Multikerrosperceptroni ja sen sovellusalueet

Tietokoneet kykenevät suoriutumaan suuresta määrästä raskaita laskutoimituksia lyhyessä ajassa. Niillä on näin ollen siis mahdollista automatisoida sellaisia toimintoja, joissa esimerkiksi ihminen sortuu helposti tarkkaavaisuusvirheisiin. Ihminen pystyy toisaalta sellaisiin toimintoihin, jotka ovat tietokoneille hyvin vaikeita. Esimerkiksi luova ajattelu ja tutun ihmisen kasvojen tunnistaminen onnistuu ihmisiltä huomattavasti helpommin kuin tietokoneilta. Ilman tarkkoja ohjeita tietokone on toimintakyvytön, eikä tuntemattomia ongelmia ole mahdollista ratkaista. Ihmisaivojen toimintaa on niiden kykyjen vuoksi pidetty mielenkiintoisena tutkimuskohteena tietojenkäsittelyn kannalta. Yritykset mallintaa niiden toimintaa ovat johtaneet neuroverkkojen syntyyn. Kehitys alkoi neuronin mallin esittelemisestä ja jatkui edelleen perceptroniin. Lopulta kehitys päättyi neuroverkkoihin, joita on useita erilaisia. Suosituin niistä on kerroksittaisen rakenteen omaava multikerrosperceptroni. Neuroverkkoja on koulutettava halutun toiminnan aikaansaamiseksi. Niitä voidaan kouluttaa ohjatusti, ohjaamattomasti ja arvostellusti. Perceptronin kouluttaminen on helpompaa sen yksinkertaisen rakenteen takia kuin multikerrosperceptronin kouluttaminen. Esimerkiksi back propagation- algoritmi soveltuu multikerrosperceptronin kouluttamiseen. Koulutusprosessissa on oltava tarkkana, sillä neuroverkko voi oppia liikaa opeteltavasta asiasta ja tuottaa huonoja tuloksia koulutuksen jälkeen. Verkon oppimista onkin seurattava tarkkaan kouluttamisen yhteydessä. Oppimiseen vaikuttaa myös verkon rakenne. Neuroverkkojen, erityisesti multikerros perceptronien on todettu sopivan erityisen hyvin erilaisiin käytännön sovelluksiin. Esimerkiksi optisessa kuvantunnistuksessa sen on havaittu tuottavan erityisen hyviä tuloksia, jos kuva tekstistä on prosessoitu oikein neuroverkkoa varten.

Työtapojen ja motivaation yhteyttä etsimässä - Tapaustutkimus musiikinopetuksesta

Tutkimuksen tarkoituksena oli vertailla kahta työtapaa musiikinopetuksessa. Työtavat olivat opettajajohtoinen, toistavaan aktiivisuuteen perustuva työtapa ja opettajan ohjaama, luovaan toimintaan perustuva työtapa. Tavoitteena oli etsiä oppilaiden kokemuksien ja motivaation yhteyttä näistä työtavoista. Tutkimus oli laadullinen tapaustutkimus, jossa 20 oppilasta vastasi lomakehaastatteluun. Tutkimus suoritettiin pitämällä kaksi erilaista opetustuokiota, joissa välineenä olivat rytmisoittimet. Opetustuokiot piti luokan oma opettaja. Aineisto kerättiin 5. luokan oppilailta kyselylomakkeilla, joissa oli avoimet kysymykset. Tutkijat kategorisoivat ja tulkitsivat aineistoa teemoittelemalla ja tyypittelemällä sitä. Tulkitsimme tutkimustuloksia pääosin Fordin (1992) systeemiteoreettisen motivaatioteorian pohjalta. Oppilaiden vastausten perusteella opettajan ohjaama, luovaan toimintaan pohjautuva työtapa oli motivoivampi kuin opettajajohtoinen, toistavaan aktiivisuuteen perustuva työtapa. Positiivinen luonnehdinta oli yleisintä molempien työtapojen kohdalla mutta luovassa työtavassa se oli jonkin verran yleisempää. Oppilaiden vastauksista toistavan aktiivisuuden työtavasta kolmeksi pääteemaksi nousivat mielekkyys, selkeys ja helppous sekä ikävystyneisyys ja tavallisuus. Luovasta työtavasta nousseet pääteemat oppilaiden vastausten perusteella olivat mielekkyys, hämmentyneisyys ja epävarmuus sekä luovuus ja vapaus. Tässä tapaustutkimuksessa luova työtapa motivoi myös oppilaita, joita musiikinopetus ei yleisesti innosta. Vastauksista selvisi, että osa koki toistavaan aktiivisuuteen pohjautuvan työtavan ikävystyttävänä ja tavallisena. Voitiin siis päätellä, että nämä oppilaat saavat yleensä tällaista opetusta. Tutkimus antoi kysynnän jatkotutkimuksille alakoulun musiikinopetuksessa käytetyistä työtavoista.

Koskettavasti entisajan lapsesta

Kirjallisuusarvostelu

Miehisen hierarkian historiaa

Kirjallisuusarvostelu

Tutkimus sukunimien käyttöönotosta

Kirjallisuusarvostelu

Maailman terveimmät lapset

Kirjallisuusarvostelu