(این مسئله به پرسشی که گفت نگاهت درباره Cognitive Control رو توضیح بده هم مربوطه). مقالات بالا رو بخونید تا مسئله رو از کنترل بفهمید.

البته به نوربرت وینر توهین نشه. چاق دوست داشتنی. ایشون اگر نبود الآن ما خیلی چیزها نداشتیم. همین شبکه های عصبی ای که استفاده میکنیم هم از سنتی هست که ایشون بنا نهاد. ولی خب یک آدم در همه مسائل نمیتونه درست باشه. بهتره سنتی راه بندازی که "در مسیر" درست قرار بده ما رو که ایشون هم انجام داد. حالا یکی دو غلط اینور و اونور رو میبخشیم.

از طرفی اگر مسائل Ecological Psychology رو فهمیده باشیم باید بدونیم که هر سابجکت یک نیچ خاصی داره و هیچ دلیلی نداره که رفتار سابجکت های مختلف در یک تسک رفتاری یکسان یا حتی در یک گستره هم پوشانی باشه. دوباره میگم معمولا ما به میانگین-میانه رفتاری اتکا میکنیم برای همین همه چیز تمیزه ولی اگر روی داده رفتاری کار کرده باشید میدونید خیلی واریانس بالایی بین افراد هست و این همیشه کابوس محققین بوده چون فکر میکنن اگر واریانس کمتر باشه بهتره. اگر این رو هم بفهمیم باید نتیجه بگیریم که مطالعه رفتار باید روی هر سابجکت به صورت خاص انجام بشه.

من روی میمون ها کار میکنم و در یک فضای باز ازشون تست رفتاری و ثبت مغزی وایرلس میگیرم. طی چهار سال اخیر ساعت ها وقت من پای مشاهده آنلاین رفتار این ها در محیط باز گذاشته شده. چیزی که میتونم بهتون بگم اینکه رفتارها بسیار متفاوته حتی اگر نتیجه یکسان باشه. قبلا هم این رو بحث کردم وقتی ابعاد کمی رفتاری که میسنجی پایین هست همه چیز یکسان بنظر میرسه. برای مثال ما مقادیری مثل عملکرد درصدی در تسک یا ری اکشن تایم رو میسنجیم. این دو ابعاد خیلی کم و البته گاهی غیر مستقیمی از رفتار هست.

ولی وقتی به جزئیات رفتاری توجه میکنیم تفاوت های بین سابجکت ها کاملا واضحه.

یکی از روش ها اینکه ما مستقیم بریم سراغ سنت ethology و موجودات رو بذاریم در محیط های باز تا آزاد رفتار کنن. اما این هم چالش های بسیاری داره که فردا مینویسم و دو عکس رو توضیح میدم. (یکهو الآن حس کردم گرسنه شدم و باید برم غذا بخورم :))) )

خب دیشب شروع کردم و کمی درباره بحث رفتار نوشتم. امشب علاقه مندم این رو کمی ادامه بدم. دیشب توضیخ دادیم که دو رویکرد به مطالعه رفتار از رفتارشناسی و روانشناسی بیرون آمد و کمی توضیح دادیم از اینکه چرا نگرش امروز به مسئله رفتار بسیار ساده انگارانه است. یکی از دلایلی که روانشناسی از مطالعه کنترل شده آزمایشگاهی حمایت میکنه این باور هست که آزمایش های کنترل شده باعث نتایج تکرار پذیر خواهد شد. اما این نگاه همانطور که توضیح دادیم دارای فرض های بسیاری است که لزوما صحیح نیستند. از طرفی مطالعه رفتار تحت شرایط کنترل شده ابعاد رفتار را به شدت کاهش میده و این توضیح واریانس رفتار-مغز رو در شرایط طبیعی دچار مشکل میکنه. در رویکرد مقابل میتونیم پیشنهاد کنیم که سابجکت ها باید در شرایط کاملا آزاد مورد مطالعه قرار بگیرن. اما این رویکرد هم متناسب با متدهای امروز ما نیست و باعث ایجاد یک پیچیدگی غیر قابل کنترل در مطالعات ما خواهد شد.

در نتیجه میشه گفت معیارهایی وجود داره برای انتخاب اینکه شرایط آزمایشگاهی ما برای مطالعه رفتار چه باید باشه:

1- ابعاد رفتاری، درجه محدودیت های اعمال شده، و پیچیدگی: این موضوع به پرسش مدنظر ما و متدهای در اختیار مرتبط هست. در مورد پیچیدگی یکی از مسائل تعداد متغیر های وابسته و مستقل هست. به ازای متغیر های مستقلی که ثبت میکنیم، چه متغیر های وابسته ای رو میتونیم اندازه گیری کنیم؟ برای مثال یک تسک Go-NoGo ساده مشروط به یک مودالیتی حسی مشخص (برای مثال صدا) پیچیدگی رفتار کمی داره اما قرار دادن سابجکت در یک واقعیت مجازی با مودالیتی های مختلف بینایی و صدایی و سرعت و ... پیچدگی های طبیعی بالاتری در خودش داره. هر چند افزایش پیچیدگی میتونه ترین کردن سابجکت های غیر انسانی رو بخصوص طولانی تر کنه، میتونه امکانات بسیاری به ما در خصوص مطالعات رفتاری-نورونی بده. (برای مثال ها به مقاله مراجعه کنید.)

باید دقت کنیم که محدودیت هایی که ما در تسک های رفتای میذاریم برآمده از "پیش فرض های ما به عنوان پژوهشگر هست" از اینکه چه چیزهایی برای مشاهده مهم تر هستند. اینکه ما تصمیم گرفتیم "چه مهم هست" لزوما بدین معنی نیست که برای سابجکت هم همین چیزها مهم هست.

اما افزایش پیچیدگی در تسک هم به خودی خودش چیز ارزشمندی نیست. برای اینکه افزایش ابعاد داده بدون داشتن یک برنامه مشخص برای "توصیف داده" لزوما ما رو به توضیح نزدیک تر نمیکنه. به همین دلیل اینکه پیچیدگی رفتاری در تسک ها چقدر باشه بخشیش به سطح قابلیت های ما در توصیف پدیده مورد مشاهده و مطالعه بستگی داره.

در توضیح رفتار میشه به سه نوع مدل سازی اشاره کرد:

1- مدل سازی های توصیفی: این مدلسازی ها سعی میکنند مشخص کنند که سابجکت "چه رفتاری" انجام داده است.

2- مدل های generative: این مدل ها برای آن ساخته میشوند که مشخص کنند "چگونه" یک رفتار تحت یک شرایط خاص میتواند بروز کند؟ این مدل ها میتوانند علی باشد و بنا به تاریخ یک سابجکت و شرایط کنونی که در آن است رفتار او را توضیح دهند و یا پیشبینی کنند.

3- مدل های Normative: که تلاش میکنند تشخیص دهند "چرا" یک رفتار خاص در شرایط مشخص بروز میکند.

بسیاری از مدل هایی که ما با آنها آشنا هستیم در دسته اول هستند. و معمولا توضیح ما برای اینکه "چرا" یک رفتار بروز میکند خلاصه میشود به توضیح های تکاملی. اما با پیچیده تر شدن داده رفتاری و افزایش ابعاد این نوع داده، باید بپرسیم آیا مدل های توصیفی گذشته کافی هستند؟

در سنت رفتارشناسی و روانشناسی بسیار از توصیفات توسط یک مشاهده گر صورت میگیرد. رفتار بر اساس قواعد از پیش تعیین شده به بخش های مشخصی تقسیم و تعریف میشود (برای مثال دویدن در مقابل راه رفتن و ...). یا در تسک های شناختی توصیف ما از بسیاری رفتار ها خلاصه میشود به عملکرد سابجکت در آزمون رفتاری-شناختی.

اما پیشرفت روش های یادگیری ماشین جدید به ما کمک میکند که روش های بسیار قدرتمند تر و unsupervised را برای شناسایی و کلاستربندی داده های رفتاری استفاده کنیم. برای مثال با ثبت ویدیویی رفتار سابجکت در شرایط آزمایشگاهی میتونیم از الگوریتم هایی استفاده کنیم که رفتار رو در گستره های زمانی مختلف دسته بندی میکنند. بعد از این کلاستربندی میتونیم داده های رفتاری رو تفسیر کنیم.

با استفاده از این الگوریتم های در آن واحد ما میتوانیم ابعاد بالاتری از رفتار را مشاهده کنیم. برای مثال به حرکت بدن توجه کنید. در گذشته این حرکت به یک مرکز جرمی خلاصه میشد. در واقع کل موجود یک نقطه در فضای دو یا سه بعدی در نظر گرفته میشد. اما امروزه با روش های pose tracking ما میتوانیم اجزای مختلف بدن را رهگیری کنیم.

اگر مطالب قبلی درباره شناخت بدنمند و روانشناسی اکولوژیک رو دنبال کردید میفهمید که چه درهای جذابی به روی محقق باز میشه. برای مثال میتونیم بپرسیم آیا pose یک سابجکت در عملکردهای شناختی اون در هر لحظه نقش داره؟ از طرفی میتونیم از میانگین-میانه فاصله بگیریم و هر موجود رو به صورت ویژه مطالعه کنیم.

داشتم آمار این کانال رو نگاه میکردم و دیدم اشتراک گذاری پست ها هم روند خوبی داشته. اگر تابحال پست های کانال رو به اشتراک گذاشتید (فوروارد کردید گروه های دیگه) و مایل هستید، میتونید بگید کجا ها ارسال کردید؟ و در صورتی که بحث هایی جالبی پیرامون مطالبی که به اشتراک گذاشتید ایجاد شده اینجا برام بگید.

دو سه روز پیش کتاب The Embodied Mind رو آغاز کردم. از زمانی که کتاب Autopoiesis رو از وارلا و ماتورانا خونده بودم میخواستم اینم بخونم که فرصت دست نمیداد ولی خب دیگه در مسیر جدیدی که برای مطالعه آغاز کردم قرار میگرفت. نصف کتاب رو مطالعه کردم. بنظرم مطالب قابل توجه ای داره. البته مطالعه کتاب بنظرم نیازمند پیش نیاز هایی هست (یعنی الآن که میخونم خوشحالم که زودتر شروع نکردم چون بدون اون پیش نیاز ها قابل درک نیست). کتاب با جزئیات وارد تمام مسائل نمیشه و فقط یک شمایی از برنامه جدید رویکردی و فکری به ما میده. وقتی کتاب رو تمام کنم میام اینجا بیشتر مینویسم.

یک سری از مطالبش رو خوندم. بلاگ خلاصه و جالبی هست.
Philosophy of brains

خب کمی درباره این کتاب بنویسم. کتاب با توجه به رویکردهای پدیدارشناسی و بوداییسم قصد داره ما رو در یک مسیر جدید کنکاش ذهن قرار بده. از این رو کتاب از علوم مختلف زیست شناسی، شناختی، روانشناسی، روان تحلیل، فیزیک، کامپیوتر و ... بهره میبره که خب باعث میشه کتاب در سطح بالایی قرار بگیره و برای درک کامل نیاز به پیش نیاز هایی داشته باشه.

قطعا بخشی از این پیش نیاز ها درک سنت Cognitivism و فهم نگرش این رویکرد به مسئله ذهن هست که خب این هم خودش طیف گسترده ای داره که قبلا در کانال اشاره کردم. خواننده باید با رویکرد هایی مثل Representational Theory of Mind و به خصوص Computational Theory of Mind آشنا باشه. از طرفی بخشی از کتاب درباره Emergence و Connectionism هست که به گستردگی بحث نمیشه. دانش درباره این دو حوزه هم در فهم کتاب نیاز هست. دلیل اینکه این دانش ابتدای لازم هست برای اینکه کتاب در فصول مختلف سعی میکنه یک کنتراست مشخص بین رویکرد بازنمایی-محاسبه به ذهن با رویکرد جدید که enaction نام گذاری میکنه برقرار کنه و این کنتراست رو پله پله میسازه. اگر مخاطب متوجه نشه مورد اول چی هست نمیفهمه کنتراست از کجا میاد و این سنت ها دقیقا کجاها با هم تفاوت نظر دارن.

از سمت دیگه وارلا از مجموعه مطالب سابق خودش هم بهره بسیاری میبره. از این رو شاید مطالعه کتاب Autopoiesis که قبلا در کانال معرفی شده یا کتاب Self-producing systems بد نباشه. البته میتونید هم نگاهی به پست زیر داشته باشید که دیگه خیلی خلاصه هست:
A Study of “Organizational Closure” and Autopoiesis

از طرفی کتاب اشاراتی به هایدگر میکنه و از واژگانش استفاده میکنه بدون اینکه توضیح مشخصی ارائه کنه. مثلا ready-to-hand - هر چند فهم کامل هایدگر برای فهم کتاب احتمالا لازم نیست ولی خب با توجه به اینکه این سنت جدید فکری از هایدگر ریشه میگیره مطالعه هایدگر هم بد نیست. با توجه به اینکه خوندن کتاب Being and Time کار دشواری هست یک پیشنهاد دیگر این هست که از مفسیر هایدگر که دریفوس هست استفاده کنید:

01 of 28 Heidegger's Being & Time Hubert Dreyfus 2007

با توجه به اینکه تقریبا کل حوزه علوم شناختی و به خصوص علوم اعصاب شناختی تحت سیطره رویکرد بازنمایی هست، تغییر این سنت در فکر زمان میبره. از این رو بنظرم نباید انتظار داشت که بعد از مطالعه یکی دو منبع به فهم کامل رسید. بنظرم یک سفری هست که باید شروع کرد و درگیرش شد تا کم کم مزه مزه اش کرد. در طی مسیر همواره باید پرسش کرد. برای مثال آیا رویکرد بدنمند که کتاب معرفی میکنه برای توضیح تمام پدیده های شناختی کافیه؟ اگر نیست کدوم پدیده ها هستن که قابل توضیح نیستن؟

از طرفی فهم دقیق پیش فرض های رویکرد بازنمایی به ما کمک میکنه دقیق تر بفهمیم ذهن در نظر اندیشمندان این حوزه چه معنایی داره. این پیش فرض ها خیلی کم بحث میشن در علوم اعصاب (احتمالا در علوم شناختی بیشتر مورد بحث قرار میگیره) و این کم بودن بحث به ما ضربه جدی میزنه.

این مقاله رو چند وقت پیش قرار دادم. یک بخش این مثاله به تفکیک چارچوب، تئوری و مدل میپردازه. Framework یا اون چارچوب فکری که شما به توضیح مسائل اطراف تحمیل میکنید، اثر بسیار زیادی در توضیح پدیده ها از طریق تشکیل تئوری و مدل ها داره. از این رو وقتی مغز رو با رویکرد بازنمایی یا بدنمندی میخوایم توضیح بدیم یعنی یک framework مشخص با یک زبان معلوم رو انتخاب کردیم و باید آگاه باشیم که حدود این چارچوب کاملا بر تشکیل تئوری های ما اثر میکنه.

از این رو گاهی خوبه که آشنا و متخصص در framework های مختلف باشیم تا ببینیم محدودیت هر کدام چی هست و آیا دیگری میتونه محدودیت ها رو بپوشونه و بهتر توضیح بده؟