Роберт Дилтс - Моделирование с помощью НЛП
6. Теперь начинайте по очереди варьировать критические факторы, которые обеспечили достижение желаемого поведения или результатов.
А. Найдите «предел», до которого вы можете изменить фактор, не меняя результата.
Б. «Принцип элегантности»: определите минимальное количество факторов, необходимых для достижения желаемого поведения или результатов.
Прикладное моделирование и процесс «обратного распространения»
Последний, «контрольный» этап в стратегиях как прикладного, так и продвинутого моделирования напоминает то, что в технологии нервных сетей называется «обратным распространением». Нервные сети представляют собой компьютерные структуры, построенные по принципу мозговой деятельности. Они используются для распознавания сложных паттернов и, как правило, включают в себя ряд взаимосвязанных элементов, служащих для создания своего рода «модели» того или иного паттерна или явления. Модель представляет собой функцию «весов», или сил, связей между элементами сети. Эта внутренняя «модель» определяет результативность сети.
Ценность нервных сетей заключается в том, что они способны научиться распознавать паттерны «эвристически», как функцию повторяющегося опыта. Модель (или паттерн «весов») регулируется согласно определенному правилу обучения каждый раз, когда в сеть поступают определенные данные. Таким образом, сеть все лучше и лучше распознает эти конкретные данные и реагирует на них. Точно так же ребенок учится узнавать определенное лицо или слово. Подобные типы компьютерных сетей обычно используются в аудиосистемах «распознавания голоса» и оптических системах «распознавания символов».
Обычной стратегией обучения для таких сетей является «обратное распространение». Предположим, компьютер обучают распознаванию букв алфавита, чтобы он смог читать напечатанные документы и переводить их в соответствующие электронные текстовые символы (рис. 34). Для того чтобы научиться распознавать, скажем, букву 5, следует ввести образ этой буквы в сеть.
Рис. 34. Схема процесса «обратного распространения» в нервной сети
Этот образ кодируется в компьютерной сети как паттерн реакций (основанных на текущем «весе» их взаимосвязей). В результате действия этого паттерна сеть выдает результат, например символ «§». Результат компьютера сравнивается с ожидаемым результатом (т. е. с буквой 5). Если между двумя результатами - ожидаемым 5 и полученным «§» - возникает расхождение, то взаимосвязи между элементами сети регулируются заново. Затем образ буквы вновь вводится в систему, и результат проверяется тем же путем. После некоторого количества повторных проб компьютерный результат начинает все больше и больше напоминать желаемый (т. е. после ввода образа Sкомпьютер выводит текстовый символ 5). Другими словами, компьютер создает полезную «модель»: механизм, позволяющий достичь желаемого результата при вводе определенных данных.
Подобная стратегия используется в НЛП для совершенствования той или иной модели, созданной с помощью разнообразных методов и стратегий (описанных выше). Человек представляет собой сложную «нервную сеть», которая способна обрабатывать различные свойства и особенности (т. е. репрезентативные системы, субмодальности, паттерны метапрограммы, микроповеденческие ключи, языковые паттерны и т. д.). Сосредоточение «внимания» на определенной особенности подобна процессу наделения «весом» того или иного элемента компьютерной нервной сети. Например, если сказать человеку «подними глаза вверх и влево», в то время как он пытается научиться правильно писать какое-то слово, то тем самым мы придадим больше «веса» положению глаз как элементу грамотного письма.
Таким образом, этапы модели или процедуры надбавляют внимание человека на различные аспекты и черты его опыта. Это перемещение внимания "создает своего рода «аттрактор», который стимулирует в человеке «самоорганизующееся» поведение. Если вы заметите, как теннисный мяч коснулся земли, прежде чем долетел до вас, это автоматически повлияет на то, как вы взмахнете ракеткой, чтобы отбить мяч. Подобным образом, если прислушиваться к изменению тона голоса собеседника, а не к содержанию его слов, или наблюдать его выражение лица, вместо того чтобы обращать внимание на тип одежды, которую он носит, то все эхо повлияет на способ вашей реакции на этого человека.
Инструкции и процедуры, составляющие принципы, этапы и стратегии поведенческой модели, таким образом, подобны «весу» в нервной сети. Применение «обратного распространения» в поведенческом моделировании будет включать в себя (рис. 35):
1) попытку применить шаги, стратегии и особенности, определяемые моделью, в соответствующем контексте;
2) концентрацию на достигнутых результатах и сравнение их с желаемыми;
3) регулировку мер и особенностей, предлагаемых моделью, с целью повысить «степень приближения»;
4) попытку применить новые настройки модели и продолжающиеся попытки повторения процесса до тех пор, пока вы (или люди, на которых рассчитана эта модель) не достигнете требуемого «порогового» уровня желаемого результата.
С помощью данного механизма модель совершенствуется в процессе опытного применения. Поправки как результаты сравнения реального и желаемого результатов вносятся до тех пор, пока не будет выработана наиболее эффективная и элегантная модель.
Рис. 35. Оттачивание техники, модели или стратегии с помощью процесса «обратного распространения»
Обратите внимание, что данный подход к оцениванию и совершенствованию модели фундаментально отличается как от простой «обратной связи» (где результат деятельности системы возвращается в нее как новые данные), так и от попытки статистического обоснования теории через анализ результатов. «Обратное распространение» подразумевает непрерывную регулировку самой модели как функцию сравнения ее результата с желаемым результатом.
Конгруэнтность кода
По мнению Грегори Бейтсона, «если хочешь подумать о чем-либо, лучше всего думать об этом так, как думает оно само». Понятие «конгруэнтность кода», введенное Бейтсоном, подразумевает, что наиболее эффективными и экологичными являются те модели, в которых взаимосвязи между элементами соответствуют взаимосвязям внутри системы элементов моделируемого явления.
В частности, Бейтсон указывает, что мы можем описать человеческую кисть как «пять бананоподобных объектов» или как «четыре взаимосвязи» между соседними пальцами (рис. 36). Возникает вопрос: «Какое из описаний наиболее соответствует тому, с помощью которого ДНК и другие генетические процессы создали настоящую человеческую кисть?» Другой вопрос звучит так: «Что изменится, если мы попытаемся создать или воспроизвести руку, думая о ней как о четырех взаимосвязях, а не о пяти объектах?» Бейтсон утверждает, что наиболее «конгруэнтные коду» модели, как правило, более элегантны (просты), полезны и экологичны.
Рис. 36. Кисть - это пять объектов или четыре взаимосвязи?
Хорошим примером значимости конгруэнтности кода для моделирования является сдвиг в понятийном и математическом аппарате астрономии, который произошел в эпоху позднего Возрождения. Средневековые астрономы предполагали, что Земля является центром Солнечной системы. По их представлениям, все планеты вращаются вокруг Земли, а не вокруг Солнца (рис. 37). Для того чтобы охарактеризовать траектории планет относительно Земли, астрономам приходилось использовать изощренные и запутанные математические описания. (Если допустить, что Земля является центром Солнечной системы, то в орбитах планет появятся странные петли и изгибы.)
Рис. 37. Орбиты планет относительно Земли как «центра» Солнечной системы
Рис. 38. Орбиты планет относительно Солнца как «центра» Солнечной системы
После того как эта модель наконец изменилась и в центре всех орбит оказалось Солнце, стало очевидно, что планеты следуют по относительно примитивным эллиптическим траекториям (рис. 38). Неожиданно стало намного проще математически обосновать движение небесных тел.
Другим научным примером конгруэнтности кода являются изменения, которые повлекла за собой теория относительности Альберта Эйнштейна. Осуществив переход от понятий «абсолютного» времени и пространства к понятиям относительного времени и пространства, модель Эйнштейна включила в себя все законы механики Ньютона (как частные случаи), но оказалась способна объяснить и предсказать множество других явлений; кстати, для этого ей потребовалось гораздо меньшее количество категорий.
