В ТЕКСТЕ НЕ ВСЕ ЗАСЛУЖИВАЕТ ВНИМАНИЯ
Один из главных недостатков системы SAM, а также ELI (являющейся частью SAM) состоит в неспособности обрабатывать тексты, к восприятию которых она не подготовлена. Новая словарная единица, новая область дискурса или ранее не встречавшаяся синтаксическая конструкция часто приводили систему в полное смятение.
Одним из видов результатов, выдававшихся системой SAM, было резюме (summary) прочитанного. Нам казалось, что мы могли получать в общем такой же результат с помощью гораздо более надежной и значительно более быстрой программы FRUMP (DeJ ong, 1977). FRUMP не анализирует каждое слово каждого рассказа, поступающего на вход. Напротив, она воплощает в себе некоторую теорию беглого чтения (skimming), которая направляет ее в процессе чтения. FRUMP выделяет то, что представляет для нее интерес,— обычно это единицы информации, которые она хочет включить в свое резюме, относящееся к любой конкретной области, о которой она имеет знания. Таким образом, FRUMP в высшей степени ориентирована на анализ типа "сверху вниз", по этой причине она не может рассматриваться как простая замена системы SAM. Программа SAM могла в принципе реагировать на входные тексты, к которым она не была подготовлена, хотя на практике такое случалось совсем не часто! FRUMP не может реагировать на те аспекты рассказов, к которым она не подготовлена, но это не означает, что она вообще не в состоянии обрабатывать такие рассказы.Для целей настоящей статьи, однако, в системе FRUMP особенно интересным является то, что она представляет собой пример работающей, надежной, интегральной (то есть не модульной) системы. Анализатор системы FRUMP, в сущности, неотделим от блока логического вывода (infe- rencer). Причина этого проста. FRUMP знает, что ей необходимо найти в рассказе. Она располагает правилами, определяющими, как находить в тексте нужные вещи; это могут быть как правила вывода умозаключений, так и правила анализа.
Но такие правила являются в действительности только нижним уровнем манифестации решений более высокого уровня, принятых на основе многих соображений, из которых лишь часть связана с процессом анализа. FRUMP работает хорошо, потому что ее интересы непосредственно управляют процессом поиска. Она может игнорировать то, что ее не интересует, и сосредоточивать свое внимание на том, что ей нужно узнать.Давайте посмотрим, как нормальный грамотный взрослый человек читает рассказ, например газетную заметку. Мы и раньше серьезно задумывались над вопросом о том, читает ли человек (при обычном нормальном процессе чтения) детально, как SAM, или бегло, как FRUMP. И хотя мы не имеем твердых доказательств в пользу одного или другого из этих способов, нам представляется, что человек больше похож на FRUMP, чем мы раньше думали. Если это так, то отсюда следуют важные выводы о том, как в действительности должен выглядеть анализатор. Мы не утверждаем, что анализатор системы FRUMP является адекватным. Очевидно, что нет, поскольку он пропускает важные аспекты многих рассказов. С другой стороны, некоторая комбинация типа анализа, принятого в системе FRUMP, с типом анализа, принятым в ELI, могла бы способствовать созданию очень мощной и надежной системы для понимания текстов на естественном языке.
3.