:  una  pausa  temporale  interposta  tra   diversi  tentaAvi  di  soluzione  e  durante  la  quale   non  ci  si  dedica  al  problema  può  aiutare  a  trovare   una  nuova  possibilità  di  soluzione   • Aha-­‐Erlebnis:  è  un  termine  tedesco,  che  significa   “esperienza  ah-­‐ah!!!”,  a  indicare  il  momento  in   cui  “si  accende  una  lampadina  in  testa”,  e  uno   esclama  “ho  trovato!”.  Dopo  staA  di  impasse,   fissazione,  ed  eventuali  incubazioni,  la  soluzione   può  repenAnamente  svelarsi.  
Effe8  di  fissità  
Fissità  funzionale   • “blocco  mentale  che  impedisce  di  usare  un   ogge2o  in  un  modo  nuovo”  (Duncker,  1935)   • Problema  della  candela:  
Soluzione  
• Condizione  di  preuAlizzazione:  i  partecipanA   ricevevano  le  punAne  dentro  la  scatola  delle   punAne   • Condizione  di  non-­‐preuAlizzazione:  i   partecipanA  ricevevano  la  scatola  vuota,  e  le   punAne  rovesciate  sul  tavolo   • I  partecipanA  del  secondo  gruppo  trovarono  la   soluzione  più  frequentemente  di  quelli  del   primo  
Fissità  funzionale  e  conoscenze   precedenA   • se  la  fissità  funzionale  discende  dalle  conoscenze   precedenA,  allora  individui  con  minor   disponibilità  di  conoscenze  precedenA   dovrebbero  esserne  meno  sogge8   • German  e  Defeyter  (2000)  hanno  manipolato  la   quanAtà  di  conoscenze  precedenA  in  due  modi:   – Classico  confronto  tra  situazioni  di  preuAlizzazione  e   di  non-­‐preuAlizzazione   – Confronto  tra  bambini  di  diverse  età  (5,  6,  7  anni)   Fissita e conoscenze precedenti L conosc precedenti xhe di aolito aiutano nella vita, possono diventare un
• Ai  bambini  era  mostrata  una  piccola  stanza  gioca2olo   (“stanza  dell’orso  Bobo”).     • Sulla  parete  in  fondovc’era  uno  scaffale  con  sopra  un   gioca2olo,  troppo  in  alto  perché  Bobo  potesse  raggiungerlo.     • Ai  bambini  era  de2o  che  Bobo  possedeva  alcuni  ogge8   (qua2ro  blocchi  da  costruzioni,  una  maAta,  un  magnete  ecc.),   ed  era  chiesto   • loro  di  mostrare  a  Bobo  come  usare  quegli  ogge8  per   raggiungere  il  gioca2olo  sullo  scaffale.     • Nessuna  combinazione  degli  ogge8  consenAva  all’orse2o  di   arrampicarsi  fino  allo  scaffale   • Nella  condizione  di  preuIlizzazione  gli  averi  di  Bobo  erano   tu8  contenuA  dentro  una  scatola  di  legno   • Nella  condizione  di  non  preuIlizzazione  erano  ammucchiaA   fuori  dalla  scatola,  e  la  scatola  era  presentata  vuota.   • La  scatola,  se  usata  come  piedistallo,  consenAva  a  Bobo  di   raggiungere  lo  scaffale.  
RisultaA   Senza preutilizzaz subiscono meno effetti di fissita: Lasciare aperto e non decider subtio alla prima CI METTONO DI PIU MA SONO POU CREATIVI
Vincoli  imposA  dalle  conoscenze   precedenA   • Se  le  conoscenze  precedenA  sono   fondamentali,  è  anche  vero  che  talvolta   possono  “imbrigliare”  la  nostra  fantasia   • Le  conoscenze  precedenA  possono  essere   viste  come  “vincoli”,  e  il  raggiungimento  di   una  soluzione  creaAva  può  essere  più  difficile   se  i  “vincoli  da  rilassare”  sono  più  numerosi  
Knoblich  et  al  (1999):  problemi  dei   fiammiferi   • Rendete  vera  l’equazione  spostando  un  solo   fiammifero  (problema  Apo  A):  
• Rendete  vera  l’equazione  spostando  un  solo   fiammifero  (problema  Apo  C):  
Tipi  di  problema   • Tipo  A:  “vincolo  sui  valori”.  Il  fiammifero   spostato  modifica  la  numerosità  di  uno  degli   argomenA  dell’equazione.     – Per  esempio,  vi  =  vii  +  i  è  risolta  spostando  un   fiammifero  dal  vii  e  associandolo  al  vi,  o2enendo   vii  =  vi  +  i.  
• Tipo  B:  “vincolo  sui  valori  e  sugli  operatori”.  Il   fiammifero  modifica  sia  il  valore  numerico  di   un  argomento,  sia  un  operatore.     – Per  esempio,  da  i  =  ii  +  ii  si  passa  a  i  =  iii  –  i.   • Tipo  C:  “vincolo  sull’operatore  e  sulla   tautologia”.  Il  fiammifero  spostato  modifica   un  operatore,  ma  trasforma  l’equazione  in   una  tautologia.     – Per  esempio,  si  passa  da  iii  =  iii  +  iii  a  iii  =  iii  =  iii.  
Previsioni   • Nel  dominio  dei  calcoli  aritmeAci,  le  conoscenze   precedenA  ci  inducono  ad  assumere  che,  per   modificare  il  risultato  di  un  calcolo,  occorre   modificare  il  valore  numerico  dei  suoi  argomenA   – problemi  di  Apo  A   • Considerare  la  possibilità  di  trasformare  un   operatore,  o  di  trasformare  un  calcolo  in   un’eguaglianza  tautologica,  dovrebbe  quindi   rivelarsi  più  difficile   – Problemi  di  Apo  B  e  C  
RisultaA   Vero, tipo b e c risuktano oiu difficili da risolvere
Reverberi  et  al.  (2005)   • l’imposizione  di  vincoli  di  controllo  all’elaborazione   delle  informazioni  è  mediata  dalla  corteccia   frontolaterale   • individui  con  lesioni  in  quell’area  dovrebbero  essere   maggiormente  in  grado  di  risolvere  problemi  come   quelli  dei  fiammiferi,  rispe2o  a  individui  privi  di  quelle   lesioni   • RisultaI:  i  partecipanA  con  lesioni  frontali  risolsero  le   versioni  più  difficili  dei  problemi  dei  fiammiferi   nell’82%  dei  casi,  contro  il  43%  di  soluzioni  osservato   nel  gruppo  di  controllo   – Effe2o  “vaso  sulla  testa”  nelle  storie  di  Paperino  J   Corteccia frontolaterale è quella che crea vicoli di fissita (È un equazione quindi non cqmbiqre operatork non crare tautologie etc Smettere conosc vincolanti e PROCEDERE X TENATIVI ED ERRORI
Einstellung  (set  mentale)   Problema  dei  vasi  d’acqua   • A  =  100  l,  B  =128  l,  C=  3  l:  o2enere  esa2amente  22  l   • A  =  63  l,  B  =  90  l,  C  =  4  l:  o2enere  esa2amente  19  l   • A  =  57  l,  B  =  66  l,  C  =  2  l:  o2enere  esa2amente  5  l   • A  =  15  l,  B  =  42  l,  C  =  5  l:  o2enere  esa2amente  17  l   • A  =  23  l,  B  =  49  l,  C  =  3  l:  o2enere  esa2amente  20  l   • A  =  17  l,  B  =  30  l,  C  =  2  l:  o2enere  esa2amente  9  l   Edith  (1921-­‐2002)   e  Abraham   (1914-­‐2005)   Luchins   No conosc per pregresse,te le davano loro Volevano indure una MECCANIZZAZIONE
RisultaA   • Nella  maggior  parte  dei  casi  la  procedura  B  –  A  –   2C,  imparata  sul  problema  originale  e   corre2amente  applicata  ai  problemi  1-­‐4,  era   applicata  anche  al  problema  5   – solo  una  minoranza  di  partecipanA  fu  in  grado  di   vedere  la  più  semplice  procedura  A  –  C.     • i  partecipanA  di  controllo  che  vedevano  per   primo  il  problema  5  erano  perfe2amente  in   grado  di  risolverlo  ado2ando  la  procedura  A  –  C   • RisultaA  poi  replicaA  in  molA  studi  con  compiA   diversi  
In  ergonomia  cogniAva:   • Gli  errori  dovuA  a  “meccanizzazione”  sono   ricondo8  alla  classe  di  errori  “strong  but   wrong”   • tendenza  ad  applicare  procedure  acquisite   molto  bene  a  compiA  simili  solo   superficialmente  a  quelli  originali   Unacosa che assomiglia a un MANICOsara afferrato, se non voglio che persone afferrino non devo farlo simile a un manico
Effe8  di  incubazione   • Incubazione:  ignorare  il  problema  per  un  po’  aiuta  a   uscire  da  un’impasse  o  da  una  fissazione  (Wallas,  1926)   • Sio  e  Ormerod  (2009)  hanno  fa2o  una  meta-­‐analisi  su   117  ricerche  sul  fenomeno   • I  risultaA  mostrano  che  esiste  un  significaAvo  –  anche   se  modesto  –  effe2o  del  tempo  di  incubazione   • L’effe2o  è  maggiore  per  i  problemi  che  richiedono  una   soluzione  creaAva,     • tende  a  crescere  all’aumentare  del  tempo  dedicato  al   problema  prima  della  fase  di  incubazione.  
“Dormirci  sopra”   • L’incubazione  può  davvero  avvenire  durante  il   sonno?   • Wagner  et  al  (2004):   – problema  matemaAco  abbastanza  complicato   – Quasi  tu8,  al  primo  tentaAvo,  seguivano  una  via   piu2osto  complessa  e  non  o8male   • era  possibile  una  strategia  molto  più  semplice   – Problema  riproposto  se2e  ore  dopo   – Metà  dei  partecipanA  nel  fra2empo  avevano   dormito,  l’altra  metà  no  
RisultaA   • PartecipanA  che  avevano  dormito:  59%  di   soluzioni  per  la  via  semplice   • PartecipanA  che  non  avevano  dormito:  25%  di   soluzioni  per  la  via  semplice   • Elaborazione  inconscia  o  oblio  sele8vo  (cioè,   allentamento  dei  vincoli  di  fissità  imposA  dalle   soluzioni  tentate  precedentemente)?  
Ristru2urazione  e  insight  
Soluzioni  improvvise   • Spesso  la  revisione  della  rappresentazione  iniziale   di  un  problema  può  avvenire  tramite   consapevole  e  progressiva  esplorazione  di   possibilità  alternaAve   • altre  volte  le  ipotesi  e  le  possibilità  a  nostra   disposizione  si  esauriscono,  e  ci  senAamo  smarriA   in  un  problema  apparentemente  insolubile   • In  questo  Apo  di  situazioni  può  giungerci  in   soccorso  una  “intuizione  improvvisa”  
Insight   • “I  punA  decisivi  nei  processi  di  pensiero,  o   momenA  di  comprensione  improvvisa,  del   ‘Aha!’,  della  novità,  sono  sempre,  allo  stesso   tempo,  momenA  in  cui  avviene  un’improvvisa   ristru2urazione  del  materiale  di   pensiero”  (Duncker,  1935)   • Il  termine  insight  si  riferisce  a  questa   improvvisa  ristruLurazione  o  ricentramento   del  campo  perce8vo   Passo da una rappr del problema a una nuova
• Per  i  gestalAsA,  l’insight  è  un  processo   creaAvo   • l’esperienza  sogge8va  corrispondente  è   quella  di  una  scoperta  o  illuminazione   improvvisa   – Aha-­‐Erlebnis  
Ma  l’insight  esiste?   • è  rimasto  a  lungo  il  dubbio  che  il  processo  di   scoperta  chiamato  insight  sia   qualitaAvamente  diverso  da  ogni  altro   processo  di  scoperta  passo-­‐dopo-­‐passo   • Metafora:  il  pensiero  normale  è  come  cercare   il  “clic”  di  una  serratura  a  combinazione.  Si   cerca  e  si  esplora,  e  quando  alla  fine  si   inciampa  nella  soluzione,  certamente  questa   si  presenta  improvvisa!  
• Il  problema  se  l’insight  esista  in  specie  non  umane  non   è  risolto   • Le  scimmie  di  Kohler  potevano  avvalersi  di  conoscenze   precedenA  (Birch,  1944)   – Avevano  trascorso  i  primi  mesi  della  loro  vita  in  libertà,   dove  potevano  avere  imparato  ad  usare  strumenA   – MolA  altri  animali  sanno  usare  e  costruire  strumenA,  ma   sembra  che  il  loro  modo  di  capire  le  relazioni  causali  tra  le   parA  di  uno  strumento  sia  diverso  da  quello  umano:   – più  basato  sulle  relazioni  che  intercorrono  tra  a2ribuA   concreA  e  visibili,  che  sulla  rappresentazione  e   ristru2urazione  di  relazioni  astra2e  
Prove  dell’insight  negli  umani   • Metcalfe  et  al  (per  es.  1987)   • Confrontarono  molA  problemi,  alcuni   tradizionalmente  consideraA  “per  insight”  e  altri   “incrementali”   – Cioè,  con  soluzione  raggiungibile  passo  dopo  passo   • I  partecipanA  dovevano  esprimere  la  loro  fiducia   verso  la  loro  capacità  di  risolvere  ciascun   problema,  prima  di  cimentarvisi   • Inoltre,  mentre  cercavano  la  soluzione,  dovevano   esprimere  la  loro  sensazione  di  esservi  vicini  o   meno  
RisultaA   • Problemi  incrementali:   – il  grado  di  fiducia  a  priori  correlava  con  l’effe8va  capacità  di   risolvere  il  problema   – la  sensazione  di  essere  vicini  alla  soluzione  cresceva   progressivamente  nel  tempo,  e  si  faceva  massima  subito  prima   di  raggiungerla   • Problemi  per  insight:   • nessuno  dei  due  giudizi  correlava  con  la  prestazione   effe8va   – Alcuni  partecipanA  erano  convinA  di  poter  facilmente  risolvere   un  qualche  compito,  e  che  poi  non  vi  riuscivano  (o  viceversa)   – Alcuni  partecipanA  esprimevano  la  sensazione  di  essere  in   un’impasse,  ma  poi  repenAnamente  risolvevano  il  problema   – infine,  alcuni  partecipanA  erano  convinA  di  star  procedendo  con   sicurezza  verso  la  conclusione,  ma  poi  fallivano  
Conclusioni   • I  risultaA  suggeriscono  che  le  soluzioni   incrementali  scaturiscano  da  un  processo   controllato,  sugli  esiA  del  quale  il  solutore  può   fare  alcune  previsioni  affidabili   • viceversa,  le  soluzioni  per  insight  scaturiscano   da  processi  fuori  dal  controllo  consapevole  del   solutore,  e  sull’esito  dei  quali  non  sono   possibili  previsioni  accurate  
Dissociazione  tra  soluzioni  pop-­‐out  e  seriali   • Jung-­‐Beeman  et  al  (2004,  2005)   • compiA  semplici,  passibili  di  entrambi  i  Api  di   soluzione   – Compound  remote  associate:  trovare  una  parola  che   possa  associarsi  a  tre  parole  sAmolo,  in  modo  da   formare  tre  parole  composte  dotate  di  significato   – Esempio:  mobile,  elevato,  luogo   – Soluzione:  sopra-­‐   • I  partecipanA  sanno  disAnguere  se  la  soluzione  si   è  presentata  improvvisamente,  o  se  l’hanno   cercata  serialmente,  consentendo  di  confrontare   i  correlaA  comportamentali  e  fisiologici  dei  due   sAli  
RisultaA   • Pop-­‐out  vs  seriali:  maggiore  a8vazione  del   giro  temporale  anterosuperiore  destro  
Conclusioni   • il  coinvolgimento  dell’emisfero  destro  nelle   soluzioni  per  insight  indica  che  esse  sono   basate  sulla  costruzione  di  nuove  associazioni   tra  materiale  prima  non  connesso   • coerente  con  la  proposta  di  Duncker:  secondo   il  quale  i  blocchi  dovuA  alla  fissità  funzionale   possono  risolversi  solo  creando  nuove   associazioni  tra  ogge8  e  funzioni  prima  non   associaA  
Elaborazione  inconscia?   • Novick  e  Sherman  (2003)  confrontarono  solutori   di  anagrammi  poco  esperA,  mediamente  esperA,   e  molto  esperA   – Studi  precedenA  avevano  già  stabilito  che  le  soluzioni   pop-­‐out  sono  più  frequenA  nei  molto  esperA   • Gli  sAmoli  erano  anagrammi  o  non-­‐anagrammi   – Cioè,  anagrammi  di  non-­‐parole   • PresentaA  per  tempi  brevissimi:  469  ms  oppure   953  ms   • Compito:  giudicare  se  lo  sAmolo  era  un   anagramma  o  un  non-­‐anagramma  
RisultaA   • molto  esperA:  la  precisione  era  superiore  al   caso  in  entrambe  le  condizioni   • Tu8  i  partecipanA:    la  precisione  con  tempo  di   presentazione  più  lungo  era   significaAvamente  superiore  a  quella  con   tempo  di  presentazione  più  breve.   – Si  noA  che  nessuno  sapeva  dire  di  quale  parole  le   stringhe  fossero  anagrammi:  solo  stabilire  se   probabilmente  erano  anagrammi,  o  no  
Conclusioni   • Alla  base  di  soluzioni  che  appaiono   improvvisamente  alla  consapevolezza  c’è  un   processo  di  elaborazione  incrementale,     – simile  a  quello  che  avviene  nelle  revisioni   consapevoli  della  rappresentazione  del  problema.     • Ma  quel  processo  è  inconsapevole   – probabilmente  avviene  in  parallelo  invece  che  in   serie  
Modelli  neodarwiniani  della  creaAvità   • Come  può  aver  luogo  laricerca  inconscia  di  idee   nuove?   • Le  a2uali  teorie  computazionali  si  avvalgono  di   una  analogia  con  le  teorie  neodarwiniane   dell’evoluzione  naturale:   – processo  di  ricombinazione  e  mutazione  massiccia  di   geni  in  una  pluralità  di  forme  di  vita  diverse   – poi  selezionate  so2o  la  pressione  di  sAmoli  ambientali   – Dando  luogo  a  un  processo  che  –  pur  non  essendo   “intelligente”  in  sé  –  si  è  rivelato  in  grado  di  produrre   soluzioni  sempre  “nuove  e  intelligenA”  ai  problemi   dell’ada2amento  della  vita  sulla  Terra   Idee generate in modo casuale, poi SELEZIONATE DA ,esperienza
Stadi  dell’elaborazione  inconscia   • Generazione:  si  formulano  in  modo  non   determinisAco  idee  arbitrarie,  combinando   insieme  a  caso  gli  elemenA  di  conoscenza   preesistenA   – RappresentaA  da  regole  di  produzione  e  loro  sezioni   • Valutazione:  filtro  basato  su  criteri  prestabiliA;   valuta  le  idee  prodo2e,  a2ribuendo  loro  una   “forza”  maggiore  o  minore;  lascia  passare  solo  le   idee  più  prome2enA   – alla  luce  delle  cara2erisAche  del  problema   considerato  
• Le  eventuali  idee  che  sopravvivono  servono  da   input  per  una  nuova  fase  generaAva,  che  le   ricombina  tra  loro.   • La  forza  di  ogni  regola  è  proporzionale  alla  probabilità  che   quella  regola  sarà  uAlizzata  per  ricombinazioni,  in  successivi   stadi  di  generazione   • Il  processo  può  essere  ripetuto  a  oltranza,  con   l’output  di  un’iterazione  uAlizzato  come  input  per   la  successiva   • Se  una  singola  applicazione  di  una  strategia   neodarwiniana  è  poco  potente,  il  suo  uso   reiterato  può  essere  molto  potente  
Conclusione   • Le  idee  nuove  e  creaAve  si  svilupperebbero  nel  cervello   inconsciamente  e  senza  controllo  consapevole,  seguendo   un  processo  analogo  a  quello  che  ha  permesso  al  cervello   stesso  di  svilupparsi  in  seno  alla  natura   • Johnson-­‐Laird  sosAene  che  quesA  generatori  iteraAvi   inconsci  di  nuove  idee  potrebbero  inserirsi  in  un  più  ampio   ciclo  iteraAvo:   • le  idee  che  emergono  alla  consapevolezza  dall’inconscio   possono  essere  consapevolmente  valutate,  ritoccate,   scartate  o  acce2ate,  e  l’esito  potrebbe  rientrare  come   input  in  un  nuovo  ciclo  di  generazione  e  valutazione.     – Simile  al  processo  che  a2ua  un  grande  arAsta,    guidato  da   eccellenA  ispirazioni  improvvise,  che  poi  però  modifica,   perfeziona,  scartandone  alcune,  sviluppandone  altre,  creando   commisAoni  tra  altre  ancora,  e  che  solo  alla  fine  vede  nascere,   qualche  volta,  il  “capolavoro”.  
Ostacoli  di  esecuzione   • La  difficoltà  nel  “rilassare”  vincoli  cogniAvi  non   è  l’unico  ostacolo  al  problem  solving   • Altri  ostacoli  sono  presenA  a  livello  esecuAvo:   – Sappiamo  cosa  dovremmo  fare,  ma  non  riusciamo   a  eseguirlo   – Ostacoli  osservabili  quando  rimuoviamo  i  vincoli   cogniAvi  principali,  e  ciò  nonostante  non   riusciamo  a  risolvere.    
Esempio   • Problema  dei  9  punA:  conne2ere  i  nove  punA  con  qua2ro  segmenA   senza  mai  staccare  la  penna  dal  foglio  (Maier,  1931)   • Rimozione  del  principale  vincolo  cogniAvo:  per  riuscirci,  alcuni   segmenA  DEVONO  fuoriuscire  dalla  configurazione  quadrata   suggerita  dai  punA  (Kershaw  e  Ohlsson,  2004;  Weisberg  e  Alba,   1981)  
• Il  rilassamento  di  quel  vincolo  non  facilita  di   molto  il  raggiungimento  della  soluzione  del   problema  
• blocchi  mentali  e  il  rilassamento  dei  vincoli   consente,  più  che  di  risolvere  il  problema,  di   esplorare  un  maggior  numero  di  possibilità   • Se  a2raverso  queste  nuove  possibilità   riusciamo  a  giungere  alla  soluzione,  è  anche   dovuto  alla  presenza  o  meno  di  ostacoli  di   esecuzione  
SPAZI  DEL  PROBLEMA  E   PROCEDURE  DI  RICERCA   Newell,  A.,  Simon,  H.A.  (1972),  Human  Problem  Solving.  PrenAce-­‐Hall,   Englewood  Cliffs,  NJ.     La  prima  teoria  ben  formalizzata  sulla  RICERCA  DI  SOLUZIONI  ai  problemi   Herbert  Simon   (1916-­‐2001)   Allen  Newell   (1927-­‐1992)  
Logical  Theorist  (LT)   • 1955:  Newell,  Simon  e  Shaw  svilupparono  un   programma  in  grado  di  dimostrare   automaAcamente  alcuni  teoremi  matemaAci   – Unico  programma  eseguibile  presentato  alla   conferenza  del  1956  che  fondò  gli  studi  di   intelligenza  arAficiale  
Razionalità  limitata   • Un  solutore  di  problemi  deve  essere   considerato  un  agente  a  razionalità  limitata   (bounded  raIonality).   – Memorie  finite   – Capacità  di  calcolo  finite   – Tempo  a  disposizione  finito  
SaAsficing   • Neologismo  tra  saAsfy  e  suffice   • Termine  usato  da  Simon  per  indicare  che  un   solutore  non  cerca  la  soluzione  o8male…   – …cioè,  la  soluzione  migliore  possibile   • …  ma  una  soluzione  “buona  abbastanza”  alla   luce  degli  obie8vi  e  delle  risorse  disponibili  
General  Problem  Solver   • Per  costruire  programmi,  quesA  autori  raccoglievano  “protocolli  di   pensiero  a  voce  alta”   – Autodescrizioni  di  ciò  che  un  solutore  umano  fa  e  pensa,  mentre  sta   risolvendo    un  problema   – Poi  cercavano  di  simulare  quella  strategia  estraendone  un  algoritmo  e   programmandolo  in  un  computer   • E’  in  questo  modo  che  individuarono  un  primo,  importante,   “algoritmo  di  ricerca  eurisAca  in  grado  di  comprimere  lo  spazio   degli  staA”   – L’eurisAca  dell’analisi  mezzi-­‐fini   • Alla  fine  degli  anni  ‘60  presentarono  General  Problem  Solver  (GPS),   un  programma  più  evoluto  di  LT  e  basato  su  diverse  eurisAche   – Le  conce2ualizzazioni  alla  base  di  GPS,  e  il  confronto  sistemaAco  tra   performance  umana  e  performance  di  GPS  per  affinare  sempre  più  il   modello,  furono  alla  base  del  libro  del  1972    
SOAR   • GPS  è  il  nonno  di  SOAR,  sviluppato  dallo   stesso  Newell  (e  successori)   • Archite2ura  cogniAva  basata  regole  di   produzione   • A2ualmente  alla  base  di  molA  modelli   computazionali  delle  cognizione  umana,  e  di   molA  programmai  IA  
• La  prospe8va  teorica  di  Newell  e  Simon  ha  il   grande  vantaggio  di  essere  molto  precisa  nella   sua  formalizzazione  matemaAca   • Lo  svantaggio,  è  la  prospe8va  limitata:   – Non  si  occupa  dei  processi  che  portano  alla   rappresentazione  del  problema   – Parte  da  una  data  rappresentazione  del  problema   (spazio  degli  staI  generato  dallo  spazio  del   problema),  e  descrive  minuziosamente  i  processi   a2uaA  durante  la  ricerca  della  soluzione  
• La  teoria  e  le  sperimentazione  ad  essa   collegata  si  concentrano  su  problemi  ben   definiI   • gli  operatori  uAlizzabili  per  passare  da  uno   stato  all’altro  sono  chiari,  semplici  e   circoscri8   • gli  obie8vi  da  conseguire  sono  altre2anto   chiaramente  descri8    
Problemi  ben  definiA  dal  punto  di  vista  matemaAco   • Ogni  problema  è  esausAvamente  descri2o  da:   1. uno  stato  iniziale:  un  ve2ore  finito  di  cara2erisAche  o   parametri,  ciascuno  dei  quali  può  assumere  un   numero  finito  di  valori,  con  ogni  parametro  istanziato   a  un  valore  specifico;   2. uno  stato  obie>vo  (o  goal)  o  terminale:  lo  stesso   ve2ore  di  parametri  che  descrive  lo  stato  iniziale,  ma   istanziato  a  valori  diversi;   3. un  insieme  finito  di  funzioni  o  operatori,  ciascuno  dei   quali  acce2a  in  ingresso  un  ve2ore  di  stato,  modifica   il  valore  di  uno  o  più  parametri  in  modo  univoco  e   ben  definito,  e  ritorna  in  uscita  un  diverso  ve2ore  di   stato;   4. una  metrica  in  grado  di  misurare  la  differenza  (o   distanza)  tra  due  ve2ori  di  stato.  
• Lo  “spazio”  da  colmare  per  andare  dallo  stato   iniziale  a  quello  terminale  è  il  problema   – Metaforicamente:  trovare  l’uscita  di  un  labirinto   • Le  mosse  da  fare  (operatori  da  applicare)  per   colmare  quello  spazio,  o  completare  quel   viaggio,  è  la  soluzione   – Metaforicamente:  trovare  il  percorso  giusto  tre  i   mol=  possibili  nel  labirinto    
Algoritmi  di  ricerca  della  soluzione   • L’unico  modo  che  ha  un  sistema  non  intelligente  per   andare  dalla  partenza  alla  meta  è  quello  di  procedere  per   prove  ed  errori,  con  ripeAzione   – Metaforicamente:  bendarsi,  disorientarsi,  e  poi  muoversi  nel   labirinto  a  tentoni;  ogni  volta  che  il  si  arriva  a  un  bivio  o  a  un   muro,  scegliere  a  caso  da  che  parte  girare,  anche  reimboccando   vie  già  percorse   – Esempio:  organismi  esclusivamente  rea8vi  e  senza  memorie   • Un  modo  leggermente  più  intelligente  è  quello  per  prove   ed  errori  con  memoria   – a  ogni  svolta  del  labirinto,  il  sistema  sceglie  una  direzione  a   caso,  ma  non  reimbocca  mai  un  vicolo  cieco  già  esplorato   – Prima  o  poi  l’uscita  la  trova,  ma  non  è  efficiente   È stupido! Genero a caso soluzioni, ma potrei geneare soluz gi viste eriprovarl e comunque
EsausAvi  ed  eurisAci   • Ogni  altra  procedura  di  ricerca  richiede  sia  una  “mappa  del   labirinto”,  sia  una  “bussola”  per  sapere  in  che  direzione  ci  si  sta   muovendo   – Cioè,  una  rappresentazione  mentale  delle  diverse  possibilità,  e  il   sapere  se  un  passaggio  avvicina  o  no  all’obie8vo   • Gli  algoritmi  di  ricerca  esausIvi,  talvolta  usaA  in  alcune  forme  di   problem  solving  automaAzzato,  controllano  sistemaAcamente  tu8  i   possibili  percorsi  e  scelgono  quello  o8male   – Se  i  percorsi  sono  molA,  sono  inapplicabili   • Gli  algoritmi  di  ricerca  eurisIci,  invece,  non  esplorano  tu8  i   percorsi,  e  quindi  non  garanAscono  né  di  trovare  l’uscita  del   labirinto,  né  di  trovare  la  più  breve.     • sono  però  strategie  molto  uAli,  che  molte  volte  consentono  di   trovare  una  soluzione  “buona  abbastanza”  (saIsficing)   risparmiando  risorse  di  elaborazione,  di  memoria,  e  di  tempo  di   esecuzione  
La  mappa:  lo  spazio  degli  staA   • Dato  un  problema  ben  definito,  lo  spazio  degli   staA  è:   •  l’insieme  di  tuLe  le  possibilità  che  si   oLengono  applicando  al  veLore  iniziale  tu>   gli  operatori  disponibili,  e  poi  riapplicandoli   iteraIvamente  a  tu>  i  veLori  output  
• Tu8  i  giochi  da  tavolo  o  da  scacchiera   determinisAci  possono  essere  descri8  come   uno  spazio  degli  staA   • Ma  per  molA  di  essi  è  teoricamente  finito,  ma   talmente  vasto  da  non  consenAre   l’applicazione  di  algoritmi  esausAvi  di  ricerca  
Torre  di  Hanoi   • Un  puzzle  che  consente  di  esemplificare  con   facilità  lo  spazio  degli  staA   • UAlizzato  in  molA  studi  di  Simon  e  colleghi   • Nella  versione  “Torre  di  Londra”,  uAlizzato  per   il  tesAng  neuropsicologico  
• Obie8vo:  spostare  tu8  i  dischi  sul  terzo  piolo,   esa2amente  nell’ordine  in  cui  sono  sul  primo   • Regole:  spostare  un  solo  disco  alla  volta;  non   si  può  mai  me2ere  un  disco  più  grande  sopra   uno  più  piccolo.  
• Il  gioco  è  semplice  con  pochi  dischi,  diventa   sempre  più  complicato  non  imboccare   percorsi  inuAli  via  via  che  si  aumentano  i   dischi   • Spazio  degli  staA  nella  versione  a  3  dischi:  
• Lo  spazio  del  problema  è  la  comprensione   iniziale  del  problema:   – Ve2ore  iniziale   – Ve2ore  goal   – Operatori  ammissibili   – Metrica   • Lo  spazio  del  problema  consente  di  generare   lo  spazio  degli  staA   • Nella  versione  a  64  dischi  della  TdH,   l’esplorazione  esausAva  dello  spazio  degli  staA   è  ingesAbile  anche  per  un  supercomputer   • Occorre  trovare  scorciatoie:  algoritmi  di   ricerca  eurisIca  
Analisi  mezzi-­‐fini   • Come  “tagliare”  il  numero  delle  possibilità  da   generare,  e  “comprimere”  il  problema?   • quanto  più  breve  è  la  distanza  (in  termini  di   operazioni)  da  uno  stato  iniziale  a  un  obie8vo,   tanto  minori  sono  gli  staA  possibili  che  possono   intercorrere  tra  i  due   • Generando  dei  so2o-­‐obie8vi  da  cui  si  possa   raggiungere  l’obie8vo  in  un  solo  passaggio,  si   riduce  lo  spazio  degli  staA  da  esplorare   • Quindi,  generando  itera=vamente  dei  so2o-­‐ obie8vi,  si  può  ridurre  il  problema.   Spezzo il problema generale in sottoobiettivi piu piccoli Diventa piu gestibile e posso utilizzare anche STRATEGIE ESAUSTIVE
• Si  confronta  lo  stadio  iniziale  e  lo  stadio  finale,   alla  luce  degli  operatori  disponibili   • Si  generano  so2o-­‐obie8vi:  staA  da  cui,  in  un   solo  passaggio,  si  possa  raggiungere  o  un   so2o-­‐obie8vo  o  l’obie8vo.   • La  stru2ura  logica  della  decomposizione  è  un   albero  AND-­‐OR   – I  nodi  AND  indicano  catene  di  di  staA  che,  se  tu8   soddisfa8,  consentono  di  raggiungere  un   obie8vo   – I  nodi  OR  indicano  staA  alternaAvi  tali  per  cui,   qualora  uno  di  loro  sia  soddisfa2o,  si  può   raggiungere  un  obie8vo  
Stato iniziale Stato finale
• la  decomposizione  del  problema  in  un  albero   AND-­‐ORillustra  la  natura  ipoteAco-­‐dedu8va  del   problem  solving     • I  nodi  AND  sono  previsioni  dedu6ve,  “in  avanA”:     – “se  faccio  quelle  operazioni,  conseguirò  quello  stato”   • Le  regole  non-­‐terminali  vanno  da  una   “conseguenza”  (per  esempio,  lo  stato  terminale)   ai  possibili  “antecedenA”   – i  possibili  staA  che  potevano  precedere  quella   consegunez     – Sono  quindi  di  natura  abdu6va  
Strategia  general  purpose   • L’analisi  mezzi-­‐fini  è  una  strategia  di  ricerca   eurisAca  general  purpose   • uAlizzabile  in  molA  Api  di  problemi,  astra8  o  non   astra8.     • Newell  e  Simon  la  indicano  come  una  delle   principali  strategie  psicologiche  volte  alla  ricerca   di  una  soluzione  in  uno  spazio  problemico   • in  praAca,  è  un  modo  spesso  efficace  per  trovare   una  via  verso  la  meta,  senza  dover  misurare  sulla   mappa  tuKe  le  vie  possibili.  
Hill  climbing   • Strategia  più  parsimoniosa,  ma  con  maggiori   probabilità  di  insuccesso   – Non  richiede  memoria  degli  staA  precedenA,  ma  solo   conoscenza  dell’obie8vo  e  una  metrica  in  grado  di   misurare  la  distanza  da  uno  stato  all’obie8vo   • “Avvicinamento  all’obie8vo  in  linea  dire2a”   • Metaforicamente:  uno  scalatore  cieco,  che  per   raggiungere  la  ve2a  di  una  collina  fa  solo  passi  in   salita   – se  più  passi  in  salita  sono  disponibili,  sceglie  a  caso  
• si  confronta  il  ve2ore  che  descrive  lo  stato   iniziale  con  il  ve2ore  che  descrive  lo  stato   terminale   • Si  valuta  la  distanza  di  ciascun  parametro  del   primo  da  ciascun  parametro  del  secondo.   • si  sceglie  una  mossa  che  riduce  la  distanza  di   almeno  uno  dei  parametri,  senza  aumentare   quella  degli  altri   – se  invece  si  considera  una  distanza  basata  su  tu8  i   parametri,  consideraA  insieme,  la  strategia  si  chiama   discesa  lungo  il  gradiente  (è  la  strategia  eurisAca   usata  nelle  reA  neurali  arAficiali  introdo2e  nel  cap.  1)   Mi disinteresso completamente dall avere uno spazio del problema
• Lì  hill  climbing  è  molto  efficiente     – Richiede  pochissime  risorse  computazionali   • Ma  può  essere  molto  poco  efficace   – può  non  incrementare  molto  la  possibilità  di   raggiungere  l’obie8vo   – Esempio:  una  strategia  hill-­‐climbing  non  risolverà  mai   un  problema  di  detouring   • Può  portare  a  massimi  locali:  punA  che  non   coincidono  con  l’obie8vo,  ma  dai  quali  ogni   operazione  allontana  dall’obie8vo   – In  un  compito  di  detouring,  l’apice  dell’ostacolo  a  V     Se ginpoco tempo, spazionproblema molto amoio e poche risorse, hill climbing puó essere una soluzione!
• Robertson  (2001)  ha  descri2o  la  strategia  di   hill-­‐climbing  come  “una  metafora  per  quando   risolviamo  problemi  al  buio”   – cioè,  senza  capirli  un  granché.   • per  quanto  rozza,  è  una  strategia  che   applichiamo  spesso  
Problema  delle  monete   • Regole:  date  sei  monete   disposte  come  in  A,  cercate   di  disporle  come  in  B   esa2amente  in  tre  mosse.     • Ogni  mossa  consiste  nel  far   scivolare  una  moneta  sul   piano  verso  una  posizione   dove  tocca  esa2amente   altre  due  monete,  senza   spingere  o  spostare  le  altre   monete  in  alcun  modo.   Rendere lo stato iniziale piu simile al finale Qui Hill Climbing porta a un MASSIMO LOCALE:
Problema  del  21   • Regole:  Scegliete  6   ge2oni  la  cui  somma   dia  21.     Risposta: partire dal piu basso Molti invece partono dal piu altro: hill climbing, obiettivo è 21, PORTIAMOCI PIU RAPIDAMENTE VERSO LA META
Il  backtracking   • Alcune  strategie  di  ricerca  eurisAca  sono  più  efficaci   – Ma  richiedono  più  risorse   • Altre  meno  efficaci   – Ma  richiedono  meno  risorse   • Tu2avia,  nessuna  garanAsce,  in  generale,  la  certezza  di   raggiungere  il  risultato   • Quando  ci  accorgiamo  che  la  via  imboccata  non  porta  alla   soluzione,  non  possiamo  far  altro  che  tornare  sui  nostri   passi:  backtracking   • Nella  teoria  di  N&S  il  backtracking  è  una  “riArata”  a  uno   stato  precedente   – Che  può  essere  lo  stato  iniziale   – Da  cui  si  procede  a  cercare  una  soluzione  alternaAva  
• Ripiegare  può  essere  difficile   – Esempio:  impossibile  se  sAamo  seguendo  una   strategia  hill  climbing   – Esempio:  fissazione   • Può  generare  staA  di  impasse,  e  abbandono  del   compito   • Se  vi  riusciamo,  possiamo  cercare  una  nuova   soluzione   • In  alcuni  casi  questo  comporta  una   ristru2urazione  del  problema    
• Simon  arrivò  a  considerare  la  ristru2urazione  per   insight  descri2a  dall’approccio  gestalAco  come   una  vera  e  propria  ridefinizione  dello  spazio  del   problema   – Quindi,  con  la  generazione  di  un  nuovo  spazio  degli   staA   • prospe8va  teorica  non  facilmente  traducibile  in   modelli  computazionali:  “Lo  spazio  dei  possibili   spazi  del  problema  è  eccessivamente  mal   definito:  di  fa2o,  è  infinito”  (Kaplane  e  Simon,   1990)  
CONOSCENZE  PRECEDENTI  E   PROBLEM  SOLVING   Le  conoscenze  precedenA  non  sono  solo  una  fonte  di  ostacoli,  ma  anzi   sono  spesso  la  chiave  per  un  efficace  a8vità  di  problem  solving     Keith  Holyoak   (UCLA)   Dedre  Gentner   (Northwestern)  
Problem  solving  per  analogia  
Problema  del  tumore  (Duncker,  1935)   Immaginate  di  essere  un  do2ore  che  deve  distruggere  un   tumore  maligno  nello  stomaco  di  un  paziente.  È  impossibile   operare  il  paziente,  ma  se  il  tumore  non  verrà  distru2o  il   paziente  morirà.  L’unico  mezzo  a  vostra  disposizione  sono  le   radiazioni.  Ma  l’intensità  delle  radiazioni  necessarie  a   distruggere  il  tumore  distruggerebbe  anche  i  tessuA  sani   intorno  al  tumore  stesso,  che  possono  sopportare   solo  basse  intensità  di  radiazioni.       Come  fare  a  distruggere  il  tumore  senzadanneggiare  i  tessuA?    
Un  generale  deve  prendere  d’assalto  una  fortezza   nemica.  Diverse  strade  portano  alla  fortezza,  ma  sono   tu2e  minate,  e  se  facesse  passare  tu2e  le  sue  forze  su   una   singola  strada  subirebbe  ingenA  perdite.  D’altra  parte,  sa   che  piccoli  conAngenA  possono  spostarsi  lungo  una   strada  minata  senza  correre  troppi  rischi.  Di   conseguenza,   divide  le  sue  forze  in  piccoli  conAngenA,  e  le  fa   convergere  sulla  fortezza  seguendo  strade  diverse,  in   modo  da  poterla  assalire  con  tu2e  le  sue  forze   contemporaneamente.     Ora  rispondete  nuovamente  al  problema  del  tumore.  
Gick  e  Holyoak  (1980,  1983)   • presentarono  al  gruppo  sperimentale  (non  al  gruppo  di   controllo)  la  seconda  storiella,  insieme  ad  altre  due   irrilevanA,  in  un  compito  “di  memoria”.   • Pochi  minuA  dopo  presentarono  il  problema  del  tumore.   • RisultaI:     – circa  il  10%  dei  controlli  risolveva  il  problema  per  convergenza   sul  fuoco   – Dei  partecipanA  che  avevano  le2o  la  storia  del  generale,  ma   non  erano  staA  avvisaA  che  una  delle  storie  poteva  aiutare  a   risolvere  il  compito,  circa  il  20%  risolsero  per  convergenza   – Invece,  i  partecipanA  che  avevano  le2o  la  storia  del  generale,  ed   erano  staA  avvisaA  che  una  delle  storie  poteva  aiutarli,   risolvevano  per  convergenza  nel  75%  dei  casi  
RagionamenA  per  analogia   • individuiamo  alcune  “speciali”  somiglianze  tra   un  insieme  di  conoscenze  passate  relaAve  a   un  problema  già  risolto  (la  storia  del  generale)   e  un  problema  nuovo  con  cui  ci  sAamo   confrontando  (il  problema  del  tumore).   • In  base  a  quelle  somiglianze  ipoAzziamo  che  la   “vecchia”  soluzione  possa,  una  volta  ada2ata,   applicarsi  anche  al  “nuovo”  caso.  
Fasi  del  ragionamento  per  analogia   Sfrutto conoscenza precedente e esperienza passata per risolvere problema attuale MAPPING: cpire cosa corrisponde a cosa e due storie,riconowciment o somiglianze Tumore=citta Radiazioni= citta TRANSFER: trasferisco lamsoluzione del problema precedente a quello attutal schema mentLe ASTRATTO, estraggonelementi strutturali interessanti
Ricerca  di  isomorfismi   • la  ricerca  di  analogie  consiste  nel  “far  coincidere”   alcune  cara2erisAche  del  problema  bersaglio  con   alcune  cara2erisAche  del  problema  sorgente   – Il  generale  con  il  medico,  le  radiazioni  con  l’esercito,  il   tumore  con  la  fortezza  nemica   • Ciascuna  di  queste  coppie  comprende  elemenA  ben   diversi,  ma  che  assumono  un  ruolo  struLuralmente   idenAco   • ciò  che  viene  messo  in  corrispondenza  non  sono  tanto  i   singoli  elemenA  (di  per  sé  privi  di  somiglianze),  quanto   le  relazioni  che  intercorrono  tra  loro   • si  cerca  di  idenAficare  un  isomorfismo  tra  le  stru2ure   dei  due  problemi  
Ragionamento  analogico  e  intelligenza   • CompiA  di  Apo  analogico  sono  presenA  in  tu8  i  “test  di   intelligenza”   – spesso  nella  forma  di  “problemi  a  qua2ro  termini”  (per   esempio,  “la  mano  sta  al  pollice  come  il  piede  sta  a…?”).   • Sono  altamente  correlaA  al  fa2ore  di  intelligenza  generale   G   • Il  test  delle  “matrici  progressive”  di  Raven  (1938),   esclusivamente  composto  da  problemi  grafici  risolvibili  per   analogia,  correla  altamente  con  tu8  i  principali  compiA  che   sAmano  diversi  aspe8  centrali  del  funzionamento   intelle8vo   • Alcuni  autori  sospe2ano  che  la  differenza  tra  il  pensiero   causale  “concreto”  osservato  negli  altri  animali,  e  quello   più  “astra2o”  riscontrato  nella  specie  umana,  dipendano   dalla  capacità  di  eseguire  ragionamenA  per  analogia   – Intrinsezamente  basaA  su  allineamenA  di  stru2ure  astra2e  
Funzioni  del  ragionamento  per  analogie   • Ogni  volta  che  non  abbiamo  sufficienA  informazioni   specifiche  per  stabilire  come  comportarci  in  una   situazione  nuova,  cerchiamo  analogie   – cioè  cerchiamo  di  “reclutare”  conoscenze  da  un  altro   dominio  per  applicarle  alla  nuova  situazione   • Per  aumentare  le  probabilità  che  le  conoscenze   “reclutate”  siano  adeguate,  è  necessario  che  i  due   domini  siano  stru2uralmente  simili.   • La  capaciytà  di  reclutare  conoscenze  basandosi  su   analogie  pare  permeare  i  ragionamenA  umani,  dai  più   semplici  ai  più  complessi   – Ragionamento  giuridico,  medico,  scienAfico,  ma  anche  il   ragionamento  dei  bambini  
Analogie  complesse  hanno  portato  a   grandi  salA  in  avanA  nella  scienza   • Niels  Bohr:  l’atomo  “è  come”  il  sistema   solare   • Konrad  Lorenz:  l’aggressività  animale  “è   come”  un  sistema  idraulico   • CogniAvismo:  La  mente  “è  come”  un   computer   • Charles  Darwin:  La  selezione  naturale  “è   come”  la  selezione  operata  da  allevatori   Mente: software = cervello : hardware
Analogie  semplici  (relaAvamente)   • -­‐nel  cercare  di  far  funzionare  ele2rodomesAci   che  non  conosciamo  stabiliamo  analogie  con   quelli  che  conosciamo,  per  cercare  di  capirne  i   comandi   • Nel  “leggere”  una  mappa,  stabiliamo  analogie  tra   linee  e  punA  tracciaA  su  un  foglio  di  carta  e   cara2erisAche  di  un  territorio.     • Ogni  volta  che  ci  troviamo  in  un  ambiente  nuovo   (un  nuovo  Apo  di  ristorante,  un  nuovo  gruppo  di   persone,  un  nuovo  lavoro  ecc.),  sviluppiamo   analogie  con  altre2anA  ambienA  noA  per  cercare   comportamenA  adeguaA     Analogia è x similitudin, non è rievocazione diretta di un problema identico
L’analogia  è  un  processo  indu8vo   • L’individuazione  di  analogie  genera  ipotesi,   non  certezze   • può  condurre  a  conclusioni  errate,  che   richiedono  un  controllo.     • Solo  se  quelle  conclusioni  si  dimostrano   adeguate  possono  poi  essere  apprese  in  forma   di  schema.  
Somiglianze  tra  stru2ure   • Per  Gentner,  “somiglianze”  e  “analogie”  sono  il  fru2o   dei  medesimi  processi,  applicaA  a  differen=  livelli.   • La  somiglianza  scaturisce  dal  confronto  tra  le   cara2erisAche  di  due  ogge8  o  evenA  (Tversky,  77)   – Un  “allineamento”  tra  cara2erisAche   • L’analogia  è  anch’essa  un  allineamento,  che  però   privilegia  le  relazioni,  invece  delle  cara2erisAche   superficiali.   • i  criteri  per  il  giudizio  di  somiglianze  possono  variare,   dal  livello  superficiale  al  livello  stru2urale,  a  seguito  di   semplici  modifiche  degli  sAmoli  (Glodstone  et  al,  91)  
La  terna  A  somiglia  di  più  alla  coppia  B  o  alla  coppia  C?   La  maggior  parte  delle  persone  giudica  che  A  sia  più  simile  a  B  che  a  C:  ha  due  elemenA   in  comune  e  una  differenza  rispe2o  a  B,  mentre  ha  tre  differenze  rispe2o  a  C.   Aggiungendo  un’invariante  (il  numero  7)  alle  coppie  B  e  C,  in  modo  da  o2enere   le  tre  terne  A’,  B’,  e  C’,  il  giudizio  di  somiglianza  cambia.   Anche  se  al  livello  dei  singoli  numeri  A’  resta  più  simile  a  B’  che  a  C’,  si  può  procedere  a   valutare  le  relazioni  che  intercorrono  tra  i  numeri  (relazioni  di  primo  ordine),  e  –   iteraAvamente  –  le  relazioni  che  intercorrono  tra  relazioni  (relazioni  di  secondo  ordine   ecc.).  
Forza  di  un’analogia   • qua2ro  criteri  determinano  la  forza  di  un  allineamento   analogico:   1. conne>vità  parallela:  le  relazioni  poste  in  corrispondenza   hanno  argomenA  anch’essi  in  corrispondenza   2. Biunivocità:  ogni  elemento  in  una  stru2ura  è  allineabile  a   uno  e  uno  solo  degli  elemenA  nell’altra  stru2ura   3. focus  sulle  relazioni:  l’analogia  si  basa  principalmente  su   allineamenA  di  relazioni,  piu2osto  che  di  componenA   superficialmente  idenAche   4. SistemaIcità:  l’analogia  coinvolge  sistemi  altamente   interconnessi  da  relazioni  interne;  in  altre  parole,   l’analogia  coinvolge  relazioni  di  ordine  superiore  al  primo   2corriap a 3, non a 7 Si relazioni nnsomigl suoerfici ali Fare!!
• I  criteri  possono  essere  soddisfa8  in  varia  misura   – la  forza  dell’ipotesi  generata  dall’allineamento   stru2urale  cresce  o  si  riduce  di  conseguenza   • Gentner  e  colleghi  hanno  uAlizzato  quesA  principi   per  simulare  vari  Api  di  analogie   – come  l’analogia  tra  i  circuiA  ele2rici  e  i  tubi   dell’acqua,  o  tra  le  resistenze  ele2riche  e  i  cancelle8   contapersone  dei  corridoi  della  metropolitana   • Il  loro  modello  computazionale  si  chiama   Structure  Mapping  Engine  (SME)   AnLogia è induttiva, e per come tutti rag induttivi devo capire la sua FORZA (sono GENIALI O IMPLAUSIBILI?)
• Gli  stessi  principi  si  applicano  anche  ad  alcune   delle  geniali  analogie  che  hanno  consenAto  salA   in  avanA  della  scienza   • Per  esempio,  l’analogia  tra  l’atomo  di  idrogeno  e   il  sistema  solare  si  contraddisAngue  per  il  buon   soddisfacimento  di  tu8  i  requisiA,  compreso  il   coinvolgimento  di  relazioni  di  ordine  superiore  al   primo   – che  spesso  consistono  in  relazioni  di  causalità,  o  di   permissibilità  
L’uso  di  analogie  come  strumenA  di   persuasione:  il  tentaAvo  di  mantenere   coerenza   • L’analogia  è  molto  usata  nel  discorso  poliAco,   per  portare  sostegno  alle  argomentazioni  di   una  qualche  fazione   • Spesso  queste  analogie  sono  “pasAcciate”  e   deboli   • Ma  risultano  efficaci,  perché  gli  ascoltatori  le   sviluppano  cercando  di  “mantenerle  coerenA”   Uso analogia nela retorica
Esempio  (Spellman,  Holyoak,  1992)   • durante  la  Prima  guerra  del  Golfo  il  presidente   George  Bush  senior  propose  l’analogia  “Saddam   Hussein  è  come  Hitler”.   – Saddam  Hussein  capo  Iraq   – Hitler  capo  Germania  Nazista   – L’allineamento  di  S.H.  con  H  porta  a  allineare  Iraq  e   Germania  Nazista     • Conne8vità  parallela  soddisfa2a   – Ma  Bush  con  chi  si  allinea?  Con  Churchill,  allineando   USA  anni  90  con  UK  anni  40,  o  con  Roosvelt,   allineando  USA  anni  90  con  USA  anni  40?   • Biunivocità  non  soddisfa2a  
Mantenimento  della  coerenza   • Chi  sceglieva  di  allineare  Bush  senior  con   Roosevelt:   –  poi  sceglieva  di  allineare  USA  90  con  USA  40   – E  l’Arabia  Saudita  del  1991  con  l’Inghilterra  del  1940   • cioè,  un  paese  che  rischiava  di  essere  invaso.   • Chi  sceglieva  di  allineare  Bush  senior  con   Churchill:   –  poi  sceglieva  di  allineare  USA  90  con  GB  40   – E  l’Arabia  Saudita  con  la  Francia,  o  altri  paesi  invasi  dai   nazisA  
Manipolabilità   • presentando  ai  partecipanA  brevi  compendi  di  storia   della  seconda  guerra  mondiale  di  due  Api:   – uno  che  enfaAzzava  il  ruolo  eroico  dell’Inghilterra   dall’inizio  del  confli2o   – L’altro  che  enfaAzzava  l’importante  ruolo  degli  USA  nel   chiudere  il  confli2o   • Si  o2eneva  nel  primo  caso,  una  propensione  di   allineamenA  Bush-­‐Churchill,  e  nel  secondo,  Bush-­‐ Roosvelt   • A2enzione:  questo  Apo  di  analogie  possono  essere   manipolate  anche  fornendo  informazioni  false   – Come  la  presenza  di  WMD  in  Iraq  nel  2003  
Recupero  spontaneo  di  analogie   • Negli  esperimenA,  le  sorgenA  di  anologia  sono   fornite  dallo  sperimentatore  qualche  tempo   prima  del  problema   • Nella  vita  reale,  invece,  sviluppiamo  analogie   sondando  la  nostra  memoria,  e  a8vando  qualche   possibile  fonte   • Gli  studi  di  Gick  e  Holyoak  sembravano  indicare  che  le   analogie  fossero  poco  spontanee,  eppure  l’osservazione   di  tu8  i  giorni  ci  mostra  che  anche  i  bambini  ragionano   per  analogia   • I  criteri  che  guidano  il  recupero  spontaneo  di   un’analogia  sono  gli  stessi  che  determinano  la   sua  forza?  
Analogie  spontanee:  somiglianza   superficiale  e  di  obie8vi  (Keane,  87)   • Sources  presentate  da  1  a  3  giorni  prima  del   target   • La  source  simile  al  target  era  spontaneamente   recuperata  nell’88%  dei  casi   – Storia  su  un  chirurgo  che  interviene  su  un  tumore  al   cervello   • La  source  dissimile  (storia  del  generale)  il  12%   • Se  la  storia  era  recuperata,  le  soluzioni  per   convergenza  erano  in  entrambi  i  casi  l’86%   – Il  mapping  è  indipendente  dal  retrieval  
• nel  cercare  analogie  per  risolvere  un  nuovo   problema  si  esplorano  inizialmente  le   conoscenze  precedenA  relaAve  a  problemi:   – con  obie8vi  simili   – con  contenuA  superficiali  simili.   • Tu2avia,  gioca  un  ruolo  anche  il  grado  di   somiglianza  stru2urale  
I  tre  criteri  che  rendono  facilmente   visibile  un’analogia   • somiglianza  superficiale:  l’analogia  è  tanto  più  visibile   quanto  più  i  componenA  del  dominio  sorgente  sono   simili  ai  componenA  del  dominio  bersaglio;   • somiglianza  struLurale:  l’analogia  è  tanto  più  visibile   quanto  maggiore  è  la  somiglianza  stru2urale  tra   dominio  sorgente  e  dominio  bersaglio;   • somiglianza  di  obie>vi:  l’analogia  è  tanto  più  visibile   quanto  più  gli  obie8vi  conseguiA  nel  dominio  sorgente   sono  simili  a  quelli  da  conseguire  nel  dominio   bersaglio.   • Anche  in  questo  caso,  non  si  tra2a  di  criteri  tu2o-­‐o-­‐ niente,  ma  di  “vincoli”  presi  in  considerazione  in   parallelo   COSA DETERMIN CHE UN ANALOGIA SIA RECUPERATA
“RelaAonal  Shi•”   • L’importanza  relaAva  dei  tre  Api  di  somiglianza   può  variare  con  l’età  degli  individui   • Gentner  e  Toupin  (1986)  indicano  che  i  bambini   molto  piccoli  tendono  a  fare  analogie  basate   sopra2u2o  su  somiglianze  superficiali   – con  allineamenA  anche  in  aperta  violazione  delle   relazioni  stru2urali.     • Solo  successivamente  avverrebbe  un  passaggio  a   privilegiare  somiglianze  stru2urali  e  di  obie8vi   – Questo  passaggio  prende  il  nome  di  rela=onal  shiX.   ASPETTI EVOLUTIVI
Estrazione  di  schemi  dalle  analogie   • le  analogie  spontanee  sono  guidate  in  larga   misura  dalla  somiglianza  superficiale  e  di   obie8vi  tra  sorgente  e  bersaglio   • Come  è  possibile  allora  che  talvolta  si   stabiliscono  analogie  tra  domini  totalmente   differenA?   – Per  esempio,  le  grandi  analogie  nella  scienza  
• lo  sviluppo  e  l’uso  di  un’analogia  può  risolversi   nell’apprendimento  di  uno  schema  di   ragionamento  astraLo   • successivamente,  lo  schema  può  essere   applicato  a  contesA  stru2uralmente  simili,  ma   superficialmente  dissimili  da  quelli  in  cui  è   stato  acquisito.   – In  questo  modo,  è  il  “fare  analogie”  che  ci  rende   gradualmente  sempre  più  in  grado  di  fare  altre   analogie,  anche  tra  contenuA  remoA  
Gick  e  Holyoak  (83)   • Osservarono  che  l’analogia  poteva  essere   facilitata  dalla  presentazione  di  diagrammi   schemaAci  astra8   – o  del  suggerimento  “se  c’è  bisogno  di  una  grande   forza  per  o2enere  uno  scopo,  ma  non  la  si  può   applicare  dire2amente,  l’applicazione  di  molte   forze  deboli  convergenA  può  conseguire  lo  stesso   scopo”.   È MOLTO PIU ASTRATTO DELLA STORIA ESERCITO
• Anche  se  una  sola  analogia  tra  due  esempi   può  già  dar  vita  ad  uno  schema,  gli  schemi  si   possono  sviluppare,  affinare,  ed  astrarre   maggiormente  con  l’aumento  degli  esempi  a   disposizione  (Catrambone  e  Holyoak,  1989)   • Il  “trasferimento  a  lungo  termine”  migliora   con  il  migliorare  degli  schemi  che  sono  staA   astra8  
• In  Catambrone  e  Holyoak  (89),  i  partecipanA   ricevevano  prima  due  problemi  analoghi  basaA  su   convergenza,  con  domande  che  li  aiutavano  a   focalizzarsi  sulla  loro  stru2ura   • Poi  ricevevano  un  terzo  analogo,  che  nella   maggior  parte  dei  casi  risolvevano  (comunque,  la   soluzione  era  poi  comunicata  loro)   • Una  se8mana  dopo  ricevevano  il  problema  del   tumore,  senza  alcun  suggerimento  di  associarlo   agli  esempi  precedenA   – 80%  di  soluzioni  per  convergenza   • Pedone,  Hummel  e  Holyoak  (2001)  o2ennero   risultaA  simili  uAlizzando,  come  indu2ori  di   schemi,  diagrammi  dinamici   STRATEGIA INDUZIONE SCHEMA ASTRATTO
NON USO STORIA MA GRAFICI IN MOVIMENTO
Schemi  dominio-­‐specifici   • l’aver  stabilito  una  prima  analogia  tra  due  domini  di   conoscenza  perme2e  di  estendere  l’analogia  con   maggiore  facilità  ad  altri  domini.     • Le  prime  analogie  astraggono  uno  schema,  libero  da   vincoli  di  contenuto.     • Può  quindi  essere  applicato  a  qualsiasi  contenuto,   purché  con  stru2ura  simile  (schemi  dominio-­‐specifici).     • Cheng  e  Holyoak  (1985;  Cheng,  Holyoak,  Nisbe2  et  al.,   1986;  Holyoak,  Cheng,  1995)  svilupparono  questa   proposta  nella  teoria  degli  schemi  pragmaIci  di   ragionamento,  che  intervengono  in  alcune  forme  di   deduzione  
• “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”     Esempio  di  origine  analogica  degli  “schemi  pragmaAci”     per  il  ragionamento  deonAco   RAGIONMENTO DWONTOCO È IL RAGIONAM SUI DOVERI
• “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”    
• “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y    
• “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y   • Se  non  riordini  la  camera  non  potrai  andare  a  giocare    
• “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y   • Se  non  riordini  la  camera  non  potrai  andare  a  giocare   • Se  non  X  allora  non  Y    
Schemi  acquisiA  e  experAse   • Via  via  che  le  persone  acquistano  esperienza  in  una   parAcolare  area,  acquisiscono  un  numero  crescente  di   schemi,  sempre  più  facili  da  recuperare  per  risolvere   problemi  nuovi.   • Pur  appresi  tramite  esempi  specifici,  gli  schemi   guidano  e  supportano  futuri  allineamenA  e  inferenze.  L   • L’aver  acquisito  numerosi  schemi  è  la  caraLerisIca   fondamentale  che  disIngue  la  prestazione  di  un   esperto  da  quella  di  un  non  esperto.     • Tu2avia,  se  considerare  nuove  analogie  è  uno  sAle  di   pensiero  produ>vo,  acquisirne  gli  schemi  e  recuperarli   in  modo  pressoché  automaAco  per  risolvere  problemi   segna  il  passaggio  verso  il  pensiero  riprodu>vo.     – Con  i  rischi  di  fissità  e  meccanizzazione  che  esso  comporta  
EXPERTISE  E  SOLUZIONE  DI   PROBLEMI    Cosa  c’è  alla  base  dell’essere  esperA  nel  risolvere   cerA  Api  di  problema?   “I’m  Winston  Wolfe.  I  solve  problems.”   (Harvey  Keitel  in  “Pulp  ficAon”,  1991)  
• ExperIse:  perizia,  competenza,  a  indicare  ciò   che  rende  qualcuno  molto  abile,  in  una   determinata  classe  di  compiA   • L’esperto  è  cara2erizzato  da  vaste  conoscenze   precedenA  e  addestramento  in  quel  dominio   – “regola  delle  10.000  ore”:  l’ordine  di  grandezza   delle  ore  da  dedicare  a  praAca  per  diventare   davvero  “esperA”  di  qualcosa  (studi  su  musicisA,   scacchisA,  medici,  sporAvi)  
• Le  conoscenze  precedenA  hanno  due  effe8:   1. effeLo  negaIvo,  quando  provocano  fissità,   rigidità,  meccanizzazione  del  pensiero  e   mental  set   2. effeLo  posiIvo,  quando  gli  schemi   favoriscono  la  rapida  soluzione  di  problemi   che,  per  altri,  sarebbero  impossibili  da   risolvere.  
• Entrambe  queste  proprietà  si  osservano  nel  problem   solving  degli  esperA.   • MolA  “cosidde8  esperA”  spesso  “guardano  le  cose  col   paraocchi”,  suggerendo  sempre  gli  stessi  rimedi   – Meccanizzazione,  che  può  comportare  errori  di  giudizio,  di   decisione,  e  di  categorizzazione   • Ma  talvolta  capita  di  incontrare  esperA  “davvero   bravi”,  che  in  qua2ro  e  qua2r’o2o  idenAficano  un   problema  per  noi  invisibile,  lo  diagnosAcano,  e   propongono  un  rimedio  efficace.     – effe2o  posi=vo  delle  conoscenze  precedenA,  basato   sull’uso  flessibile  e  controllato  degli  schemi  conce2uali   astra8  dall’esperienza.  
Differenze  tra  aree  di  experAse   • ogni  area  di  esperienza  è  a  sé  stante   – essere  esperA  nel  gioco  degli  scacchi,  di  motori  a   scoppio,  o  di  medicina,  non  è  la  stessa  cosa,  né  per  i   contenuA  dell’exper=se,  né  per  la  Apologia  di   problemi  che  l’esperto  affronta,  né  per  lo  sAle  di   pensiero  con  cui  deve  provare  a  risolverli.     • Esistono  molA  studi  che  rilevano  le  peculiarità  e   le  diverse  sfacce2ature  di  diverse  aree  di   exper=se.     • Qui  ci  chiediamo  quale  sia  il  “minimo  comun   denominatore”:  cosa  accomuna  tu>  gli  esperI,   quale  che  sia  la  loro  area  di  exper2se,  e  li   differenzia  dai  non  esperI?  
Gli  esperA  sono  più  “intelligenA”  di  altri?   • Se  intendiamo  come  intelligenza  l’insieme  delle   capacità  cogniAve  di  base…   – capacità  di  memoria  di  lavoro,  di  a2enzione,  di   discriminazione  perce8va,  di  apprendimento,  di   ragionamento  astra2o  ecc.   • …gli  esperA  di  una  data  area,  nella  media,  non  sono   diversi  da  qualsiasi  non  esperto  di  quell’area.   • Non  occorre  essere  dei  geni  per  diventare  degli  esperA   in  una  qualche  disciplina.     – Basta  l’apprendimento  guidato  dall’esperienza,  le  cui   norme  generali  sono,  più  o  meno,  eguali  per  tu8  (Cap.  7)  
Studi  sull’experAse  negli  scacchi   • Chase  e  Simon  (1973)  ipoAzzarono  che  gli  esperA   giocatori  di  scacchi  possedevano  una  gran  quanAtà  di   configurazioni  di  pezzi  note  depositate  in  memoria  a   lungo  termine   • chiamavano  chunks  quesA  grappoli  di  informazione   • I  chunks  consenAvano  agli  esperA  di  riconoscere  “a   colpo  d’occhio”  lo  stato  di  una  parAta,  mandarlo  a   memoria  più  rapidamente,  e  selezionare  solo  poche   mosse  acce2abili  da  considerare   – riducendo  così  di  gran  lunga  lo  “spazio  degli  staA”,  rispe2o   ai  non  esperA.  
Dai  chunks  ai  templates   • Gobet  e  Waters  (2003)  hanno  sviluppato  le  idee  di  Chase  e   Simon.   • I  giocatori  esperA  possiedono  schemi  (templates),  in  grado   di  conne2ere  tra  loro  in  modo  sensato  molA  pezzi  di  una   configurazione  su  una  scacchiera.   • Basta  a8vare  due  o  tre  di  quesA  schemi  per  riconoscere  e   ricordare  una  configurazione  di  gioco  (Gobet,  Clarkson,   2004).     • Il  corrispondente  risparmio  di  risorse  cogniAve  consente  di   dedicarne  di  più  all’analisi  delle  poche  mosse  che  è  sensato   considerare  in  quella  situazione.     • Gli  schemi  prediligono  relazioni  dense  di  significato   – per  esempio,  relazioni  d’a2acco  o  di  difesa,  che  dipendono  dalla   posizione  relaAva  dei  pezzi,  piu2osto  che  dalle  posizioni   assolute.  
• Gobet  e  Simon,  1996:  meta-­‐analisi  su  molA  studi   precedenA   – gli  esperA  di  scacchi  hanno  solo  un  vantaggio   lievissimo,  relaAvamente  ai  non  esperA,  per  quanto   riguarda  la  memorizzazione  di  scacchiere  con   posizioni  casuali   – Per  quelle  configurazioni,  gli  schemi  appresi  non   possono  aiutare.     • Gobet  e  Waters,  2003:  rassegna  di  vari  studi.     – Concludono  che  non  vi  è  una  correlazione  tra  capacità   di  gioco  degli  scacchi  e  intelligenza  generale    
experAse  negli  scacchi:  conclusioni   • Le  “incredibili”  prestazioni  di  gioco  dei  gran   maestri  di  scacchi  non  sono  dovute  non  a   parAcolari  doA  individuali   • Piu2osto,  l’esperienza,  ha  depositato  nelle  loro   memorie  un  insieme  di  schemi  usaA   flessibilmente:   – Che  perme2ono  di  riconoscere  rapidamente  una   situazione  di  gioco   – E  di  selezionare  poche  mosse  adeguate  a  quella   situazione,  per  approfondire  solo  quelle  
Studi  sull’experAse  medica   • principale  disAnzione  tra  gli  sAli  di   ragionamento  di  un  medico  esperto  e  di  uno   non  esperto:   – L’esperto  si  avvale  in  misura  maggiore  di  processi   impliciA  e  automaAci   – L’inesperto  si  avvale  di  più  di  processi  espliciA  e   analiAci  (Heiberg  Engel,  2008).  
Alcuni  esempi   • Krupinsky  et  al.,  2006   • presentano  a  studenA  di  medicina,  specializzandi,   ed  esperA  patologi  alcune  diaposiAve  di  biopsie  al   seno   • controllano  i  movimenA  oculari   • Risultato:     – gli  esperA  guardano  per  meno  tempo  (4,5  s,  vs  7,1  s   degli  specializzandi,  e  11  degli  studenA)   – Gli  esperA  usano  poche  fissazioni,  in  punA  criAci  (i   meno  esperA  invece  esplorano  serialmente  l’intera   diaposiAva)  
• Kundel  et  al,  2007   • SImoli:  diaposiAve  di  mammografie,  alcune  delle   quali  indicavano  la  probabile  presenza  di  un   tumore  al  seno   • RisultaI:  la  precisione  diagnosAca  è   nega=vamente  correlata  al  tempo  impiegato  per   fissare  lo  sguardo  sulla  prima  lesione  significaAva   • Conclusioni:  i  più  competenA  riescono  a  passare   rapidamente  dal  quadro  globale  a  fissazioni   specifiche  sui  punA  criAci.  I  meno  esperA   procedono  serialmente,  esplorando  l’intero   sAmolo  punto  per  punto.  
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving
capitolo9 slide provvisorio problem solving

Recommended

Apprendimento e pensiero c
Apprendimento e pensiero cApprendimento e pensiero c
Apprendimento e pensiero cimartini
 
Apprendimento e pensiero m
Apprendimento e pensiero mApprendimento e pensiero m
Apprendimento e pensiero mimartini
 
Apprendimento e pensiero
Apprendimento e pensieroApprendimento e pensiero
Apprendimento e pensieroimartini
 
I processi cognitivi_apprendimento
I processi cognitivi_apprendimentoI processi cognitivi_apprendimento
I processi cognitivi_apprendimentoimartini
 
La creatività
La creativitàLa creatività
La creativitàmariolina
 
La creatività
La creativitàLa creatività
La creativitàmariolina
 
Creatività
CreativitàCreatività
Creativitàhaidigarulli
 
Apprendimento condizionamento2b
Apprendimento condizionamento2bApprendimento condizionamento2b
Apprendimento condizionamento2bimartini
 

Recommended

Apprendimento e pensiero c
Apprendimento e pensiero cApprendimento e pensiero c
Apprendimento e pensiero cimartini
 
Apprendimento e pensiero m
Apprendimento e pensiero mApprendimento e pensiero m
Apprendimento e pensiero mimartini
 
Apprendimento e pensiero
Apprendimento e pensieroApprendimento e pensiero
Apprendimento e pensieroimartini
 
I processi cognitivi_apprendimento
I processi cognitivi_apprendimentoI processi cognitivi_apprendimento
I processi cognitivi_apprendimentoimartini
 
La creatività
La creativitàLa creatività
La creativitàmariolina
 
La creatività
La creativitàLa creatività
La creativitàmariolina
 
Creatività
CreativitàCreatività
Creativitàhaidigarulli
 
Apprendimento condizionamento2b
Apprendimento condizionamento2bApprendimento condizionamento2b
Apprendimento condizionamento2bimartini
 
Apprendimento condizionamento2b
Apprendimento condizionamento2bApprendimento condizionamento2b
Apprendimento condizionamento2bimartini
 
Apprendimento condizionamento
Apprendimento condizionamentoApprendimento condizionamento
Apprendimento condizionamentoimartini
 
PROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologiePROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologiePier Giuseppe
 
creativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.pptcreativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.pptVillaPieris
 
Discipline performative
Discipline performativeDiscipline performative
Discipline performativeOrnella Castellano
 
intelligenza
intelligenzaintelligenza
intelligenzaannangela
 

More Related Content

Similar to capitolo9 slide provvisorio problem solving

Apprendimento condizionamento2b
Apprendimento condizionamento2bApprendimento condizionamento2b
Apprendimento condizionamento2bimartini
 
Apprendimento condizionamento
Apprendimento condizionamentoApprendimento condizionamento
Apprendimento condizionamentoimartini
 
PROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologiePROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologiePier Giuseppe
 
creativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.pptcreativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.pptVillaPieris
 
intelligenza
intelligenzaintelligenza
intelligenzaannangela
 

Similar to capitolo9 slide provvisorio problem solving (6)

Apprendimento condizionamento2b
Apprendimento condizionamento2bApprendimento condizionamento2b
Apprendimento condizionamento2b
 
Apprendimento condizionamento
Apprendimento condizionamentoApprendimento condizionamento
Apprendimento condizionamento
 
PROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologiePROPIT progettare per personalizzazione e inclusione con le tecnologie
PROPIT progettare per personalizzazione e inclusione con le tecnologie
 
creativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.pptcreativitc3a0-innovazione-e-marketing.ppt
creativitc3a0-innovazione-e-marketing.ppt
 
Discipline performative
Discipline performativeDiscipline performative
Discipline performative
 
intelligenza
intelligenzaintelligenza
intelligenza
 

capitolo9 slide provvisorio problem solving

  • 1. Cap.  9        Ragionare   per  risolvere  problemi    
  • 2.
  • 3.
  • 4. • che  vuol  dire  “ada2arsi”,  nella  vita  di  tu8  i   giorni?     • arrovellarsi  per  risolvere  problemi   • usare  le  proprie  capacità  di  ragionamento  per   modificare  situazioni  che  ci  danneggiano,  o  per   rimuovere  gli  ostacoli  che  ci  impediscono  di   raggiungere  un  qualche  obie8vo   – oltre  a  capacità  motorie,  sensoriali,  a2enAve,  di   memoria  ecc.   • Tra  pensiero  e  azione:  la  maggior  parte  del   problem  solving  coinvolge  ragionamento   orientato  all’azione   – E  convolge  azioni  che  possono  richiedere  maggiori  o   minori  livelli  di  abilità   – Eccezione:  “problemi”  esclusivamente  intelle2uali  
  • 5. Definizione  (K.Duncker,  1935)   Un  problema  sorge  quando  una  creatura  vivente   ha   un   obie6vo,   ma   non   sa   come   conseguirlo.   Quando   uno   non   può   muoversi   da   una   data   situazione   alla   situazione   desiderata   semplicemente   agendo,   deve   far   ricorso   al   pensiero  
  • 6. ComponenA  del  problem  solving   • Rilevazione  del  problema   – Confronto  tra  obie8vi  e  ambiente   • Rappresentazione  iniziale  del  problema   – Insieme  di  possibili  soluzioni   • “spazio  del  problema”   • Ricerca  della  soluzione   – Controllo  delle  possibili  soluzioni   – Revisione  iteraAva  della  rappresentazione,  se   nessuna  soluzione  si  rivela  adeguata  
  • 7. Esempio  della  stru2ura  ipoteAco   dedu8va  del  problem  solving   Sono  nella  mia  camera  in  albergo,  e  non  trovo  un  libro  che     stavo  leggendo.  Ricordo  che  oggi  l’ho  le2o  solamente  in     camera  e  nel  ristorante  dell’albergo.  Potrebbe  essere  scivolato  da   qualche  parte  in  camera,  o  potrei  averlo  dimenAcato  al  ristorante,  o   potrebbe  essermi  caduto  dalla  tasca  nel  tragi2o  tra  la  camera  e  il   ristorante  (premessa  A).Dopo  un  a8mo  di  riflessione  e  dopo  essermi   controllato  le  tasche,  profonde  e  non  bucate,  sono  ragionevolmente   certo  di  poter    escludere  l’ulAma  possibilità:  non  può  essere  lungo  il   tragi2o  (premessa  B).  Dunque,  o  è  al  ristorante,  o  è  in  camera   (conclusione  1).  Telefono  alla  recep=on  del  ristorante  e  chiedo:  mi   confermano  che  il  libro,  lì,  non  c’è  (premessa  C).  Quindi  deve  essere   in  camera  (conclusione  2).     Cerco,  e  infine  lo  trovo,  infilato  tra  il  materasso  e  la  tesAera  del  le2o.     Ho  risolto  il  problema!  
  • 8. Impianto  logico  (ipoteAco-­‐dedu8vo)  e   componenA  del  problem  solving    
  • 9.
  • 10. Diversi  approcci     • Nonostante   la   complessità   dell’interazione   tra   diversi   processi   di   pensiero,  percezioni  e  azioni,  percepiamo  il  problem  solving  come   un  processo  fluido   • Per   questo   studiare   i   casi   in   cui   si   “inceppa”   ha   aiutato   a   capire   meglio  le  sue  componenA  fondamentali   • Due  approcci   – Globale,  olisAco  (Es.,  Gestalt)   • si  studia  il  problem  solving  nel  suo  complesso,  uAlizzando  problemi  complessi   che   richiedono   molA   Api   di   pensiero   e   altri   skill,   senza   occuparsi   della   suddivisione  fine  in  so2ocompomenA   • L’obie8vo  è    idenAficare  e  descrivere  alcuni  “fenomeni”  ricorrenA  nel  PS,  che   richiedono  una  spiegazione   – AnaliAco  (Es.,  Newell  &  Simon)   • Si  cerca  di  descrivere  quali  meccanismi  psicologici  siano  alla  base  di  diversi  Api   di  ragionamenA   • A  loro  volta  alla  base  del  problem  solving  
  • 11. L’approccio   della  Gestalt   Una  fenomenologia   sperimentale  del  problem   solving     W.  Köhler   Intelligenzenprüfungen   an  Anthropoiden   K.  Duncker   Zur  Psychologie  des   produk=ven  Denkens   M.  Wertheimer   Produc=ve  Thinking   Wolfgang  Köhler   (1887-­‐1967)   Max  Wetheimer   (1880-­‐1943)   Karl  Duncker   (1903-­‐1940)  
  • 12. pensiero  riprodu>vo  e  pensiero   produ>vo   • Per  gli  studiosi  GestalAsA,  il  pensiero  riprodu>vo   consiste  nella  capacità  di  replicare  schemi  appresi   in  passato   – Esempio:  il  ga2o  di  Thorndike  apprende  come   risolvere  il  problema  “uscire  dalla  gabbia”,  e  poi   riproduce  ciò  che  ha  appreso   • Il  pensiero  produ>vo  perme2e  invece  di   ricombinare  conce8  e  nozioni  in  forme  nuove   – Senza  ricorrere  a  “prove  ed  errori”  esperienziali   – “ristru2ura  la  rappresentazione  del  campo  perce8vo”  
  • 13. Le  scimmie  di  Köhler   • Studi  presso  il  centro  primatologico  di  Tenerife,   1913-­‐1920   • Köhler  dimostra  capacità  di  detouring  in  molte   specie,  poi  si  concentra  sugli  scimpanzé   – Il  detouring  è  la  capacità  di  avvicinarsi  ad  un  obie8vo   in  modo  indire2o,  seguendo  un  percorso  mai  seguito   prima  e  che  non  è  il  più  breve  tra  quelli  disponibili,  né   quello  appreso  e  comunemente  seguito   – Richiede  la  rappresentazione  mentale  di  una  mappa   sulla  quale  pianificare  il  percorso   – Primo  indizio  di  presenza  di  un  pensiero  di  Apo   produ8vo   quindi non vale solo stimoloe risposta
  • 14. Gabbie  e  banane   • Köhler  crea  diverse  situazioni  problemiche  ponendo  alcune   banane  in  posizioni  non  dire2amente  raggiungibili  dagli   scimpanzé   • Nelle  gabbie  erano  presenA  altri  ogge8,  apparentemente   non  collegaA  al  problema   – Casse,  canne,  pali   • Alcuni  scimpanzè  si  rivelarono  in  grado  di  generare   soluzioni  creaAve   – Esempio:  accatastare  le  casse  per  raggiungere  banane  appese  in   alto;  collegare  tra  loro  due  canneper  raggiungere  banane  poste   fuori  della  gabbia,  al  di  la  della  portata  di  un  braccio  e  di  una   sola  canna   • Le  soluzioni  erano  talvolta  raggiunte  in  forma  cooperaAva  
  • 15.
  • 16. Osservazioni  di  Köhler   • di  fronte  a  un  problema  nuovo,  gli  scimpanzé  tendevano  a   produrre  tentaAvi  dire8,  e  non  efficaci   – saltare,  protendere  il  braccio  fuori  dalla  gabbia;   • talvolta  si  “fissavano”  su  un  certo  Apo  di  soluzione,   ripetendola  più  volte,  anche  dopo  aver  constatato  che  non   era  efficace;   • innervosiA  e  irritaA,  si  riAravano  in  una  pausa  di  ina8vità,   durante  la  quale  guardavano  le  banane,  le  casse,  i  pali,  e  tu8   gli  altri  componenA  della  scena;   • talvolta,  quando  emergevano  dalla  pausa,  si  dirigevano   dire2amente  verso  alcuni  ogge8  –  ormai  veri  e  propri   strumen=  –  e  li  combinavano  e  uAlizzavano  per  tentare  una   soluzione  nuova  rispe2o  alle  precedenA  (talvolta,  con   successo).  
  • 17. Processi  coinvolA   • Il  Apo  di  processo  che  segue  uno  scimpanzé,  per   raggiungere  una  banana  posta  fuori  dalla  gabbia  ha   stru2ura  ipoteAco-­‐dedu8va  itera=va   – Sultan  rappresenta  un  insieme  di  prime  possibilità   • protendere  il  braccio,  usare  una  sola  canna   – le  controlla  sistemaAcamente  e  le  trova  insufficienA  a   raggiungere  la  soluzione   – Prova  e  riprova  invano,  con  diverse  canne  (fissazione)   – revisiona  (o  ristruKura)  la  rappresentazione  del  compito,   avvalendosi  delle  sue  conoscenze  causali   • Se  una  sola  canna  non  raggiunge  la  banana,  due  canne  possono   raggiungerla   – Supera  per  prove  ed  errori  gli  ostacoli  di  esecuzione  posA   dal  so2oproblema  “congiungere  due  canne”   – Esplora  la  nuova  possibilità,  risolvendo  il  compito  
  • 18. Differenze  individuali   • Non  tu8  gli  scimpanzé  esaminaA  sapevano   risolvere  i  problemi  trovando  soluzioni  nuove,   dopo  che  altre  avevano  fallito   • alcuni  erano  più  capaci  di  risolvere  i  problemi   complessi  che  l’ambiente  poneva  loro,  e  altri   meno   • se  si  definisce  l’intelligenza  come  capacità  di   ada2amento  all’ambiente,  alcuni  erano  più   intelligen=  di  altri.  
  • 19. Fenomenologia  del  problem  solving   • Köhler,  e  poi  Duncker  (1935)  e  Wertheimer   (1945),  descrissero  alcune  manifestazioni   comportamentali  frequentemente  osservate   durante  la  risoluzione  di  alcuni  Api  di  problemi   • In  parAcolare  nei  problemi  per  insight   • Ma  oggi  sappiamo  che  possono  presentarsi  in   in  ogni  altro  Apo  di  problema  
  • 20. • Impasse:  il  partecipante  ha  esplorato  tu2e  le   possibilità  a  sua  disposizione;  ha  prodo2o  una   serie  di  tentaAvi,  compresi  i  più  dire8,  senza   raggiungere  un  buon  esito.  Si  blocca,  può   abbandonare  il  compito.   • Fissità  o  fissazione:  il  partecipante  tenta  e  ritenta   una  strategia  già  provata,  e  rivelatasi  inefficace.   Non  riesce  a  “disancorarsi”  da  vecchie  ipotesi  per   sviluppare  nuove  possibilità  
  • 21. • Incubazione:  una  pausa  temporale  interposta  tra   diversi  tentaAvi  di  soluzione  e  durante  la  quale   non  ci  si  dedica  al  problema  può  aiutare  a  trovare   una  nuova  possibilità  di  soluzione   • Aha-­‐Erlebnis:  è  un  termine  tedesco,  che  significa   “esperienza  ah-­‐ah!!!”,  a  indicare  il  momento  in   cui  “si  accende  una  lampadina  in  testa”,  e  uno   esclama  “ho  trovato!”.  Dopo  staA  di  impasse,   fissazione,  ed  eventuali  incubazioni,  la  soluzione   può  repenAnamente  svelarsi.  
  • 23. Fissità  funzionale   • “blocco  mentale  che  impedisce  di  usare  un   ogge2o  in  un  modo  nuovo”  (Duncker,  1935)   • Problema  della  candela:  
  • 25. • Condizione  di  preuAlizzazione:  i  partecipanA   ricevevano  le  punAne  dentro  la  scatola  delle   punAne   • Condizione  di  non-­‐preuAlizzazione:  i   partecipanA  ricevevano  la  scatola  vuota,  e  le   punAne  rovesciate  sul  tavolo   • I  partecipanA  del  secondo  gruppo  trovarono  la   soluzione  più  frequentemente  di  quelli  del   primo  
  • 26. Fissità  funzionale  e  conoscenze   precedenA   • se  la  fissità  funzionale  discende  dalle  conoscenze   precedenA,  allora  individui  con  minor   disponibilità  di  conoscenze  precedenA   dovrebbero  esserne  meno  sogge8   • German  e  Defeyter  (2000)  hanno  manipolato  la   quanAtà  di  conoscenze  precedenA  in  due  modi:   – Classico  confronto  tra  situazioni  di  preuAlizzazione  e   di  non-­‐preuAlizzazione   – Confronto  tra  bambini  di  diverse  età  (5,  6,  7  anni)   Fissita e conoscenze precedenti L conosc precedenti xhe di aolito aiutano nella vita, possono diventare un
  • 27. • Ai  bambini  era  mostrata  una  piccola  stanza  gioca2olo   (“stanza  dell’orso  Bobo”).     • Sulla  parete  in  fondovc’era  uno  scaffale  con  sopra  un   gioca2olo,  troppo  in  alto  perché  Bobo  potesse  raggiungerlo.     • Ai  bambini  era  de2o  che  Bobo  possedeva  alcuni  ogge8   (qua2ro  blocchi  da  costruzioni,  una  maAta,  un  magnete  ecc.),   ed  era  chiesto   • loro  di  mostrare  a  Bobo  come  usare  quegli  ogge8  per   raggiungere  il  gioca2olo  sullo  scaffale.     • Nessuna  combinazione  degli  ogge8  consenAva  all’orse2o  di   arrampicarsi  fino  allo  scaffale   • Nella  condizione  di  preuIlizzazione  gli  averi  di  Bobo  erano   tu8  contenuA  dentro  una  scatola  di  legno   • Nella  condizione  di  non  preuIlizzazione  erano  ammucchiaA   fuori  dalla  scatola,  e  la  scatola  era  presentata  vuota.   • La  scatola,  se  usata  come  piedistallo,  consenAva  a  Bobo  di   raggiungere  lo  scaffale.  
  • 28. RisultaA   Senza preutilizzaz subiscono meno effetti di fissita: Lasciare aperto e non decider subtio alla prima CI METTONO DI PIU MA SONO POU CREATIVI
  • 29. Vincoli  imposA  dalle  conoscenze   precedenA   • Se  le  conoscenze  precedenA  sono   fondamentali,  è  anche  vero  che  talvolta   possono  “imbrigliare”  la  nostra  fantasia   • Le  conoscenze  precedenA  possono  essere   viste  come  “vincoli”,  e  il  raggiungimento  di   una  soluzione  creaAva  può  essere  più  difficile   se  i  “vincoli  da  rilassare”  sono  più  numerosi  
  • 30. Knoblich  et  al  (1999):  problemi  dei   fiammiferi   • Rendete  vera  l’equazione  spostando  un  solo   fiammifero  (problema  Apo  A):  
  • 31. • Rendete  vera  l’equazione  spostando  un  solo   fiammifero  (problema  Apo  C):  
  • 32. Tipi  di  problema   • Tipo  A:  “vincolo  sui  valori”.  Il  fiammifero   spostato  modifica  la  numerosità  di  uno  degli   argomenA  dell’equazione.     – Per  esempio,  vi  =  vii  +  i  è  risolta  spostando  un   fiammifero  dal  vii  e  associandolo  al  vi,  o2enendo   vii  =  vi  +  i.  
  • 33. • Tipo  B:  “vincolo  sui  valori  e  sugli  operatori”.  Il   fiammifero  modifica  sia  il  valore  numerico  di   un  argomento,  sia  un  operatore.     – Per  esempio,  da  i  =  ii  +  ii  si  passa  a  i  =  iii  –  i.   • Tipo  C:  “vincolo  sull’operatore  e  sulla   tautologia”.  Il  fiammifero  spostato  modifica   un  operatore,  ma  trasforma  l’equazione  in   una  tautologia.     – Per  esempio,  si  passa  da  iii  =  iii  +  iii  a  iii  =  iii  =  iii.  
  • 34. Previsioni   • Nel  dominio  dei  calcoli  aritmeAci,  le  conoscenze   precedenA  ci  inducono  ad  assumere  che,  per   modificare  il  risultato  di  un  calcolo,  occorre   modificare  il  valore  numerico  dei  suoi  argomenA   – problemi  di  Apo  A   • Considerare  la  possibilità  di  trasformare  un   operatore,  o  di  trasformare  un  calcolo  in   un’eguaglianza  tautologica,  dovrebbe  quindi   rivelarsi  più  difficile   – Problemi  di  Apo  B  e  C  
  • 35. RisultaA   Vero, tipo b e c risuktano oiu difficili da risolvere
  • 36. Reverberi  et  al.  (2005)   • l’imposizione  di  vincoli  di  controllo  all’elaborazione   delle  informazioni  è  mediata  dalla  corteccia   frontolaterale   • individui  con  lesioni  in  quell’area  dovrebbero  essere   maggiormente  in  grado  di  risolvere  problemi  come   quelli  dei  fiammiferi,  rispe2o  a  individui  privi  di  quelle   lesioni   • RisultaI:  i  partecipanA  con  lesioni  frontali  risolsero  le   versioni  più  difficili  dei  problemi  dei  fiammiferi   nell’82%  dei  casi,  contro  il  43%  di  soluzioni  osservato   nel  gruppo  di  controllo   – Effe2o  “vaso  sulla  testa”  nelle  storie  di  Paperino  J   Corteccia frontolaterale è quella che crea vicoli di fissita (È un equazione quindi non cqmbiqre operatork non crare tautologie etc Smettere conosc vincolanti e PROCEDERE X TENATIVI ED ERRORI
  • 37. Einstellung  (set  mentale)   Problema  dei  vasi  d’acqua   • A  =  100  l,  B  =128  l,  C=  3  l:  o2enere  esa2amente  22  l   • A  =  63  l,  B  =  90  l,  C  =  4  l:  o2enere  esa2amente  19  l   • A  =  57  l,  B  =  66  l,  C  =  2  l:  o2enere  esa2amente  5  l   • A  =  15  l,  B  =  42  l,  C  =  5  l:  o2enere  esa2amente  17  l   • A  =  23  l,  B  =  49  l,  C  =  3  l:  o2enere  esa2amente  20  l   • A  =  17  l,  B  =  30  l,  C  =  2  l:  o2enere  esa2amente  9  l   Edith  (1921-­‐2002)   e  Abraham   (1914-­‐2005)   Luchins   No conosc per pregresse,te le davano loro Volevano indure una MECCANIZZAZIONE
  • 38. RisultaA   • Nella  maggior  parte  dei  casi  la  procedura  B  –  A  –   2C,  imparata  sul  problema  originale  e   corre2amente  applicata  ai  problemi  1-­‐4,  era   applicata  anche  al  problema  5   – solo  una  minoranza  di  partecipanA  fu  in  grado  di   vedere  la  più  semplice  procedura  A  –  C.     • i  partecipanA  di  controllo  che  vedevano  per   primo  il  problema  5  erano  perfe2amente  in   grado  di  risolverlo  ado2ando  la  procedura  A  –  C   • RisultaA  poi  replicaA  in  molA  studi  con  compiA   diversi  
  • 39. In  ergonomia  cogniAva:   • Gli  errori  dovuA  a  “meccanizzazione”  sono   ricondo8  alla  classe  di  errori  “strong  but   wrong”   • tendenza  ad  applicare  procedure  acquisite   molto  bene  a  compiA  simili  solo   superficialmente  a  quelli  originali   Unacosa che assomiglia a un MANICOsara afferrato, se non voglio che persone afferrino non devo farlo simile a un manico
  • 40. Effe8  di  incubazione   • Incubazione:  ignorare  il  problema  per  un  po’  aiuta  a   uscire  da  un’impasse  o  da  una  fissazione  (Wallas,  1926)   • Sio  e  Ormerod  (2009)  hanno  fa2o  una  meta-­‐analisi  su   117  ricerche  sul  fenomeno   • I  risultaA  mostrano  che  esiste  un  significaAvo  –  anche   se  modesto  –  effe2o  del  tempo  di  incubazione   • L’effe2o  è  maggiore  per  i  problemi  che  richiedono  una   soluzione  creaAva,     • tende  a  crescere  all’aumentare  del  tempo  dedicato  al   problema  prima  della  fase  di  incubazione.  
  • 41. “Dormirci  sopra”   • L’incubazione  può  davvero  avvenire  durante  il   sonno?   • Wagner  et  al  (2004):   – problema  matemaAco  abbastanza  complicato   – Quasi  tu8,  al  primo  tentaAvo,  seguivano  una  via   piu2osto  complessa  e  non  o8male   • era  possibile  una  strategia  molto  più  semplice   – Problema  riproposto  se2e  ore  dopo   – Metà  dei  partecipanA  nel  fra2empo  avevano   dormito,  l’altra  metà  no  
  • 42. RisultaA   • PartecipanA  che  avevano  dormito:  59%  di   soluzioni  per  la  via  semplice   • PartecipanA  che  non  avevano  dormito:  25%  di   soluzioni  per  la  via  semplice   • Elaborazione  inconscia  o  oblio  sele8vo  (cioè,   allentamento  dei  vincoli  di  fissità  imposA  dalle   soluzioni  tentate  precedentemente)?  
  • 44. Soluzioni  improvvise   • Spesso  la  revisione  della  rappresentazione  iniziale   di  un  problema  può  avvenire  tramite   consapevole  e  progressiva  esplorazione  di   possibilità  alternaAve   • altre  volte  le  ipotesi  e  le  possibilità  a  nostra   disposizione  si  esauriscono,  e  ci  senAamo  smarriA   in  un  problema  apparentemente  insolubile   • In  questo  Apo  di  situazioni  può  giungerci  in   soccorso  una  “intuizione  improvvisa”  
  • 45. Insight   • “I  punA  decisivi  nei  processi  di  pensiero,  o   momenA  di  comprensione  improvvisa,  del   ‘Aha!’,  della  novità,  sono  sempre,  allo  stesso   tempo,  momenA  in  cui  avviene  un’improvvisa   ristru2urazione  del  materiale  di   pensiero”  (Duncker,  1935)   • Il  termine  insight  si  riferisce  a  questa   improvvisa  ristruLurazione  o  ricentramento   del  campo  perce8vo   Passo da una rappr del problema a una nuova
  • 46. • Per  i  gestalAsA,  l’insight  è  un  processo   creaAvo   • l’esperienza  sogge8va  corrispondente  è   quella  di  una  scoperta  o  illuminazione   improvvisa   – Aha-­‐Erlebnis  
  • 47. Ma  l’insight  esiste?   • è  rimasto  a  lungo  il  dubbio  che  il  processo  di   scoperta  chiamato  insight  sia   qualitaAvamente  diverso  da  ogni  altro   processo  di  scoperta  passo-­‐dopo-­‐passo   • Metafora:  il  pensiero  normale  è  come  cercare   il  “clic”  di  una  serratura  a  combinazione.  Si   cerca  e  si  esplora,  e  quando  alla  fine  si   inciampa  nella  soluzione,  certamente  questa   si  presenta  improvvisa!  
  • 48. • Il  problema  se  l’insight  esista  in  specie  non  umane  non   è  risolto   • Le  scimmie  di  Kohler  potevano  avvalersi  di  conoscenze   precedenA  (Birch,  1944)   – Avevano  trascorso  i  primi  mesi  della  loro  vita  in  libertà,   dove  potevano  avere  imparato  ad  usare  strumenA   – MolA  altri  animali  sanno  usare  e  costruire  strumenA,  ma   sembra  che  il  loro  modo  di  capire  le  relazioni  causali  tra  le   parA  di  uno  strumento  sia  diverso  da  quello  umano:   – più  basato  sulle  relazioni  che  intercorrono  tra  a2ribuA   concreA  e  visibili,  che  sulla  rappresentazione  e   ristru2urazione  di  relazioni  astra2e  
  • 49. Prove  dell’insight  negli  umani   • Metcalfe  et  al  (per  es.  1987)   • Confrontarono  molA  problemi,  alcuni   tradizionalmente  consideraA  “per  insight”  e  altri   “incrementali”   – Cioè,  con  soluzione  raggiungibile  passo  dopo  passo   • I  partecipanA  dovevano  esprimere  la  loro  fiducia   verso  la  loro  capacità  di  risolvere  ciascun   problema,  prima  di  cimentarvisi   • Inoltre,  mentre  cercavano  la  soluzione,  dovevano   esprimere  la  loro  sensazione  di  esservi  vicini  o   meno  
  • 50. RisultaA   • Problemi  incrementali:   – il  grado  di  fiducia  a  priori  correlava  con  l’effe8va  capacità  di   risolvere  il  problema   – la  sensazione  di  essere  vicini  alla  soluzione  cresceva   progressivamente  nel  tempo,  e  si  faceva  massima  subito  prima   di  raggiungerla   • Problemi  per  insight:   • nessuno  dei  due  giudizi  correlava  con  la  prestazione   effe8va   – Alcuni  partecipanA  erano  convinA  di  poter  facilmente  risolvere   un  qualche  compito,  e  che  poi  non  vi  riuscivano  (o  viceversa)   – Alcuni  partecipanA  esprimevano  la  sensazione  di  essere  in   un’impasse,  ma  poi  repenAnamente  risolvevano  il  problema   – infine,  alcuni  partecipanA  erano  convinA  di  star  procedendo  con   sicurezza  verso  la  conclusione,  ma  poi  fallivano  
  • 51. Conclusioni   • I  risultaA  suggeriscono  che  le  soluzioni   incrementali  scaturiscano  da  un  processo   controllato,  sugli  esiA  del  quale  il  solutore  può   fare  alcune  previsioni  affidabili   • viceversa,  le  soluzioni  per  insight  scaturiscano   da  processi  fuori  dal  controllo  consapevole  del   solutore,  e  sull’esito  dei  quali  non  sono   possibili  previsioni  accurate  
  • 52. Dissociazione  tra  soluzioni  pop-­‐out  e  seriali   • Jung-­‐Beeman  et  al  (2004,  2005)   • compiA  semplici,  passibili  di  entrambi  i  Api  di   soluzione   – Compound  remote  associate:  trovare  una  parola  che   possa  associarsi  a  tre  parole  sAmolo,  in  modo  da   formare  tre  parole  composte  dotate  di  significato   – Esempio:  mobile,  elevato,  luogo   – Soluzione:  sopra-­‐   • I  partecipanA  sanno  disAnguere  se  la  soluzione  si   è  presentata  improvvisamente,  o  se  l’hanno   cercata  serialmente,  consentendo  di  confrontare   i  correlaA  comportamentali  e  fisiologici  dei  due   sAli  
  • 53. RisultaA   • Pop-­‐out  vs  seriali:  maggiore  a8vazione  del   giro  temporale  anterosuperiore  destro  
  • 54. Conclusioni   • il  coinvolgimento  dell’emisfero  destro  nelle   soluzioni  per  insight  indica  che  esse  sono   basate  sulla  costruzione  di  nuove  associazioni   tra  materiale  prima  non  connesso   • coerente  con  la  proposta  di  Duncker:  secondo   il  quale  i  blocchi  dovuA  alla  fissità  funzionale   possono  risolversi  solo  creando  nuove   associazioni  tra  ogge8  e  funzioni  prima  non   associaA  
  • 55. Elaborazione  inconscia?   • Novick  e  Sherman  (2003)  confrontarono  solutori   di  anagrammi  poco  esperA,  mediamente  esperA,   e  molto  esperA   – Studi  precedenA  avevano  già  stabilito  che  le  soluzioni   pop-­‐out  sono  più  frequenA  nei  molto  esperA   • Gli  sAmoli  erano  anagrammi  o  non-­‐anagrammi   – Cioè,  anagrammi  di  non-­‐parole   • PresentaA  per  tempi  brevissimi:  469  ms  oppure   953  ms   • Compito:  giudicare  se  lo  sAmolo  era  un   anagramma  o  un  non-­‐anagramma  
  • 56. RisultaA   • molto  esperA:  la  precisione  era  superiore  al   caso  in  entrambe  le  condizioni   • Tu8  i  partecipanA:    la  precisione  con  tempo  di   presentazione  più  lungo  era   significaAvamente  superiore  a  quella  con   tempo  di  presentazione  più  breve.   – Si  noA  che  nessuno  sapeva  dire  di  quale  parole  le   stringhe  fossero  anagrammi:  solo  stabilire  se   probabilmente  erano  anagrammi,  o  no  
  • 57. Conclusioni   • Alla  base  di  soluzioni  che  appaiono   improvvisamente  alla  consapevolezza  c’è  un   processo  di  elaborazione  incrementale,     – simile  a  quello  che  avviene  nelle  revisioni   consapevoli  della  rappresentazione  del  problema.     • Ma  quel  processo  è  inconsapevole   – probabilmente  avviene  in  parallelo  invece  che  in   serie  
  • 58. Modelli  neodarwiniani  della  creaAvità   • Come  può  aver  luogo  laricerca  inconscia  di  idee   nuove?   • Le  a2uali  teorie  computazionali  si  avvalgono  di   una  analogia  con  le  teorie  neodarwiniane   dell’evoluzione  naturale:   – processo  di  ricombinazione  e  mutazione  massiccia  di   geni  in  una  pluralità  di  forme  di  vita  diverse   – poi  selezionate  so2o  la  pressione  di  sAmoli  ambientali   – Dando  luogo  a  un  processo  che  –  pur  non  essendo   “intelligente”  in  sé  –  si  è  rivelato  in  grado  di  produrre   soluzioni  sempre  “nuove  e  intelligenA”  ai  problemi   dell’ada2amento  della  vita  sulla  Terra   Idee generate in modo casuale, poi SELEZIONATE DA ,esperienza
  • 59. Stadi  dell’elaborazione  inconscia   • Generazione:  si  formulano  in  modo  non   determinisAco  idee  arbitrarie,  combinando   insieme  a  caso  gli  elemenA  di  conoscenza   preesistenA   – RappresentaA  da  regole  di  produzione  e  loro  sezioni   • Valutazione:  filtro  basato  su  criteri  prestabiliA;   valuta  le  idee  prodo2e,  a2ribuendo  loro  una   “forza”  maggiore  o  minore;  lascia  passare  solo  le   idee  più  prome2enA   – alla  luce  delle  cara2erisAche  del  problema   considerato  
  • 60. • Le  eventuali  idee  che  sopravvivono  servono  da   input  per  una  nuova  fase  generaAva,  che  le   ricombina  tra  loro.   • La  forza  di  ogni  regola  è  proporzionale  alla  probabilità  che   quella  regola  sarà  uAlizzata  per  ricombinazioni,  in  successivi   stadi  di  generazione   • Il  processo  può  essere  ripetuto  a  oltranza,  con   l’output  di  un’iterazione  uAlizzato  come  input  per   la  successiva   • Se  una  singola  applicazione  di  una  strategia   neodarwiniana  è  poco  potente,  il  suo  uso   reiterato  può  essere  molto  potente  
  • 61. Conclusione   • Le  idee  nuove  e  creaAve  si  svilupperebbero  nel  cervello   inconsciamente  e  senza  controllo  consapevole,  seguendo   un  processo  analogo  a  quello  che  ha  permesso  al  cervello   stesso  di  svilupparsi  in  seno  alla  natura   • Johnson-­‐Laird  sosAene  che  quesA  generatori  iteraAvi   inconsci  di  nuove  idee  potrebbero  inserirsi  in  un  più  ampio   ciclo  iteraAvo:   • le  idee  che  emergono  alla  consapevolezza  dall’inconscio   possono  essere  consapevolmente  valutate,  ritoccate,   scartate  o  acce2ate,  e  l’esito  potrebbe  rientrare  come   input  in  un  nuovo  ciclo  di  generazione  e  valutazione.     – Simile  al  processo  che  a2ua  un  grande  arAsta,    guidato  da   eccellenA  ispirazioni  improvvise,  che  poi  però  modifica,   perfeziona,  scartandone  alcune,  sviluppandone  altre,  creando   commisAoni  tra  altre  ancora,  e  che  solo  alla  fine  vede  nascere,   qualche  volta,  il  “capolavoro”.  
  • 62. Ostacoli  di  esecuzione   • La  difficoltà  nel  “rilassare”  vincoli  cogniAvi  non   è  l’unico  ostacolo  al  problem  solving   • Altri  ostacoli  sono  presenA  a  livello  esecuAvo:   – Sappiamo  cosa  dovremmo  fare,  ma  non  riusciamo   a  eseguirlo   – Ostacoli  osservabili  quando  rimuoviamo  i  vincoli   cogniAvi  principali,  e  ciò  nonostante  non   riusciamo  a  risolvere.    
  • 63. Esempio   • Problema  dei  9  punA:  conne2ere  i  nove  punA  con  qua2ro  segmenA   senza  mai  staccare  la  penna  dal  foglio  (Maier,  1931)   • Rimozione  del  principale  vincolo  cogniAvo:  per  riuscirci,  alcuni   segmenA  DEVONO  fuoriuscire  dalla  configurazione  quadrata   suggerita  dai  punA  (Kershaw  e  Ohlsson,  2004;  Weisberg  e  Alba,   1981)  
  • 64. • Il  rilassamento  di  quel  vincolo  non  facilita  di   molto  il  raggiungimento  della  soluzione  del   problema  
  • 65. • blocchi  mentali  e  il  rilassamento  dei  vincoli   consente,  più  che  di  risolvere  il  problema,  di   esplorare  un  maggior  numero  di  possibilità   • Se  a2raverso  queste  nuove  possibilità   riusciamo  a  giungere  alla  soluzione,  è  anche   dovuto  alla  presenza  o  meno  di  ostacoli  di   esecuzione  
  • 66. SPAZI  DEL  PROBLEMA  E   PROCEDURE  DI  RICERCA   Newell,  A.,  Simon,  H.A.  (1972),  Human  Problem  Solving.  PrenAce-­‐Hall,   Englewood  Cliffs,  NJ.     La  prima  teoria  ben  formalizzata  sulla  RICERCA  DI  SOLUZIONI  ai  problemi   Herbert  Simon   (1916-­‐2001)   Allen  Newell   (1927-­‐1992)  
  • 67. Logical  Theorist  (LT)   • 1955:  Newell,  Simon  e  Shaw  svilupparono  un   programma  in  grado  di  dimostrare   automaAcamente  alcuni  teoremi  matemaAci   – Unico  programma  eseguibile  presentato  alla   conferenza  del  1956  che  fondò  gli  studi  di   intelligenza  arAficiale  
  • 68. Razionalità  limitata   • Un  solutore  di  problemi  deve  essere   considerato  un  agente  a  razionalità  limitata   (bounded  raIonality).   – Memorie  finite   – Capacità  di  calcolo  finite   – Tempo  a  disposizione  finito  
  • 69. SaAsficing   • Neologismo  tra  saAsfy  e  suffice   • Termine  usato  da  Simon  per  indicare  che  un   solutore  non  cerca  la  soluzione  o8male…   – …cioè,  la  soluzione  migliore  possibile   • …  ma  una  soluzione  “buona  abbastanza”  alla   luce  degli  obie8vi  e  delle  risorse  disponibili  
  • 70. General  Problem  Solver   • Per  costruire  programmi,  quesA  autori  raccoglievano  “protocolli  di   pensiero  a  voce  alta”   – Autodescrizioni  di  ciò  che  un  solutore  umano  fa  e  pensa,  mentre  sta   risolvendo    un  problema   – Poi  cercavano  di  simulare  quella  strategia  estraendone  un  algoritmo  e   programmandolo  in  un  computer   • E’  in  questo  modo  che  individuarono  un  primo,  importante,   “algoritmo  di  ricerca  eurisAca  in  grado  di  comprimere  lo  spazio   degli  staA”   – L’eurisAca  dell’analisi  mezzi-­‐fini   • Alla  fine  degli  anni  ‘60  presentarono  General  Problem  Solver  (GPS),   un  programma  più  evoluto  di  LT  e  basato  su  diverse  eurisAche   – Le  conce2ualizzazioni  alla  base  di  GPS,  e  il  confronto  sistemaAco  tra   performance  umana  e  performance  di  GPS  per  affinare  sempre  più  il   modello,  furono  alla  base  del  libro  del  1972    
  • 71. SOAR   • GPS  è  il  nonno  di  SOAR,  sviluppato  dallo   stesso  Newell  (e  successori)   • Archite2ura  cogniAva  basata  regole  di   produzione   • A2ualmente  alla  base  di  molA  modelli   computazionali  delle  cognizione  umana,  e  di   molA  programmai  IA  
  • 72. • La  prospe8va  teorica  di  Newell  e  Simon  ha  il   grande  vantaggio  di  essere  molto  precisa  nella   sua  formalizzazione  matemaAca   • Lo  svantaggio,  è  la  prospe8va  limitata:   – Non  si  occupa  dei  processi  che  portano  alla   rappresentazione  del  problema   – Parte  da  una  data  rappresentazione  del  problema   (spazio  degli  staI  generato  dallo  spazio  del   problema),  e  descrive  minuziosamente  i  processi   a2uaA  durante  la  ricerca  della  soluzione  
  • 73. • La  teoria  e  le  sperimentazione  ad  essa   collegata  si  concentrano  su  problemi  ben   definiI   • gli  operatori  uAlizzabili  per  passare  da  uno   stato  all’altro  sono  chiari,  semplici  e   circoscri8   • gli  obie8vi  da  conseguire  sono  altre2anto   chiaramente  descri8    
  • 74. Problemi  ben  definiA  dal  punto  di  vista  matemaAco   • Ogni  problema  è  esausAvamente  descri2o  da:   1. uno  stato  iniziale:  un  ve2ore  finito  di  cara2erisAche  o   parametri,  ciascuno  dei  quali  può  assumere  un   numero  finito  di  valori,  con  ogni  parametro  istanziato   a  un  valore  specifico;   2. uno  stato  obie>vo  (o  goal)  o  terminale:  lo  stesso   ve2ore  di  parametri  che  descrive  lo  stato  iniziale,  ma   istanziato  a  valori  diversi;   3. un  insieme  finito  di  funzioni  o  operatori,  ciascuno  dei   quali  acce2a  in  ingresso  un  ve2ore  di  stato,  modifica   il  valore  di  uno  o  più  parametri  in  modo  univoco  e   ben  definito,  e  ritorna  in  uscita  un  diverso  ve2ore  di   stato;   4. una  metrica  in  grado  di  misurare  la  differenza  (o   distanza)  tra  due  ve2ori  di  stato.  
  • 75. • Lo  “spazio”  da  colmare  per  andare  dallo  stato   iniziale  a  quello  terminale  è  il  problema   – Metaforicamente:  trovare  l’uscita  di  un  labirinto   • Le  mosse  da  fare  (operatori  da  applicare)  per   colmare  quello  spazio,  o  completare  quel   viaggio,  è  la  soluzione   – Metaforicamente:  trovare  il  percorso  giusto  tre  i   mol=  possibili  nel  labirinto    
  • 76. Algoritmi  di  ricerca  della  soluzione   • L’unico  modo  che  ha  un  sistema  non  intelligente  per   andare  dalla  partenza  alla  meta  è  quello  di  procedere  per   prove  ed  errori,  con  ripeAzione   – Metaforicamente:  bendarsi,  disorientarsi,  e  poi  muoversi  nel   labirinto  a  tentoni;  ogni  volta  che  il  si  arriva  a  un  bivio  o  a  un   muro,  scegliere  a  caso  da  che  parte  girare,  anche  reimboccando   vie  già  percorse   – Esempio:  organismi  esclusivamente  rea8vi  e  senza  memorie   • Un  modo  leggermente  più  intelligente  è  quello  per  prove   ed  errori  con  memoria   – a  ogni  svolta  del  labirinto,  il  sistema  sceglie  una  direzione  a   caso,  ma  non  reimbocca  mai  un  vicolo  cieco  già  esplorato   – Prima  o  poi  l’uscita  la  trova,  ma  non  è  efficiente   È stupido! Genero a caso soluzioni, ma potrei geneare soluz gi viste eriprovarl e comunque
  • 77. EsausAvi  ed  eurisAci   • Ogni  altra  procedura  di  ricerca  richiede  sia  una  “mappa  del   labirinto”,  sia  una  “bussola”  per  sapere  in  che  direzione  ci  si  sta   muovendo   – Cioè,  una  rappresentazione  mentale  delle  diverse  possibilità,  e  il   sapere  se  un  passaggio  avvicina  o  no  all’obie8vo   • Gli  algoritmi  di  ricerca  esausIvi,  talvolta  usaA  in  alcune  forme  di   problem  solving  automaAzzato,  controllano  sistemaAcamente  tu8  i   possibili  percorsi  e  scelgono  quello  o8male   – Se  i  percorsi  sono  molA,  sono  inapplicabili   • Gli  algoritmi  di  ricerca  eurisIci,  invece,  non  esplorano  tu8  i   percorsi,  e  quindi  non  garanAscono  né  di  trovare  l’uscita  del   labirinto,  né  di  trovare  la  più  breve.     • sono  però  strategie  molto  uAli,  che  molte  volte  consentono  di   trovare  una  soluzione  “buona  abbastanza”  (saIsficing)   risparmiando  risorse  di  elaborazione,  di  memoria,  e  di  tempo  di   esecuzione  
  • 78. La  mappa:  lo  spazio  degli  staA   • Dato  un  problema  ben  definito,  lo  spazio  degli   staA  è:   •  l’insieme  di  tuLe  le  possibilità  che  si   oLengono  applicando  al  veLore  iniziale  tu>   gli  operatori  disponibili,  e  poi  riapplicandoli   iteraIvamente  a  tu>  i  veLori  output  
  • 79. • Tu8  i  giochi  da  tavolo  o  da  scacchiera   determinisAci  possono  essere  descri8  come   uno  spazio  degli  staA   • Ma  per  molA  di  essi  è  teoricamente  finito,  ma   talmente  vasto  da  non  consenAre   l’applicazione  di  algoritmi  esausAvi  di  ricerca  
  • 80. Torre  di  Hanoi   • Un  puzzle  che  consente  di  esemplificare  con   facilità  lo  spazio  degli  staA   • UAlizzato  in  molA  studi  di  Simon  e  colleghi   • Nella  versione  “Torre  di  Londra”,  uAlizzato  per   il  tesAng  neuropsicologico  
  • 81. • Obie8vo:  spostare  tu8  i  dischi  sul  terzo  piolo,   esa2amente  nell’ordine  in  cui  sono  sul  primo   • Regole:  spostare  un  solo  disco  alla  volta;  non   si  può  mai  me2ere  un  disco  più  grande  sopra   uno  più  piccolo.  
  • 82. • Il  gioco  è  semplice  con  pochi  dischi,  diventa   sempre  più  complicato  non  imboccare   percorsi  inuAli  via  via  che  si  aumentano  i   dischi   • Spazio  degli  staA  nella  versione  a  3  dischi:  
  • 83. • Lo  spazio  del  problema  è  la  comprensione   iniziale  del  problema:   – Ve2ore  iniziale   – Ve2ore  goal   – Operatori  ammissibili   – Metrica   • Lo  spazio  del  problema  consente  di  generare   lo  spazio  degli  staA   • Nella  versione  a  64  dischi  della  TdH,   l’esplorazione  esausAva  dello  spazio  degli  staA   è  ingesAbile  anche  per  un  supercomputer   • Occorre  trovare  scorciatoie:  algoritmi  di   ricerca  eurisIca  
  • 84. Analisi  mezzi-­‐fini   • Come  “tagliare”  il  numero  delle  possibilità  da   generare,  e  “comprimere”  il  problema?   • quanto  più  breve  è  la  distanza  (in  termini  di   operazioni)  da  uno  stato  iniziale  a  un  obie8vo,   tanto  minori  sono  gli  staA  possibili  che  possono   intercorrere  tra  i  due   • Generando  dei  so2o-­‐obie8vi  da  cui  si  possa   raggiungere  l’obie8vo  in  un  solo  passaggio,  si   riduce  lo  spazio  degli  staA  da  esplorare   • Quindi,  generando  itera=vamente  dei  so2o-­‐ obie8vi,  si  può  ridurre  il  problema.   Spezzo il problema generale in sottoobiettivi piu piccoli Diventa piu gestibile e posso utilizzare anche STRATEGIE ESAUSTIVE
  • 85. • Si  confronta  lo  stadio  iniziale  e  lo  stadio  finale,   alla  luce  degli  operatori  disponibili   • Si  generano  so2o-­‐obie8vi:  staA  da  cui,  in  un   solo  passaggio,  si  possa  raggiungere  o  un   so2o-­‐obie8vo  o  l’obie8vo.   • La  stru2ura  logica  della  decomposizione  è  un   albero  AND-­‐OR   – I  nodi  AND  indicano  catene  di  di  staA  che,  se  tu8   soddisfa8,  consentono  di  raggiungere  un   obie8vo   – I  nodi  OR  indicano  staA  alternaAvi  tali  per  cui,   qualora  uno  di  loro  sia  soddisfa2o,  si  può   raggiungere  un  obie8vo  
  • 87.
  • 88. • la  decomposizione  del  problema  in  un  albero   AND-­‐ORillustra  la  natura  ipoteAco-­‐dedu8va  del   problem  solving     • I  nodi  AND  sono  previsioni  dedu6ve,  “in  avanA”:     – “se  faccio  quelle  operazioni,  conseguirò  quello  stato”   • Le  regole  non-­‐terminali  vanno  da  una   “conseguenza”  (per  esempio,  lo  stato  terminale)   ai  possibili  “antecedenA”   – i  possibili  staA  che  potevano  precedere  quella   consegunez     – Sono  quindi  di  natura  abdu6va  
  • 89. Strategia  general  purpose   • L’analisi  mezzi-­‐fini  è  una  strategia  di  ricerca   eurisAca  general  purpose   • uAlizzabile  in  molA  Api  di  problemi,  astra8  o  non   astra8.     • Newell  e  Simon  la  indicano  come  una  delle   principali  strategie  psicologiche  volte  alla  ricerca   di  una  soluzione  in  uno  spazio  problemico   • in  praAca,  è  un  modo  spesso  efficace  per  trovare   una  via  verso  la  meta,  senza  dover  misurare  sulla   mappa  tuKe  le  vie  possibili.  
  • 90. Hill  climbing   • Strategia  più  parsimoniosa,  ma  con  maggiori   probabilità  di  insuccesso   – Non  richiede  memoria  degli  staA  precedenA,  ma  solo   conoscenza  dell’obie8vo  e  una  metrica  in  grado  di   misurare  la  distanza  da  uno  stato  all’obie8vo   • “Avvicinamento  all’obie8vo  in  linea  dire2a”   • Metaforicamente:  uno  scalatore  cieco,  che  per   raggiungere  la  ve2a  di  una  collina  fa  solo  passi  in   salita   – se  più  passi  in  salita  sono  disponibili,  sceglie  a  caso  
  • 91. • si  confronta  il  ve2ore  che  descrive  lo  stato   iniziale  con  il  ve2ore  che  descrive  lo  stato   terminale   • Si  valuta  la  distanza  di  ciascun  parametro  del   primo  da  ciascun  parametro  del  secondo.   • si  sceglie  una  mossa  che  riduce  la  distanza  di   almeno  uno  dei  parametri,  senza  aumentare   quella  degli  altri   – se  invece  si  considera  una  distanza  basata  su  tu8  i   parametri,  consideraA  insieme,  la  strategia  si  chiama   discesa  lungo  il  gradiente  (è  la  strategia  eurisAca   usata  nelle  reA  neurali  arAficiali  introdo2e  nel  cap.  1)   Mi disinteresso completamente dall avere uno spazio del problema
  • 92. • Lì  hill  climbing  è  molto  efficiente     – Richiede  pochissime  risorse  computazionali   • Ma  può  essere  molto  poco  efficace   – può  non  incrementare  molto  la  possibilità  di   raggiungere  l’obie8vo   – Esempio:  una  strategia  hill-­‐climbing  non  risolverà  mai   un  problema  di  detouring   • Può  portare  a  massimi  locali:  punA  che  non   coincidono  con  l’obie8vo,  ma  dai  quali  ogni   operazione  allontana  dall’obie8vo   – In  un  compito  di  detouring,  l’apice  dell’ostacolo  a  V     Se ginpoco tempo, spazionproblema molto amoio e poche risorse, hill climbing puó essere una soluzione!
  • 93. • Robertson  (2001)  ha  descri2o  la  strategia  di   hill-­‐climbing  come  “una  metafora  per  quando   risolviamo  problemi  al  buio”   – cioè,  senza  capirli  un  granché.   • per  quanto  rozza,  è  una  strategia  che   applichiamo  spesso  
  • 94. Problema  delle  monete   • Regole:  date  sei  monete   disposte  come  in  A,  cercate   di  disporle  come  in  B   esa2amente  in  tre  mosse.     • Ogni  mossa  consiste  nel  far   scivolare  una  moneta  sul   piano  verso  una  posizione   dove  tocca  esa2amente   altre  due  monete,  senza   spingere  o  spostare  le  altre   monete  in  alcun  modo.   Rendere lo stato iniziale piu simile al finale Qui Hill Climbing porta a un MASSIMO LOCALE:
  • 95. Problema  del  21   • Regole:  Scegliete  6   ge2oni  la  cui  somma   dia  21.     Risposta: partire dal piu basso Molti invece partono dal piu altro: hill climbing, obiettivo è 21, PORTIAMOCI PIU RAPIDAMENTE VERSO LA META
  • 96. Il  backtracking   • Alcune  strategie  di  ricerca  eurisAca  sono  più  efficaci   – Ma  richiedono  più  risorse   • Altre  meno  efficaci   – Ma  richiedono  meno  risorse   • Tu2avia,  nessuna  garanAsce,  in  generale,  la  certezza  di   raggiungere  il  risultato   • Quando  ci  accorgiamo  che  la  via  imboccata  non  porta  alla   soluzione,  non  possiamo  far  altro  che  tornare  sui  nostri   passi:  backtracking   • Nella  teoria  di  N&S  il  backtracking  è  una  “riArata”  a  uno   stato  precedente   – Che  può  essere  lo  stato  iniziale   – Da  cui  si  procede  a  cercare  una  soluzione  alternaAva  
  • 97. • Ripiegare  può  essere  difficile   – Esempio:  impossibile  se  sAamo  seguendo  una   strategia  hill  climbing   – Esempio:  fissazione   • Può  generare  staA  di  impasse,  e  abbandono  del   compito   • Se  vi  riusciamo,  possiamo  cercare  una  nuova   soluzione   • In  alcuni  casi  questo  comporta  una   ristru2urazione  del  problema    
  • 98. • Simon  arrivò  a  considerare  la  ristru2urazione  per   insight  descri2a  dall’approccio  gestalAco  come   una  vera  e  propria  ridefinizione  dello  spazio  del   problema   – Quindi,  con  la  generazione  di  un  nuovo  spazio  degli   staA   • prospe8va  teorica  non  facilmente  traducibile  in   modelli  computazionali:  “Lo  spazio  dei  possibili   spazi  del  problema  è  eccessivamente  mal   definito:  di  fa2o,  è  infinito”  (Kaplane  e  Simon,   1990)  
  • 99. CONOSCENZE  PRECEDENTI  E   PROBLEM  SOLVING   Le  conoscenze  precedenA  non  sono  solo  una  fonte  di  ostacoli,  ma  anzi   sono  spesso  la  chiave  per  un  efficace  a8vità  di  problem  solving     Keith  Holyoak   (UCLA)   Dedre  Gentner   (Northwestern)  
  • 100. Problem  solving  per  analogia  
  • 101. Problema  del  tumore  (Duncker,  1935)   Immaginate  di  essere  un  do2ore  che  deve  distruggere  un   tumore  maligno  nello  stomaco  di  un  paziente.  È  impossibile   operare  il  paziente,  ma  se  il  tumore  non  verrà  distru2o  il   paziente  morirà.  L’unico  mezzo  a  vostra  disposizione  sono  le   radiazioni.  Ma  l’intensità  delle  radiazioni  necessarie  a   distruggere  il  tumore  distruggerebbe  anche  i  tessuA  sani   intorno  al  tumore  stesso,  che  possono  sopportare   solo  basse  intensità  di  radiazioni.       Come  fare  a  distruggere  il  tumore  senzadanneggiare  i  tessuA?    
  • 102. Un  generale  deve  prendere  d’assalto  una  fortezza   nemica.  Diverse  strade  portano  alla  fortezza,  ma  sono   tu2e  minate,  e  se  facesse  passare  tu2e  le  sue  forze  su   una   singola  strada  subirebbe  ingenA  perdite.  D’altra  parte,  sa   che  piccoli  conAngenA  possono  spostarsi  lungo  una   strada  minata  senza  correre  troppi  rischi.  Di   conseguenza,   divide  le  sue  forze  in  piccoli  conAngenA,  e  le  fa   convergere  sulla  fortezza  seguendo  strade  diverse,  in   modo  da  poterla  assalire  con  tu2e  le  sue  forze   contemporaneamente.     Ora  rispondete  nuovamente  al  problema  del  tumore.  
  • 103. Gick  e  Holyoak  (1980,  1983)   • presentarono  al  gruppo  sperimentale  (non  al  gruppo  di   controllo)  la  seconda  storiella,  insieme  ad  altre  due   irrilevanA,  in  un  compito  “di  memoria”.   • Pochi  minuA  dopo  presentarono  il  problema  del  tumore.   • RisultaI:     – circa  il  10%  dei  controlli  risolveva  il  problema  per  convergenza   sul  fuoco   – Dei  partecipanA  che  avevano  le2o  la  storia  del  generale,  ma   non  erano  staA  avvisaA  che  una  delle  storie  poteva  aiutare  a   risolvere  il  compito,  circa  il  20%  risolsero  per  convergenza   – Invece,  i  partecipanA  che  avevano  le2o  la  storia  del  generale,  ed   erano  staA  avvisaA  che  una  delle  storie  poteva  aiutarli,   risolvevano  per  convergenza  nel  75%  dei  casi  
  • 104. RagionamenA  per  analogia   • individuiamo  alcune  “speciali”  somiglianze  tra   un  insieme  di  conoscenze  passate  relaAve  a   un  problema  già  risolto  (la  storia  del  generale)   e  un  problema  nuovo  con  cui  ci  sAamo   confrontando  (il  problema  del  tumore).   • In  base  a  quelle  somiglianze  ipoAzziamo  che  la   “vecchia”  soluzione  possa,  una  volta  ada2ata,   applicarsi  anche  al  “nuovo”  caso.  
  • 105. Fasi  del  ragionamento  per  analogia   Sfrutto conoscenza precedente e esperienza passata per risolvere problema attuale MAPPING: cpire cosa corrisponde a cosa e due storie,riconowciment o somiglianze Tumore=citta Radiazioni= citta TRANSFER: trasferisco lamsoluzione del problema precedente a quello attutal schema mentLe ASTRATTO, estraggonelementi strutturali interessanti
  • 106. Ricerca  di  isomorfismi   • la  ricerca  di  analogie  consiste  nel  “far  coincidere”   alcune  cara2erisAche  del  problema  bersaglio  con   alcune  cara2erisAche  del  problema  sorgente   – Il  generale  con  il  medico,  le  radiazioni  con  l’esercito,  il   tumore  con  la  fortezza  nemica   • Ciascuna  di  queste  coppie  comprende  elemenA  ben   diversi,  ma  che  assumono  un  ruolo  struLuralmente   idenAco   • ciò  che  viene  messo  in  corrispondenza  non  sono  tanto  i   singoli  elemenA  (di  per  sé  privi  di  somiglianze),  quanto   le  relazioni  che  intercorrono  tra  loro   • si  cerca  di  idenAficare  un  isomorfismo  tra  le  stru2ure   dei  due  problemi  
  • 107. Ragionamento  analogico  e  intelligenza   • CompiA  di  Apo  analogico  sono  presenA  in  tu8  i  “test  di   intelligenza”   – spesso  nella  forma  di  “problemi  a  qua2ro  termini”  (per   esempio,  “la  mano  sta  al  pollice  come  il  piede  sta  a…?”).   • Sono  altamente  correlaA  al  fa2ore  di  intelligenza  generale   G   • Il  test  delle  “matrici  progressive”  di  Raven  (1938),   esclusivamente  composto  da  problemi  grafici  risolvibili  per   analogia,  correla  altamente  con  tu8  i  principali  compiA  che   sAmano  diversi  aspe8  centrali  del  funzionamento   intelle8vo   • Alcuni  autori  sospe2ano  che  la  differenza  tra  il  pensiero   causale  “concreto”  osservato  negli  altri  animali,  e  quello   più  “astra2o”  riscontrato  nella  specie  umana,  dipendano   dalla  capacità  di  eseguire  ragionamenA  per  analogia   – Intrinsezamente  basaA  su  allineamenA  di  stru2ure  astra2e  
  • 108.
  • 109. Funzioni  del  ragionamento  per  analogie   • Ogni  volta  che  non  abbiamo  sufficienA  informazioni   specifiche  per  stabilire  come  comportarci  in  una   situazione  nuova,  cerchiamo  analogie   – cioè  cerchiamo  di  “reclutare”  conoscenze  da  un  altro   dominio  per  applicarle  alla  nuova  situazione   • Per  aumentare  le  probabilità  che  le  conoscenze   “reclutate”  siano  adeguate,  è  necessario  che  i  due   domini  siano  stru2uralmente  simili.   • La  capaciytà  di  reclutare  conoscenze  basandosi  su   analogie  pare  permeare  i  ragionamenA  umani,  dai  più   semplici  ai  più  complessi   – Ragionamento  giuridico,  medico,  scienAfico,  ma  anche  il   ragionamento  dei  bambini  
  • 110. Analogie  complesse  hanno  portato  a   grandi  salA  in  avanA  nella  scienza   • Niels  Bohr:  l’atomo  “è  come”  il  sistema   solare   • Konrad  Lorenz:  l’aggressività  animale  “è   come”  un  sistema  idraulico   • CogniAvismo:  La  mente  “è  come”  un   computer   • Charles  Darwin:  La  selezione  naturale  “è   come”  la  selezione  operata  da  allevatori   Mente: software = cervello : hardware
  • 111. Analogie  semplici  (relaAvamente)   • -­‐nel  cercare  di  far  funzionare  ele2rodomesAci   che  non  conosciamo  stabiliamo  analogie  con   quelli  che  conosciamo,  per  cercare  di  capirne  i   comandi   • Nel  “leggere”  una  mappa,  stabiliamo  analogie  tra   linee  e  punA  tracciaA  su  un  foglio  di  carta  e   cara2erisAche  di  un  territorio.     • Ogni  volta  che  ci  troviamo  in  un  ambiente  nuovo   (un  nuovo  Apo  di  ristorante,  un  nuovo  gruppo  di   persone,  un  nuovo  lavoro  ecc.),  sviluppiamo   analogie  con  altre2anA  ambienA  noA  per  cercare   comportamenA  adeguaA     Analogia è x similitudin, non è rievocazione diretta di un problema identico
  • 112. L’analogia  è  un  processo  indu8vo   • L’individuazione  di  analogie  genera  ipotesi,   non  certezze   • può  condurre  a  conclusioni  errate,  che   richiedono  un  controllo.     • Solo  se  quelle  conclusioni  si  dimostrano   adeguate  possono  poi  essere  apprese  in  forma   di  schema.  
  • 113. Somiglianze  tra  stru2ure   • Per  Gentner,  “somiglianze”  e  “analogie”  sono  il  fru2o   dei  medesimi  processi,  applicaA  a  differen=  livelli.   • La  somiglianza  scaturisce  dal  confronto  tra  le   cara2erisAche  di  due  ogge8  o  evenA  (Tversky,  77)   – Un  “allineamento”  tra  cara2erisAche   • L’analogia  è  anch’essa  un  allineamento,  che  però   privilegia  le  relazioni,  invece  delle  cara2erisAche   superficiali.   • i  criteri  per  il  giudizio  di  somiglianze  possono  variare,   dal  livello  superficiale  al  livello  stru2urale,  a  seguito  di   semplici  modifiche  degli  sAmoli  (Glodstone  et  al,  91)  
  • 114. La  terna  A  somiglia  di  più  alla  coppia  B  o  alla  coppia  C?   La  maggior  parte  delle  persone  giudica  che  A  sia  più  simile  a  B  che  a  C:  ha  due  elemenA   in  comune  e  una  differenza  rispe2o  a  B,  mentre  ha  tre  differenze  rispe2o  a  C.   Aggiungendo  un’invariante  (il  numero  7)  alle  coppie  B  e  C,  in  modo  da  o2enere   le  tre  terne  A’,  B’,  e  C’,  il  giudizio  di  somiglianza  cambia.   Anche  se  al  livello  dei  singoli  numeri  A’  resta  più  simile  a  B’  che  a  C’,  si  può  procedere  a   valutare  le  relazioni  che  intercorrono  tra  i  numeri  (relazioni  di  primo  ordine),  e  –   iteraAvamente  –  le  relazioni  che  intercorrono  tra  relazioni  (relazioni  di  secondo  ordine   ecc.).  
  • 115. Forza  di  un’analogia   • qua2ro  criteri  determinano  la  forza  di  un  allineamento   analogico:   1. conne>vità  parallela:  le  relazioni  poste  in  corrispondenza   hanno  argomenA  anch’essi  in  corrispondenza   2. Biunivocità:  ogni  elemento  in  una  stru2ura  è  allineabile  a   uno  e  uno  solo  degli  elemenA  nell’altra  stru2ura   3. focus  sulle  relazioni:  l’analogia  si  basa  principalmente  su   allineamenA  di  relazioni,  piu2osto  che  di  componenA   superficialmente  idenAche   4. SistemaIcità:  l’analogia  coinvolge  sistemi  altamente   interconnessi  da  relazioni  interne;  in  altre  parole,   l’analogia  coinvolge  relazioni  di  ordine  superiore  al  primo   2corriap a 3, non a 7 Si relazioni nnsomigl suoerfici ali Fare!!
  • 116. • I  criteri  possono  essere  soddisfa8  in  varia  misura   – la  forza  dell’ipotesi  generata  dall’allineamento   stru2urale  cresce  o  si  riduce  di  conseguenza   • Gentner  e  colleghi  hanno  uAlizzato  quesA  principi   per  simulare  vari  Api  di  analogie   – come  l’analogia  tra  i  circuiA  ele2rici  e  i  tubi   dell’acqua,  o  tra  le  resistenze  ele2riche  e  i  cancelle8   contapersone  dei  corridoi  della  metropolitana   • Il  loro  modello  computazionale  si  chiama   Structure  Mapping  Engine  (SME)   AnLogia è induttiva, e per come tutti rag induttivi devo capire la sua FORZA (sono GENIALI O IMPLAUSIBILI?)
  • 117. • Gli  stessi  principi  si  applicano  anche  ad  alcune   delle  geniali  analogie  che  hanno  consenAto  salA   in  avanA  della  scienza   • Per  esempio,  l’analogia  tra  l’atomo  di  idrogeno  e   il  sistema  solare  si  contraddisAngue  per  il  buon   soddisfacimento  di  tu8  i  requisiA,  compreso  il   coinvolgimento  di  relazioni  di  ordine  superiore  al   primo   – che  spesso  consistono  in  relazioni  di  causalità,  o  di   permissibilità  
  • 118.
  • 119. L’uso  di  analogie  come  strumenA  di   persuasione:  il  tentaAvo  di  mantenere   coerenza   • L’analogia  è  molto  usata  nel  discorso  poliAco,   per  portare  sostegno  alle  argomentazioni  di   una  qualche  fazione   • Spesso  queste  analogie  sono  “pasAcciate”  e   deboli   • Ma  risultano  efficaci,  perché  gli  ascoltatori  le   sviluppano  cercando  di  “mantenerle  coerenA”   Uso analogia nela retorica
  • 120. Esempio  (Spellman,  Holyoak,  1992)   • durante  la  Prima  guerra  del  Golfo  il  presidente   George  Bush  senior  propose  l’analogia  “Saddam   Hussein  è  come  Hitler”.   – Saddam  Hussein  capo  Iraq   – Hitler  capo  Germania  Nazista   – L’allineamento  di  S.H.  con  H  porta  a  allineare  Iraq  e   Germania  Nazista     • Conne8vità  parallela  soddisfa2a   – Ma  Bush  con  chi  si  allinea?  Con  Churchill,  allineando   USA  anni  90  con  UK  anni  40,  o  con  Roosvelt,   allineando  USA  anni  90  con  USA  anni  40?   • Biunivocità  non  soddisfa2a  
  • 121. Mantenimento  della  coerenza   • Chi  sceglieva  di  allineare  Bush  senior  con   Roosevelt:   –  poi  sceglieva  di  allineare  USA  90  con  USA  40   – E  l’Arabia  Saudita  del  1991  con  l’Inghilterra  del  1940   • cioè,  un  paese  che  rischiava  di  essere  invaso.   • Chi  sceglieva  di  allineare  Bush  senior  con   Churchill:   –  poi  sceglieva  di  allineare  USA  90  con  GB  40   – E  l’Arabia  Saudita  con  la  Francia,  o  altri  paesi  invasi  dai   nazisA  
  • 122. Manipolabilità   • presentando  ai  partecipanA  brevi  compendi  di  storia   della  seconda  guerra  mondiale  di  due  Api:   – uno  che  enfaAzzava  il  ruolo  eroico  dell’Inghilterra   dall’inizio  del  confli2o   – L’altro  che  enfaAzzava  l’importante  ruolo  degli  USA  nel   chiudere  il  confli2o   • Si  o2eneva  nel  primo  caso,  una  propensione  di   allineamenA  Bush-­‐Churchill,  e  nel  secondo,  Bush-­‐ Roosvelt   • A2enzione:  questo  Apo  di  analogie  possono  essere   manipolate  anche  fornendo  informazioni  false   – Come  la  presenza  di  WMD  in  Iraq  nel  2003  
  • 123. Recupero  spontaneo  di  analogie   • Negli  esperimenA,  le  sorgenA  di  anologia  sono   fornite  dallo  sperimentatore  qualche  tempo   prima  del  problema   • Nella  vita  reale,  invece,  sviluppiamo  analogie   sondando  la  nostra  memoria,  e  a8vando  qualche   possibile  fonte   • Gli  studi  di  Gick  e  Holyoak  sembravano  indicare  che  le   analogie  fossero  poco  spontanee,  eppure  l’osservazione   di  tu8  i  giorni  ci  mostra  che  anche  i  bambini  ragionano   per  analogia   • I  criteri  che  guidano  il  recupero  spontaneo  di   un’analogia  sono  gli  stessi  che  determinano  la   sua  forza?  
  • 124. Analogie  spontanee:  somiglianza   superficiale  e  di  obie8vi  (Keane,  87)   • Sources  presentate  da  1  a  3  giorni  prima  del   target   • La  source  simile  al  target  era  spontaneamente   recuperata  nell’88%  dei  casi   – Storia  su  un  chirurgo  che  interviene  su  un  tumore  al   cervello   • La  source  dissimile  (storia  del  generale)  il  12%   • Se  la  storia  era  recuperata,  le  soluzioni  per   convergenza  erano  in  entrambi  i  casi  l’86%   – Il  mapping  è  indipendente  dal  retrieval  
  • 125. • nel  cercare  analogie  per  risolvere  un  nuovo   problema  si  esplorano  inizialmente  le   conoscenze  precedenA  relaAve  a  problemi:   – con  obie8vi  simili   – con  contenuA  superficiali  simili.   • Tu2avia,  gioca  un  ruolo  anche  il  grado  di   somiglianza  stru2urale  
  • 126. I  tre  criteri  che  rendono  facilmente   visibile  un’analogia   • somiglianza  superficiale:  l’analogia  è  tanto  più  visibile   quanto  più  i  componenA  del  dominio  sorgente  sono   simili  ai  componenA  del  dominio  bersaglio;   • somiglianza  struLurale:  l’analogia  è  tanto  più  visibile   quanto  maggiore  è  la  somiglianza  stru2urale  tra   dominio  sorgente  e  dominio  bersaglio;   • somiglianza  di  obie>vi:  l’analogia  è  tanto  più  visibile   quanto  più  gli  obie8vi  conseguiA  nel  dominio  sorgente   sono  simili  a  quelli  da  conseguire  nel  dominio   bersaglio.   • Anche  in  questo  caso,  non  si  tra2a  di  criteri  tu2o-­‐o-­‐ niente,  ma  di  “vincoli”  presi  in  considerazione  in   parallelo   COSA DETERMIN CHE UN ANALOGIA SIA RECUPERATA
  • 127. “RelaAonal  Shi•”   • L’importanza  relaAva  dei  tre  Api  di  somiglianza   può  variare  con  l’età  degli  individui   • Gentner  e  Toupin  (1986)  indicano  che  i  bambini   molto  piccoli  tendono  a  fare  analogie  basate   sopra2u2o  su  somiglianze  superficiali   – con  allineamenA  anche  in  aperta  violazione  delle   relazioni  stru2urali.     • Solo  successivamente  avverrebbe  un  passaggio  a   privilegiare  somiglianze  stru2urali  e  di  obie8vi   – Questo  passaggio  prende  il  nome  di  rela=onal  shiX.   ASPETTI EVOLUTIVI
  • 128. Estrazione  di  schemi  dalle  analogie   • le  analogie  spontanee  sono  guidate  in  larga   misura  dalla  somiglianza  superficiale  e  di   obie8vi  tra  sorgente  e  bersaglio   • Come  è  possibile  allora  che  talvolta  si   stabiliscono  analogie  tra  domini  totalmente   differenA?   – Per  esempio,  le  grandi  analogie  nella  scienza  
  • 129. • lo  sviluppo  e  l’uso  di  un’analogia  può  risolversi   nell’apprendimento  di  uno  schema  di   ragionamento  astraLo   • successivamente,  lo  schema  può  essere   applicato  a  contesA  stru2uralmente  simili,  ma   superficialmente  dissimili  da  quelli  in  cui  è   stato  acquisito.   – In  questo  modo,  è  il  “fare  analogie”  che  ci  rende   gradualmente  sempre  più  in  grado  di  fare  altre   analogie,  anche  tra  contenuA  remoA  
  • 130. Gick  e  Holyoak  (83)   • Osservarono  che  l’analogia  poteva  essere   facilitata  dalla  presentazione  di  diagrammi   schemaAci  astra8   – o  del  suggerimento  “se  c’è  bisogno  di  una  grande   forza  per  o2enere  uno  scopo,  ma  non  la  si  può   applicare  dire2amente,  l’applicazione  di  molte   forze  deboli  convergenA  può  conseguire  lo  stesso   scopo”.   È MOLTO PIU ASTRATTO DELLA STORIA ESERCITO
  • 131. • Anche  se  una  sola  analogia  tra  due  esempi   può  già  dar  vita  ad  uno  schema,  gli  schemi  si   possono  sviluppare,  affinare,  ed  astrarre   maggiormente  con  l’aumento  degli  esempi  a   disposizione  (Catrambone  e  Holyoak,  1989)   • Il  “trasferimento  a  lungo  termine”  migliora   con  il  migliorare  degli  schemi  che  sono  staA   astra8  
  • 132. • In  Catambrone  e  Holyoak  (89),  i  partecipanA   ricevevano  prima  due  problemi  analoghi  basaA  su   convergenza,  con  domande  che  li  aiutavano  a   focalizzarsi  sulla  loro  stru2ura   • Poi  ricevevano  un  terzo  analogo,  che  nella   maggior  parte  dei  casi  risolvevano  (comunque,  la   soluzione  era  poi  comunicata  loro)   • Una  se8mana  dopo  ricevevano  il  problema  del   tumore,  senza  alcun  suggerimento  di  associarlo   agli  esempi  precedenA   – 80%  di  soluzioni  per  convergenza   • Pedone,  Hummel  e  Holyoak  (2001)  o2ennero   risultaA  simili  uAlizzando,  come  indu2ori  di   schemi,  diagrammi  dinamici   STRATEGIA INDUZIONE SCHEMA ASTRATTO
  • 133. NON USO STORIA MA GRAFICI IN MOVIMENTO
  • 134. Schemi  dominio-­‐specifici   • l’aver  stabilito  una  prima  analogia  tra  due  domini  di   conoscenza  perme2e  di  estendere  l’analogia  con   maggiore  facilità  ad  altri  domini.     • Le  prime  analogie  astraggono  uno  schema,  libero  da   vincoli  di  contenuto.     • Può  quindi  essere  applicato  a  qualsiasi  contenuto,   purché  con  stru2ura  simile  (schemi  dominio-­‐specifici).     • Cheng  e  Holyoak  (1985;  Cheng,  Holyoak,  Nisbe2  et  al.,   1986;  Holyoak,  Cheng,  1995)  svilupparono  questa   proposta  nella  teoria  degli  schemi  pragmaIci  di   ragionamento,  che  intervengono  in  alcune  forme  di   deduzione  
  • 135. • “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”     Esempio  di  origine  analogica  degli  “schemi  pragmaAci”     per  il  ragionamento  deonAco   RAGIONMENTO DWONTOCO È IL RAGIONAM SUI DOVERI
  • 136. • “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”    
  • 137. • “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y    
  • 138. • “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y   • Se  non  riordini  la  camera  non  potrai  andare  a  giocare    
  • 139. • “se  non  mangi  la  minestra  non  potrai  avere  il  gelato”   • “Se  non  mangi  i  cavoli  non  potrai  avere  il  dolce”   • “Se  non  mangi  X  non  potrai  avere  Y   • Se  non  riordini  la  camera  non  potrai  andare  a  giocare   • Se  non  X  allora  non  Y    
  • 140. Schemi  acquisiA  e  experAse   • Via  via  che  le  persone  acquistano  esperienza  in  una   parAcolare  area,  acquisiscono  un  numero  crescente  di   schemi,  sempre  più  facili  da  recuperare  per  risolvere   problemi  nuovi.   • Pur  appresi  tramite  esempi  specifici,  gli  schemi   guidano  e  supportano  futuri  allineamenA  e  inferenze.  L   • L’aver  acquisito  numerosi  schemi  è  la  caraLerisIca   fondamentale  che  disIngue  la  prestazione  di  un   esperto  da  quella  di  un  non  esperto.     • Tu2avia,  se  considerare  nuove  analogie  è  uno  sAle  di   pensiero  produ>vo,  acquisirne  gli  schemi  e  recuperarli   in  modo  pressoché  automaAco  per  risolvere  problemi   segna  il  passaggio  verso  il  pensiero  riprodu>vo.     – Con  i  rischi  di  fissità  e  meccanizzazione  che  esso  comporta  
  • 141. EXPERTISE  E  SOLUZIONE  DI   PROBLEMI    Cosa  c’è  alla  base  dell’essere  esperA  nel  risolvere   cerA  Api  di  problema?   “I’m  Winston  Wolfe.  I  solve  problems.”   (Harvey  Keitel  in  “Pulp  ficAon”,  1991)  
  • 142. • ExperIse:  perizia,  competenza,  a  indicare  ciò   che  rende  qualcuno  molto  abile,  in  una   determinata  classe  di  compiA   • L’esperto  è  cara2erizzato  da  vaste  conoscenze   precedenA  e  addestramento  in  quel  dominio   – “regola  delle  10.000  ore”:  l’ordine  di  grandezza   delle  ore  da  dedicare  a  praAca  per  diventare   davvero  “esperA”  di  qualcosa  (studi  su  musicisA,   scacchisA,  medici,  sporAvi)  
  • 143. • Le  conoscenze  precedenA  hanno  due  effe8:   1. effeLo  negaIvo,  quando  provocano  fissità,   rigidità,  meccanizzazione  del  pensiero  e   mental  set   2. effeLo  posiIvo,  quando  gli  schemi   favoriscono  la  rapida  soluzione  di  problemi   che,  per  altri,  sarebbero  impossibili  da   risolvere.  
  • 144. • Entrambe  queste  proprietà  si  osservano  nel  problem   solving  degli  esperA.   • MolA  “cosidde8  esperA”  spesso  “guardano  le  cose  col   paraocchi”,  suggerendo  sempre  gli  stessi  rimedi   – Meccanizzazione,  che  può  comportare  errori  di  giudizio,  di   decisione,  e  di  categorizzazione   • Ma  talvolta  capita  di  incontrare  esperA  “davvero   bravi”,  che  in  qua2ro  e  qua2r’o2o  idenAficano  un   problema  per  noi  invisibile,  lo  diagnosAcano,  e   propongono  un  rimedio  efficace.     – effe2o  posi=vo  delle  conoscenze  precedenA,  basato   sull’uso  flessibile  e  controllato  degli  schemi  conce2uali   astra8  dall’esperienza.  
  • 145. Differenze  tra  aree  di  experAse   • ogni  area  di  esperienza  è  a  sé  stante   – essere  esperA  nel  gioco  degli  scacchi,  di  motori  a   scoppio,  o  di  medicina,  non  è  la  stessa  cosa,  né  per  i   contenuA  dell’exper=se,  né  per  la  Apologia  di   problemi  che  l’esperto  affronta,  né  per  lo  sAle  di   pensiero  con  cui  deve  provare  a  risolverli.     • Esistono  molA  studi  che  rilevano  le  peculiarità  e   le  diverse  sfacce2ature  di  diverse  aree  di   exper=se.     • Qui  ci  chiediamo  quale  sia  il  “minimo  comun   denominatore”:  cosa  accomuna  tu>  gli  esperI,   quale  che  sia  la  loro  area  di  exper2se,  e  li   differenzia  dai  non  esperI?  
  • 146. Gli  esperA  sono  più  “intelligenA”  di  altri?   • Se  intendiamo  come  intelligenza  l’insieme  delle   capacità  cogniAve  di  base…   – capacità  di  memoria  di  lavoro,  di  a2enzione,  di   discriminazione  perce8va,  di  apprendimento,  di   ragionamento  astra2o  ecc.   • …gli  esperA  di  una  data  area,  nella  media,  non  sono   diversi  da  qualsiasi  non  esperto  di  quell’area.   • Non  occorre  essere  dei  geni  per  diventare  degli  esperA   in  una  qualche  disciplina.     – Basta  l’apprendimento  guidato  dall’esperienza,  le  cui   norme  generali  sono,  più  o  meno,  eguali  per  tu8  (Cap.  7)  
  • 147. Studi  sull’experAse  negli  scacchi   • Chase  e  Simon  (1973)  ipoAzzarono  che  gli  esperA   giocatori  di  scacchi  possedevano  una  gran  quanAtà  di   configurazioni  di  pezzi  note  depositate  in  memoria  a   lungo  termine   • chiamavano  chunks  quesA  grappoli  di  informazione   • I  chunks  consenAvano  agli  esperA  di  riconoscere  “a   colpo  d’occhio”  lo  stato  di  una  parAta,  mandarlo  a   memoria  più  rapidamente,  e  selezionare  solo  poche   mosse  acce2abili  da  considerare   – riducendo  così  di  gran  lunga  lo  “spazio  degli  staA”,  rispe2o   ai  non  esperA.  
  • 148. Dai  chunks  ai  templates   • Gobet  e  Waters  (2003)  hanno  sviluppato  le  idee  di  Chase  e   Simon.   • I  giocatori  esperA  possiedono  schemi  (templates),  in  grado   di  conne2ere  tra  loro  in  modo  sensato  molA  pezzi  di  una   configurazione  su  una  scacchiera.   • Basta  a8vare  due  o  tre  di  quesA  schemi  per  riconoscere  e   ricordare  una  configurazione  di  gioco  (Gobet,  Clarkson,   2004).     • Il  corrispondente  risparmio  di  risorse  cogniAve  consente  di   dedicarne  di  più  all’analisi  delle  poche  mosse  che  è  sensato   considerare  in  quella  situazione.     • Gli  schemi  prediligono  relazioni  dense  di  significato   – per  esempio,  relazioni  d’a2acco  o  di  difesa,  che  dipendono  dalla   posizione  relaAva  dei  pezzi,  piu2osto  che  dalle  posizioni   assolute.  
  • 149. • Gobet  e  Simon,  1996:  meta-­‐analisi  su  molA  studi   precedenA   – gli  esperA  di  scacchi  hanno  solo  un  vantaggio   lievissimo,  relaAvamente  ai  non  esperA,  per  quanto   riguarda  la  memorizzazione  di  scacchiere  con   posizioni  casuali   – Per  quelle  configurazioni,  gli  schemi  appresi  non   possono  aiutare.     • Gobet  e  Waters,  2003:  rassegna  di  vari  studi.     – Concludono  che  non  vi  è  una  correlazione  tra  capacità   di  gioco  degli  scacchi  e  intelligenza  generale    
  • 150. experAse  negli  scacchi:  conclusioni   • Le  “incredibili”  prestazioni  di  gioco  dei  gran   maestri  di  scacchi  non  sono  dovute  non  a   parAcolari  doA  individuali   • Piu2osto,  l’esperienza,  ha  depositato  nelle  loro   memorie  un  insieme  di  schemi  usaA   flessibilmente:   – Che  perme2ono  di  riconoscere  rapidamente  una   situazione  di  gioco   – E  di  selezionare  poche  mosse  adeguate  a  quella   situazione,  per  approfondire  solo  quelle  
  • 151. Studi  sull’experAse  medica   • principale  disAnzione  tra  gli  sAli  di   ragionamento  di  un  medico  esperto  e  di  uno   non  esperto:   – L’esperto  si  avvale  in  misura  maggiore  di  processi   impliciA  e  automaAci   – L’inesperto  si  avvale  di  più  di  processi  espliciA  e   analiAci  (Heiberg  Engel,  2008).  
  • 152. Alcuni  esempi   • Krupinsky  et  al.,  2006   • presentano  a  studenA  di  medicina,  specializzandi,   ed  esperA  patologi  alcune  diaposiAve  di  biopsie  al   seno   • controllano  i  movimenA  oculari   • Risultato:     – gli  esperA  guardano  per  meno  tempo  (4,5  s,  vs  7,1  s   degli  specializzandi,  e  11  degli  studenA)   – Gli  esperA  usano  poche  fissazioni,  in  punA  criAci  (i   meno  esperA  invece  esplorano  serialmente  l’intera   diaposiAva)  
  • 153. • Kundel  et  al,  2007   • SImoli:  diaposiAve  di  mammografie,  alcune  delle   quali  indicavano  la  probabile  presenza  di  un   tumore  al  seno   • RisultaI:  la  precisione  diagnosAca  è   nega=vamente  correlata  al  tempo  impiegato  per   fissare  lo  sguardo  sulla  prima  lesione  significaAva   • Conclusioni:  i  più  competenA  riescono  a  passare   rapidamente  dal  quadro  globale  a  fissazioni   specifiche  sui  punA  criAci.  I  meno  esperA   procedono  serialmente,  esplorando  l’intero   sAmolo  punto  per  punto.