Генерализация — перенос знаний на новые случаи¶

Генерализация (от лат. generalis — общий) — процесс образования общего знания, умения или правила на основе частных случаев, а также перенос сформированного навыка на новые, ранее не встречавшиеся ситуации. Понятие используется в психологии, педагогике, лингвистике, информатике и теории познания, при этом в каждой области имеет уточнённое значение.

¶Генерализация в психологии и педагогике

В педагогической психологии генерализация рассматривается как один из механизмов формирования умений и навыков. При многократном решении однотипных задач у обучаемого выделяется общий принцип действия, который затем применяется к задачам с новым содержанием. И. П. Павлов связывал генерализацию с дифференцировкой: условный рефлекс, выработанный на один стимул, распространяется на родственные стимулы — это проявление генерализации рефлекса.

В теории поэтапного формирования умственных действий П. Я. Гальперина генерализация выступает как один из показателей сформированности действия: по мере перехода от материального действия к умственному действие становится обобщённым и не зависит от конкретных предметов.

В клинической психологии генерализация страха — распространение тревожной реакции с первоначального раздражителя на сходные стимулы. Например, страх перед конкретной собакой может распространиться на всех собак. Явление лежит в основе когнитивно-поведенческой терапии фобий: терапия направлена на «дегенерализацию» страха через постепенное приучение.

¶Генерализация в лингвистике

В языкознании генерализация — процесс, при котором значение слова или конструкции расширяется, утрачивая связь с исходным конкретным значением. Пример — русское слово «богатырь», первоначально обозначавшее дружинника-витязя, в современном языке генерализовано до значения «сильный, выдающийся человек».

Генерализация противопоставляется специализации (сужению значения) и является одним из основных механизмов семантического развития языка. Типичный путь: конкретное значение → перенос по сходству → абстрактное значение.

¶Генерализация в машинном обучении

В теории машинного обучения генерализация — способность обученной модели корректно работать на данных, не использовавшихся при обучении. Модель, показавшая высокую точность на обучающей выборке, но плохие результаты на новых данных, демонстрирует переобучение — противоположность генерализации.

Показателем генерализации служит обобщающая способность: разница между ошибкой на обучающей выборке и ошибкой на проверочной (валидационной). Для повышения генерализации применяются регуляризация, аугментация данных, ранняя остановка обучения, кросс-валидация.

¶Генерализация в теории познания и логике

В логике и эпистемологии генерализация — вывод общего суждения из частных наблюдений. Индуктивный вывод «все наблюдавшиеся лебеди белы → все лебеди белы» является классическим примером. Дэвид Юм показал, что индуктивная генерализация не может быть строго обоснована: из конечного числа наблюдений не следует универсальное утверждение. К. Поппер предложил противоположный подход: научные теории не генерализируются из фактов, а выдвигаются как гипотезы и проверяются попытками опровержения.

¶Связанные понятия

• Специализация — противоположный процесс сужения области применения.
• Экстраполяция — продолжение установленной закономерности за пределы исходных данных.
• Абстракция — выделение существенных признаков при отвлечении от несущественных; предпосылка генерализации.
• Аналогия — перенос свойств по сходству; частный случай генерализации.

¶Применение понятия

Термин применяется при проектировании учебных программ (принцип «от частного к общему»), при разработке алгоритмов распознавания образов, в юриспруденции (генерализация нормы — распространение правовой нормы на случаи, прямо в ней не описанные), в социологии (обобщение результатов выборочных исследований на генеральную совокупность).

Источники:

• Павлов И. П. Полное собрание сочинений. Т. 2—3.
• Гальперин П. Я. Этапы развития мышления в онтогенезе.
• Юм Д. Трактат о человеческой природе. Кн. 1.
• Поппер К. Логика научного исследования.
• Mitchell T. Machine Learning. — McGraw-Hill, 1997.