Abstract
近幾年來，′以解釋為主′的學習法（Explanation-Based Learning）受到相當地重視。其強調只要使用一個′訓練範例′（Training example），便可學到一新的觀念定義，之所以它被稱呼為′以解釋為主′的學習法，是因′領域理論′（Domain th-eory）會被用來解釋′訓練範例′是′目標觀念′的一個例子，繼而系統能從解釋過程中，得到新的觀念定義。可知′領域理論′在此學習法中，有著相當重要的地位。現提出一個問題，若′領域理論′不完全時（Imperfection），該如何處理﹖有一些研究學者提出′實驗設計方法′，其利用實驗來學得原先系統所缺乏的知識。我的論文即進一步探討，′領域理論′若是用′因果模型′（Causal model）建立而成時，狀況會有何不同﹖不完整的′領域理論′將是何種面貌﹖在這個時候，狀況會有何不同﹖不完整的′領域理論′將是何種面貌﹖在這個時候，如何應用′實驗設計方法′﹖首先，我們提出一個′因果模型′，此模型是由整合理格（Rieger）及都以由（Doyle ）的′因果模型′而得，在整合之前，先分別擴充其功能，期使新的′因果模型′更加完備。此新的′因果關係′皆有五個階層（Layer ）。接著，我們以此模型建立′領域理論′，探討′不完整理論問題′（Imperfect the-oryproblem）情形，其中一種為：系統雖有足夠的′因果關係′來描述一般現象，然而卻無合適且較詳細的階層來描述複雜的現象。故希望′實驗設計方法′可被用來獲取原先系統所缺乏的階層知識。為了能夠適當應用此方法，我們進一步將原有的′領域理論′，擴充為′機構模型′（Device model），也就是說，除了原有的′領域理論′外，又增加了′輸入－輸出功能轉換描述′（Input-output functional trans-formation description ）及′輸入參數工作範圍′（The working scope of inputparameter），如此，當′領域理論′發生不完整問題時，系統可馬上知曉發生問題的′因果關係′隸屬於那一個′機構模型′，以便從′輸入－輸出功能轉換描述′中得到輸入參數，及從′輸入參數工作範圍′得到其工作範圍。在獲得此兩項資料後，實驗就可依據這些實驗條件（Experimental conditions ）規劃而成。然後從實驗結果，便能得到所需的階層知識。