ระบบการเรียนรู้แบบเชื่อมโยงด้วยการเหนี่ยวนำกฎแบบปรับตัวได้ทางออนไลน์ ( CLARION ) เป็นสถาปัตยกรรมทางปัญญา เชิงคำนวณ ที่ถูกนำมาใช้จำลองโดเมนและงานต่างๆ มากมายในจิตวิทยาการรู้คิดและจิตวิทยาสังคมรวมถึงการนำระบบอัจฉริยะไปใช้ใน แอปพลิ เคชันปัญญาประดิษฐ์คุณลักษณะสำคัญของ CLARION คือการแยกแยะความแตกต่างระหว่าง กระบวนการโดยปริยาย และ กระบวนการ โดยชัดแจ้งและมุ่งเน้นไปที่การจับภาพปฏิสัมพันธ์ระหว่างกระบวนการทั้งสองประเภทนี้ ระบบนี้ถูกสร้างขึ้นโดยกลุ่มวิจัยที่นำโดยรอนซัน

CLARION เป็นสถาปัตยกรรมทางปัญญาแบบบูรณาการ ใช้เพื่ออธิบายและจำลองปรากฏการณ์ทางจิตวิทยาเชิงปัญญา ซึ่งอาจนำไปสู่คำอธิบายที่เป็นหนึ่งเดียวของปรากฏการณ์ทางจิตวิทยาได้ ทฤษฎี CLARION ประกอบด้วยสามชั้น ชั้นแรกคือทฤษฎีหลักของจิตใจทฤษฎีหลักประกอบด้วยระบบย่อยที่แตกต่างกันจำนวนหนึ่ง ซึ่งเป็นโครงสร้างพื้นฐานของ CLARION โดยมีโครงสร้างการแสดงแทนแบบคู่ในแต่ละระบบย่อย (การแสดงแทนโดยนัยเทียบกับการแสดงแทนโดยชัดแจ้ง^{[ 1 ]} ) ระบบย่อยเหล่านี้ได้แก่ ระบบย่อยที่เน้นการกระทำ ระบบย่อยที่ไม่เน้นการกระทำ ระบบย่อยด้านแรงจูงใจ และ ระบบย่อย ด้านอภิปัญญาชั้นที่สองประกอบด้วยแบบจำลองการคำนวณที่ใช้ทฤษฎีพื้นฐาน มีรายละเอียดมากกว่าทฤษฎีระดับแรก แต่ยังคงมีความเป็นทั่วไป ชั้นที่สามประกอบด้วยแบบจำลองและการจำลองกระบวนการหรือปรากฏการณ์ทางจิตวิทยาที่นำไปใช้โดยเฉพาะ แบบจำลองในชั้นนี้เกิดขึ้นจากทฤษฎีพื้นฐานและแบบจำลองการคำนวณทั่วไป

ความแตกต่างระหว่างกระบวนการโดยปริยายและโดยชัดแจ้งเป็นพื้นฐานสำหรับสถาปัตยกรรมทางปัญญาของ Clarion ^{[ 2 ]}ความแตกต่างนี้ได้รับแรงจูงใจหลักจากหลักฐานที่สนับสนุนหน่วยความจำโดยปริยายและการเรียนรู้ โดยปริยาย Clarion จับความแตกต่างระหว่างโดยปริยายและโดยชัดแจ้งโดยอิสระจากความแตกต่างระหว่างหน่วยความจำเชิงกระบวนการและหน่วยความจำเชิงประกาศเพื่อจับความแตกต่างระหว่างโดยปริยายและโดยชัดแจ้ง Clarion ตั้งสมมติฐานระบบการแสดงแทนแบบขนานและมีปฏิสัมพันธ์กันสองระบบ ซึ่งจับความรู้โดยปริยายและโดยชัดแจ้งตามลำดับ ความรู้โดยชัดแจ้งเกี่ยวข้องกับการแสดงแทนแบบเฉพาะที่ และความรู้โดยปริยายเกี่ยวข้องกับการแสดงแทนแบบกระจาย

ความรู้ที่ชัดเจนจะอยู่ในระดับบนสุดของสถาปัตยกรรม ในขณะที่ความรู้โดยนัยจะอยู่ในระดับล่างสุด^{[ 2 ] [ 3 ]}ในทั้งสองระดับ หน่วยการแสดงแทนพื้นฐานคือ โหนด การเชื่อมต่อและทั้งสองระดับจะแตกต่างกันในแง่ของประเภทการเข้ารหัส ในระดับบนสุด ความรู้จะถูกเข้ารหัสโดยใช้โหนดชิ้นส่วนแบบโลคัลลิสต์ ในขณะที่ในระดับล่างสุด ความรู้จะถูกเข้ารหัสในลักษณะกระจายผ่านชุดของโหนดคุณลักษณะ (ไมโคร) ความรู้อาจถูกเข้ารหัสซ้ำซ้อนระหว่างสองระดับและอาจถูกประมวลผลแบบขนานภายในสองระดับ ในระดับบนสุด การประมวลผลข้อมูลเกี่ยวข้องกับการส่งผ่านการกระตุ้นระหว่างโหนดชิ้นส่วนโดยใช้กฎ และในระดับล่างสุด การประมวลผลข้อมูลเกี่ยวข้องกับการแพร่กระจายการกระตุ้นคุณลักษณะ (ไมโคร) ผ่านเครือข่ายประสาทเทียม การไหลของข้อมูลจากบนลงล่างและล่างขึ้นบนเกิดขึ้นได้จากการเชื่อมโยงระหว่างสองระดับ การเชื่อมโยงดังกล่าวถูกสร้างขึ้นโดยกลุ่มข้อมูลแคลเรียน (Clarion chunks) ซึ่งแต่ละกลุ่มประกอบด้วยโหนดกลุ่มข้อมูลเดี่ยว โหนดคุณลักษณะ (ขนาดเล็ก) จำนวนหนึ่ง และการเชื่อมโยงระหว่างโหนดกลุ่มข้อมูลกับโหนดคุณลักษณะ (ขนาดเล็ก) ด้วยวิธีนี้ กลุ่มความรู้เดียวสามารถแสดงได้ทั้งในรูปแบบที่ชัดเจน (เช่น แบบเฉพาะที่) และแบบไม่ชัดเจน (เช่น แบบกระจาย) แม้ว่าการแสดงแบบคู่เช่นนี้จะไม่จำเป็นเสมอไปก็ตาม

โครงสร้างการแสดงผลแบบคู่ช่วยให้กระบวนการโดยนัยและโดยชัดแจ้งสามารถสื่อสารกันได้ และอาจเข้ารหัสเนื้อหาซ้ำซ้อนได้ ด้วยเหตุนี้ ทฤษฎี Clarion จึงสามารถอธิบายปรากฏการณ์ต่างๆ ได้ เช่น ผลกระทบด้านความเร็วในการเรียนรู้ การเพิ่มประสิทธิภาพที่เกี่ยวข้องกับการพูด การเพิ่มประสิทธิภาพในงานถ่ายโอน และความสามารถในการใช้เหตุผลตามความคล้ายคลึงกัน ในแง่ของปฏิสัมพันธ์แบบเสริมฤทธิ์กันระหว่างกระบวนการโดยนัยและโดยชัดแจ้ง^{[ 2 ] [ 4 ] [ 5 ] [ 6 ]}ปฏิสัมพันธ์เหล่านี้เกี่ยวข้องกับการไหลของการกระตุ้นภายในสถาปัตยกรรม (เช่น การให้เหตุผลตามความคล้ายคลึงกันได้รับการสนับสนุนโดยการกระจายการกระตุ้นระหว่างกลุ่มต่างๆ ผ่านคุณลักษณะ (ไมโคร) ที่ใช้ร่วมกัน) รวมถึงกระบวนการเรียนรู้แบบจากล่างขึ้นบน จากบนลงล่าง และแบบขนาน ในการเรียนรู้แบบจากล่างขึ้นบน ความสัมพันธ์ระหว่างคุณลักษณะ (ไมโคร) ในระดับล่างจะถูกดึงออกมาและเข้ารหัสเป็นกฎที่ชัดเจน ในการเรียนรู้แบบจากบนลงล่าง กฎในระดับบนจะชี้นำการพัฒนาความสัมพันธ์โดยนัยในระดับล่าง นอกจากนี้ การเรียนรู้อาจดำเนินการแบบขนาน โดยสัมผัสทั้งกระบวนการโดยนัยและโดยชัดแจ้งพร้อมกัน ผ่านกระบวนการเรียนรู้เหล่านี้ ความรู้อาจถูกเข้ารหัสซ้ำซ้อนหรือในลักษณะเสริมกัน ตามที่กำหนดโดยประวัติของเอเจนต์ ผลกระทบจากการทำงานร่วมกันเกิดขึ้นบางส่วนจากปฏิสัมพันธ์ของกระบวนการเรียนรู้เหล่านี้ กลไกสำคัญอีกประการหนึ่งในการอธิบายผลกระทบจากการทำงานร่วมกันคือการรวมกันและความสมดุลสัมพัทธ์ของสัญญาณจากระดับต่างๆ ของสถาปัตยกรรม ตัวอย่างเช่น ในการศึกษาแบบจำลองที่ใช้ Clarion ได้มีการเสนอว่าความไม่สมดุลที่เกิดจากความวิตกกังวลในส่วนร่วมสัมพัทธ์ของกระบวนการโดยนัยเทียบกับกระบวนการโดยชัดแจ้งอาจเป็นกลไกที่รับผิดชอบต่อการลดประสิทธิภาพภายใต้ความกดดัน^{[ 7 ]}

สถาปัตยกรรมเชิงปัญญาของ Clarion ประกอบด้วยระบบย่อยสี่ระบบ

บทบาทของระบบย่อยที่เน้นการกระทำคือการควบคุมทั้งการกระทำ ภายนอกและภายใน ชั้นที่ไม่ชัดเจนประกอบด้วยเครือข่ายประสาทที่เรียกว่าเครือข่ายประสาทการกระทำ (Action Neural Networks) ในขณะที่ชั้นที่ชัดเจนประกอบด้วยกฎการกระทำ อาจมีการทำงานร่วมกันระหว่างสองชั้นนี้ ตัวอย่างเช่น การเรียนรู้ทักษะสามารถเร่งให้เร็วขึ้นได้เมื่อตัวแทนต้องสร้างกฎที่ชัดเจนสำหรับขั้นตอนที่กำลังดำเนินการอยู่ มีการโต้แย้งว่าความรู้ที่ไม่ชัดเจนเพียงอย่างเดียวไม่สามารถเพิ่มประสิทธิภาพได้ดีเท่ากับการผสมผสานระหว่างความรู้ที่ชัดเจนและไม่ชัดเจน

บทบาทของระบบย่อยที่ไม่เน้นการกระทำคือการรักษาความรู้ทั่วไป ชั้นแฝงประกอบด้วยโครงข่ายประสาทเทียมแบบเชื่อมโยง ในขณะที่ชั้นล่างสุดคือกฎการเชื่อมโยง ความรู้ยังแบ่งออกเป็นความรู้เชิงความหมายและความรู้เชิงเหตุการณ์ โดยความรู้เชิงความหมายคือความรู้ทั่วไป และความรู้เชิงเหตุการณ์คือความรู้ที่ใช้ได้กับสถานการณ์เฉพาะเจาะจงมากขึ้น นอกจากนี้ยังเป็นสิ่งสำคัญที่ต้องสังเกตว่าเนื่องจากมีชั้นแฝงอยู่ความรู้เชิงประกาศ จึงไม่ จำเป็นต้องแสดงออกมาอย่างชัดเจนเสมอไป

บทบาทของระบบย่อยด้านแรงจูงใจคือการให้แรงจูงใจ พื้นฐาน สำหรับการรับรู้ การกระทำ และการคิด ระบบแรงจูงใจใน CLARION ประกอบด้วยแรงขับในระดับล่างสุด และแรงขับแต่ละอย่างสามารถมีความแข็งแกร่งที่แตกต่างกันได้ มีแรงขับระดับต่ำ และแรงขับระดับสูงที่มุ่งเป้าไปที่การรักษาความต่อเนื่อง ความมุ่งมั่น ความตั้งใจ และความสามารถในการปรับตัวของตัวแทน ส่วนที่แสดงออกมาอย่างชัดเจนของระบบแรงจูงใจประกอบด้วยเป้าหมาย การใช้เป้าหมายที่ชัดเจนนั้นมีความเสถียรมากกว่าสถานะแรงจูงใจที่ไม่ชัดเจน กรอบงาน CLARION มองว่ากระบวนการสร้างแรงจูงใจของมนุษย์มีความซับซ้อนสูงและไม่สามารถแสดงได้ด้วยการแสดงออกมาอย่างชัดเจนเพียงอย่างเดียว

ตัวอย่างของแรงขับเคลื่อนระดับต่ำบางส่วน ได้แก่:

• อาหาร
• น้ำ
• การสืบพันธุ์
• การหลีกเลี่ยงสิ่งเร้าที่ไม่พึงประสงค์ (ซึ่งไม่ได้แยกขาดจากแรงขับระดับต่ำอื่นๆ แต่แยกออกจากกันเนื่องจากอาจมีสิ่งเร้าที่เฉพาะเจาะจงมากกว่า)

ตัวอย่างของแรงผลักดันระดับสูงบางประการ ได้แก่:

• ความผูกพันและความรู้สึกเป็นส่วนหนึ่ง
• การยอมรับและความสำเร็จ
• การครอบงำและอำนาจ
• ความยุติธรรม

นอกจากนี้ ยังมีความเป็นไปได้ที่จะสร้างไดรฟ์ที่ได้มา (โดยปกติเกิดจากการพยายามตอบสนองไดรฟ์หลัก) ซึ่งสามารถสร้างได้โดยการปรับสภาพ หรือผ่านคำสั่งภายนอก ไดรฟ์แต่ละตัวที่ต้องการจะมีกำลังที่เหมาะสม และจะคำนึงถึงโอกาสด้วย

บทบาทของระบบย่อยอภิปัญญาคือการตรวจสอบ ควบคุม และปรับเปลี่ยนการทำงานของระบบย่อยอื่นๆ ทั้งหมด การกระทำในระบบย่อยอภิปัญญารวมถึง: การกำหนดเป้าหมายสำหรับระบบย่อยที่เน้นการกระทำ การกำหนดพารามิเตอร์สำหรับระบบย่อยที่เน้นการกระทำและระบบย่อยที่ไม่เน้นการกระทำ และการเปลี่ยนแปลงกระบวนการที่กำลังดำเนินอยู่ทั้งในระบบย่อยที่เน้นการกระทำและระบบย่อยที่ไม่เน้นการกระทำ

การเรียนรู้สามารถแสดงได้ด้วยความรู้ทั้งแบบชัดเจนและโดยนัยแยกกัน ในขณะเดียวกันก็แสดงถึงการเรียนรู้แบบจากล่างขึ้นบนและจากบนลงล่าง การเรียนรู้ด้วยความรู้โดยนัยแสดงผ่านQ-learningในขณะที่การเรียนรู้ด้วยความรู้ที่ชัดเจนเพียงอย่างเดียวแสดงด้วยการเรียนรู้แบบครั้งเดียวเช่น การทดสอบสมมติฐาน การเรียนรู้แบบจากล่างขึ้นบน^{[ 8 ]}แสดงผ่านโครงข่ายประสาทเทียมที่แพร่กระจายขึ้นไปยังเลเยอร์ที่ชัดเจนผ่านอัลกอริทึมการสกัดและการปรับปรุงกฎ (RER) ในขณะที่การเรียนรู้แบบจากบนลงล่างสามารถแสดงได้หลายวิธี

เพื่อเปรียบเทียบกับสถาปัตยกรรมทางปัญญาอื่นๆ อีกเล็กน้อย: ^{[ 2 ]}

• ACT-Rใช้การแบ่งระหว่างหน่วยความจำเชิงกระบวนการและหน่วยความจำเชิงประกาศ ซึ่งคล้ายคลึงกับการแบ่งแยกของ CLARION ระหว่างระบบย่อยที่เน้นการกระทำและระบบย่อยที่ไม่เน้นการกระทำ อย่างไรก็ตาม ACT-R ไม่มีการแบ่งแยกที่ชัดเจน (ตามกระบวนการหรือตามการแสดงผล) ระหว่างกระบวนการโดยนัยและกระบวนการโดยชัดแจ้ง ซึ่งเป็นข้อสมมติฐานพื้นฐานในทฤษฎี CLARION
• Soarไม่ได้รวมความแตกต่างที่ชัดเจนตามการแสดงผลหรือกระบวนการระหว่างการรับรู้โดยปริยายและการรับรู้โดยชัดแจ้ง หรือระหว่างหน่วยความจำเชิงกระบวนการและหน่วยความจำเชิงประกาศ แต่ใช้แนวคิดเรื่องพื้นที่ปัญหา สถานะ และตัวดำเนินการเป็นพื้นฐาน เมื่อมีเป้าหมายที่ค้างอยู่บนกองเป้าหมาย กฎการผลิตที่แตกต่างกันจะเสนอตัวดำเนินการและลำดับความสำคัญของตัวดำเนินการที่แตกต่างกันสำหรับการบรรลุเป้าหมายนั้น
• EPIC ใช้ระบบการผลิตที่คล้ายกับ ACT-R แต่ไม่ได้รวมการแบ่งแยกกระบวนการโดยนัยและโดยชัดแจ้ง ซึ่งเป็นสิ่งสำคัญใน CLARION

CLARION ถูกนำมาใช้เพื่ออธิบายข้อมูลทางจิตวิทยาหลากหลายประเภท^{[ 9 ] [ 2 ]}เช่น งานเวลาตอบสนองแบบอนุกรม งานการเรียนรู้ไวยากรณ์เทียมงานควบคุมกระบวนการ งานอนุมานเชิงหมวดหมู่ งานคำนวณเลขตามตัวอักษร และ งาน หอคอยฮานอยงานเวลาตอบสนองแบบอนุกรมและงานควบคุมกระบวนการเป็นงานการเรียนรู้โดยปริยายทั่วไป (ส่วนใหญ่เกี่ยวข้องกับกิจวัตรการตอบสนองโดยปริยาย) ในขณะที่หอคอยฮานอยและการคำนวณเลขตามตัวอักษรเป็น งานการได้มา ซึ่งทักษะทางปัญญา ขั้นสูง (โดยมีกระบวนการที่ชัดเจนอยู่มาก) นอกจากนี้ ยังมีการทำงานอย่างกว้างขวางเกี่ยวกับงานนำทางสนามทุ่นระเบิดที่ซับซ้อน ซึ่งเกี่ยวข้องกับการตัดสินใจตามลำดับที่ซับซ้อน งานเกี่ยวกับการตัดสินใจขององค์กรและงานจำลองทางสังคมอื่นๆ^{[ 10 ]}รวมถึงงานอภิปัญญา ก็ได้เริ่มต้นขึ้นแล้วเช่นกัน

การประยุกต์ใช้สถาปัตยกรรมทางปัญญาอื่นๆ ได้แก่ การจำลองความคิดสร้างสรรค์^{[ 11 ]}และการจัดการพื้นฐานการคำนวณของจิตสำนึก (หรือจิตสำนึกเทียม ) ^{[ 12 ]}

• โครงการ CLARION
• หน้าโครงการ CLARION ที่ sites.google.com
• ห้องปฏิบัติการ CogArch
• ห้องปฏิบัติการ CogArch ที่ sites.google
• pyClarion