Принципы конструирования знания в системах искусственного интеллекта: философско-методологический аспект

Введение. Статья посвящена актуальным философским проблемам постнеклассической науки, связанным с анализом интеллектуальных систем на основе машинного обучения, и содержит сравнительный анализ конструктивистского и реалистического подходов для выявления эвристического потенциала радикального конструктивизма в построении гибкой функциональной архитектуры ИИ.

Методология и источники. В основу исследования положен сравнительный анализ реалистического и конструктивистского подходов, методологический аппарат которого включает принципы операциональной замкнутости и когнитивного конструирования реальности, разработанные в трудах Э. фон Глазерсфельда, Ж. Пиаже и их последователей. Центральным тезисом выступает трактовка знания не как отражения объективной реальности, а как конструкции, критерием которой является функциональная пригодность для решения задач, что находит отражение в современных концепциях машинного обучения, таких как обучение с подкреплением.

Результаты и обсуждение. Продемонстрировано, что ключевые принципы конструктивизма – операциональная природа знания, итеративное построение когнитивных структур и прагматический критерий жизнеспособности – предлагают пути решения проблем ИИ, таких как проблема «черного ящика», статичность моделей и контекстуальная зависимость данных, через переосмысление машинного обучения как процесса активного построения функциональных репрезентаций и смещения акцента с точности на функциональную адекватность в конкретных прикладных контекстах.

Заключение. Разработанные положения радикального конструктивизма помогают переосмыслить природу данных и моделей в машинном обучении, а также открывают перспективы для более глубокого анализа требований к итеративным и адаптивным архитектурам обучения и развитию систем с искусственным интеллектом.

1. Сергеев С. Ф. Постнеклассическая наука: рекурсия смысла в сетевых языковых моделях // Третьи Степинские чтения. Перспективы философии науки в современную эпоху: сб. материалов Междунар. конф., Москва, 20–21 июня 2023 г. / Институт философии РАН, 2023. С. 390–396.

2. Семенов А. Л. Симор Паперт и мы. Конструкционизм – образовательная философия XXI века // Вопросы образования. 2017. № 1. С. 269–294. DOI: 10.17323/1814-9545-2017-1-269-294

3. Weintrop D., Wilensky U. Between a block and a typeface: Designing and evaluating hybrid programming environments // IDC '17: Proc. of the 2017 Conf. on Interaction Design and Children. 2017. P. 183–192. DOI: 10.1145/3078072.3079715

4. Von Glasersfeld E. An introduction to radical constructivism // The invented reality: how do we know what we believe we know? Contributions to constructivism / ed. by P. Watzlawick. NY: W. W. Norton & Co., 1984. P. 17–40.

5. Баксанский О. Е. Радикальный конструктивизм и знание // Большая Евразия: развитие, безопасность, сотрудничество. 2022. № 5-1. С. 1000–1002.

6. Касавин И. Т. Конструктивизм: заявленные программы и нерешенные проблемы // Эпистемология и философия науки. 2008. Т. XV, № 1. С. 5–14.

7. Von Glasersfeld E. Cognition, construction of knowledge, and teaching // Synthese. 1989. Vol. 80, № 1. P. 121–140.

8. Янченко А. А. Методологический потенциал эпистемологического конструктивизма для разработки теории искусственного интеллекта // Исторические, философские, политические и юридические науки, культурология и искусствоведение. Вопросы теории и практики. 2014. № 1 (39): в 2 ч. Ч. II. С. 210–215.

9. Johnston J. W. The Construction of Reality in an AI: A Review: arXiv:2302.05448 // Arxiv.org. 2023. URL: https://arxiv.org/pdf/2302.05448 (дата обращения: 17.08.2025). DOI: https://doi.org/10.48550/arXiv.2302.05448

10. Bishop C. M. Pattern recognition and machine learning. NY: Springer, 2006.

11. Черникова И. В., Черникова Д. В. Методологические и структурные трансформации в развитии современной науки // Вестн. ТГУ. Философия. Социология. Политология. 2019. № 49. С. 60–68. DOI: 10.17223/1998863X/49/7

12. Nowak M., Castellini C., Massironi C. Applying radical constructivism to machine learning: a pilot study in assistive robotics // Constructivist Foundations. 2018. Vol. 13, № 2. P. 250–262.

13. Li X., Huan J. Constructivism learning: A learning paradigm for transparent predictive analytics // Proc. of the 23rd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining, Halifax, Canada, 13–17 Aug. 2017. P. 285–294. DOI: http://dx.doi.org/10.1145/3097983.3097994

14. Mathewson K. W., Pilarski P. M. Reinforcement learning based embodied agents modelling human users through interaction and multi-sensory perception // AAAI spring symposium on interactive multi-sensory object perception for embodied agents, Stanford, 27–29 March 2017 / Stanford Univ. Stanford, 2017. P. 477–481. DOI: 10.48550/arXiv.1701.02369

15. Sarkar A. Constructivist design for interactive machine learning // CHI EA '16: Proc. of the 2016 CHI Conf. Extended Abstracts on Human Factors in Computing Systems, San Jose, 07–12 May 2016. P. 1467–1475. DOI: https://doi.org/10.1145/2851581.2892547

16. Fails J. A., Olsen D. R. Interactive machine learning // IUI ’03: Proc. of the 8th Int. Conf. on Intelligent user Interfaces, Miami, 12–15 Jan. 2003 / Association for Computing Machinery. NY, 2003. P. 39–45. DOI: 10.1145/604050.604056

17. Tokuhama-Espinosa T., Borja C. Radical neuroconstructivism: a framework to combine the how and what of teaching and learning? // Frontiers in Education. 2023. Vol. 8: 1215510. DOI: 10.3389/feduc.2023.1215510

18. Exposing Piaget's scheme: Empirical evidence for the ontogenesis of coordination in learning a mathematical concept / D. Abrahamson, S. Shayan, A. Bakker et al. // ICLS 2016: Proc. of the 12th Int. Conf. of the Learning Sciences, Singapore, 20–24 June 2016. P. 466–473.