Syftet med min studie har varit att undersöka kärlekens spelregler och värderingar utifrån Judith Butlers tankar kring imiterandet av kön. Jag har valt att studera den kvinnliga och manliga diskursens verkan under kärleksspelets tidigaste fas. Materialet består utav fem skilda intervjuer utförda på två kvinnor och tre män, samtliga mellan 20 och 26 år gamla. I analysen har två tydligt uppdelade könsroller kunnat uttydas och en patriarkal makthierarki har uppenbarats. Jag började mitt arbete med större förhoppningar än vad resultatet kom att påvisa angående eventuella förändringar i genussystemet. Kärleksspelets strikta imiterande efter de kvinnliga och manliga könsrollerna kan dock fungera som ett stabiliserande utav dessa i en allt hastigare samhällsprocess.

Enligt forskning har matematikkunskaperna blivit allt sämre i den svenska skolan (Lithner, 2001) och därför finner vi det intressant att undersöka någon faktor som kan bidra till detta. Vi har undersökt vilka matematiska resonemang som krävs för att lösa uppgifter ur en lärobok på gymnasiet. Detta har vi gjort genom att klassificera uppgifterna i läroboken med hjälp av ett ramverk som beskriver olika typer av matematiska resonemang. Antingen går uppgifterna att imitera från läroboken eller så behöver man konstruera ett eget matematiskt resonemang som bygger på de matematiska egenskaperna hos de komponenter som finns i lösningsresonemanget. Resultaten visade att 73% av uppgifterna gick att lösa genom att på ytliga grunder identifiera liknande exempel, definitioner eller text i boken och imitera den där givna lösningsproceduren. Det kan ge negativa konsekvenser för elevernas matematiska förståelse, eftersom de bara lär sig en lösningsprocedur och då sällan behöver tänka kreativt eller beakta relevanta matematiska egenskaper för att lösa matematiska problem.

Syftet med studien var att undersöka imitationsförmågan för auditivt och visuellt presenterat material hos typiskt utvecklade barn mellan fyra och åtta år. Den visuella imitationen undersöktes i form av meningsfulla samt icke-meningsfulla handlingar. Den auditiva imitationen undersöktes i form av meningsfull meningsrepetition samt icke-meningsfull nonordsrepetition. Ytterligare ett test gjordes för att undersöka barnens icke-verbala intelligens. I studien deltog 10 typiskt utvecklade barn med svenska som modersmål, sjuflickor och tre pojkar mellan 4;11␣8;0år. Studiens  huvudfynd  var  att  barnens visuella uppmärksamhet var en avgörande faktor för hur barnen klarade av att imitera handlingarna. De meningsfulla handlingarna med objekt var lättare för barnen att utföra i jämförelse med de icke-meningsfulla handlingarna utan objekt. Resultatet på det icke-verbala intelligenstestet korrelerade med barnens ålder och de icke- meningsfulla handlingarna. Även nonord och meningsrepetition korrelerade med varandra. Vid analys av den auditiva modaliteten visade det sig att två- och fyrstaviga icke-meningsfulla nonord var något lättare att imitera än trestaviga. Ett konstaterande vid meningsrepetitionen var att barnens prestation såg olika ut beroende på meningens längd. Resultaten i denna studie måste tolkas med reservation för att undersökningen gjorts på en mycket liten grupp och vidare forskning inom ämnet vore önskvärt för ett mer tillförlitligt resultat. Slutsatsen är att det troligtvis inte förefaller finnas någon underliggande imitativ förmåga som medierar förmågan att imitera för visuellt och auditivt presenterat material. Ett samband mellan barnens visuella uppmärksamhet och deras prestation av imitativa handlingar kan dock konstateras.

No description available.

Learning without any prior knowledge in environments that contain large or continuous state spaces is a daunting task. For robots that operate in the real world, learning must occur in a reasonable amount of time. Providing a robot with domain knowledge and also with the ability to learn from watching others can greatly increase its learning rate. This research explores learning algorithms that can learn quickly and make the most use of information obtained from observing others. Domain knowledge is encoded in the form of primitives, small parts of a task that are executed many times while a task is being performed. This thesis explores and presents many challenges involved in programming robots to learn and adapt to environments that humans operate in. A "Learning from Observation Using Primitives" framework has been created that provides the means to observe primitives as they are performed by others. This information is used by the robot in a three level process as it performs in the environment. In the first level the robot chooses a primitive to use for the observed state. The second level decides on the manner in which the chosen primitive will be performed. This information is then used in the third level to control the robot as necessary to perform the desired action. The framework also provides a means for the robot to observe and evaluate its own actions as it performs in the environment which allows the robot to increase its performance of selecting and performing the primitives. The framework and algorithms have been evaluated on two testbeds: Air Hockey and Marble Maze. The tasks are done both by actual robots and in simulation. Our robots have the ability to observe humans as they operate in these environments. The software version of Air Hockey allows a human to play against a cyber player and the hardware version allows the human to play against a 30 degree-of-freedom humanoid robot. The implementation of our learning system in these tasks helps to clearly present many issues involved in having robots learn and perform in dynamic environments.

This thesis presents an imitation-based methodology, also a simple and easy way, for a service robot to learn the behaviors demonstrated by the user. With this proposed method, a robot can learn human behavior through observation. Inspired by the concept of biological learning, this learning model is initiated when facing a new learning event. A series of experiments are conducted to use a humanoid robot as a platform to implement the proposed algorithm. Discussions are made of how the robot generates a complete behavior sequences performed by its demonstrator. Because it is time consuming for a robot to go through the whole process of learning, we thus propose a decomposed learning method to enhance the learning performance, that is, based on the past learning information, the robot can skip learning again the behaviors already known. For simple robot behaviors, a hierarchical evolutionary mechanism is developed to evolve the complete behavior trajectories. For complex behaviors sequences, different ways are used to tackle the scalability problem, including decomposing the overall task into several sub-tasks, exploiting behavior information recorded previously, and constructing a new strategy to maintain population diversity. To verify our approach, a different series of experiments have been conducted. The results show that our imitation-based approach is a natural way to teach the robot new behaviors. This evolutionary mechanism successfully enables a humanoid robot to perform the behavior sequences it learns.

D.E.A.--Histoire et civilisation--EHESS, 2003. / Bibliogr. p. 86-98.

In animals, humans and robots, imitative behaviours are very useful for acting, learning and communicating. Implementing imitation in autonomous robots is still a challenge and one of the main problems is to make them choose when and who to imitate. We start from minimalist architectures, following a bottom-up approach, to progressively complete them. Based on imitation processes in nature, many architectures have been developed and implemented to increase quality (essentially in terms of reproducing actions with accuracy) of imitation in robots. Nevertheless, autonomous robots need architectures where imitative behaviour is well integrated with the other behaviours like seeking for stability, exploration or exploitation. Moreover, whether to express imitative behaviours or not should also depend on the history of interactions (positive or negative) between robots and their interactive partners. In this thesis, we show with real robots how low-level imitation can emerge from other essential behaviours and how affect can modulate the way they are exhibited. On top of proposing a novel vision of imitation, we show how agents can autonomously switch between these behaviours depending on affective bonds they have developed. Moreover, with simple architectures, we are able to reproduce behaviours observed in nature, and we present a new way to tackle the issue of learning at different time scales in continuous time and space with discretization.

No description available.

No description available.