https://www.youtube.com/watch?v=hY_KDDR_w6M&t=2995s

جلسه سیزدهم از کارگاه دینامیک مغز: نظریه، تحلیل و تفسیر سیگنال های مغزی
برگزار شده توسط آکادمی نوروسینتکس

سرفصل های این جلسه:
Statistical Connectivity
Functional Connectivity
Effective Connectivity
Volume Conduction
Pearson Correlation
Cross-Correlation
Cross-Spectrum
Coherence and Coherency
Phase Locking Value
Phase Lag Index


#Video #Advanced_Neuroscience #BrainDynamicsWorkshop #Session13

اسلایدهای جلسه سیزدهم کارگاه دینامیک مغز: تئوری، آنالیز و تفسیر

سرفصل های این جلسه:
Statistical Connectivity
Functional Connectivity
Effective Connectivity
Volume Conduction
Pearson Correlation
Cross-Correlation
Cross-Spectrum
Coherence and Coherency
Phase Locking Value
Phase Lag Index

#Slide #Advanced_Neuroscience #BrainDynamicsWorkshop #Session13

یکی از درگیری های تفکری من پس از شروع دکتری و تا به امروز ارتباط میان تاریخ واژگان علمی ای هست که در علوم اعصاب استفاده میکنیم و اینکه چگونه این ساختار واژگانی بر روی دانش ما اثر میگذاره. از این رو ماموریتی رو که چندین سال هست آغاز کردم این هست که خودم را با تاریخ واژه ها آشنا کنم و فرهنگ استفاده آنها را در گذشته و حال بررسی کنم و ارتباط میان این فرهنگ و رویکرد علمی در علوم اعصاب رو بررسی کنم. از این رو خودم و اطرافم رو به صورت مدام به چالش میکشم تا واژگانی رو که به کار میگیرن تعریف کنن.

جالب این هست که پس از سالها بررسی و مشاهده فردی و مطالعه در حال حاضر این نتیجه رو دارم که:
1 - افراد با معنا و مفهوم واژگانی که به کار میگیرند آشنا نیستند و نمیتوانند آنها را تعریف کنند (یا ممکن هست تعاریف دچار ابهام باشد ambiguous و یا vague که البته در زبانشناسی متفاوت هستن ولی هر دو رو مشاهده کردم).
2 - در جامعه علمی علوم اعصاب واژگان به کار گرفته شده معنای واحدی میان افراد ندارد.

هر چند هر دوی این مسائل برای تشکیل دانش سیستماتیک اشکال ایجاد میکنند، مسئله دوم از مسئله نخست به شکل ساده تری حل میشود. برای مسئله دوم پیشنهاد این هست که افراد در مستندات علمی خود تعاریف واژگانی خود را مشخص کنند (یا با تعریف مستقیم و یا با ارجاع به مطالعات دیگر). هر چند در این حالت تعریف مشخص میشود (تعریف همچنان میتواند مبهم باشد ولی تعریفی در دسترس هست) اما توافق نداشتن بر روی تعاریف ممکن است امر ترکیب گزارشات مختلف را بسیار دشوار کند. (برای مثال شما میتوانید تعریف واژه ای مثل Attention را جستجو کنید و مشاهده کنید که از 2 سده قبل تا کنون تعاریف مختلفی ارائه شده - واژگان دارای تاریخ هستند - ولی حتی در عصر حاضر افراد تعاریف متفاوتی از Attention دارند.) هشداری که حاصل از این مشاهده هست این است که نمیشود به راحتی با اتکا به همپوشانی واژگانی امر ترکیب و تلفیق اطلاعات را انجام داد (چون ممکن است واژگان در معنا به صورتی متفاوت به کار گرفته شده باشند.) مسئله نخست اما از مسئله دوم چالش ژرف تری را ایجاد میکند. اگر واژگان به حیات خود ادامه بدهند اما برای افراد از معنا تهی باشند جستار علمی ما بدون جهت خواهد شد.

دقت کنید که توصیه من این نیست که لزوما همه تعاریف مشابهی از واژگان ارائه دهند اما با توجه به اینکه علم یک سیستم آکسیوماتیک هست، لازم هست تعاریف و پیش فرض ها برای یک پژوهش مطالعه و مشخص شوند. دلیلی که چنین نوع ساختاری رو کمتر به صورت آشکار مشاهده میکنید بدین معنی نیست که آکسیومی وجود ندارد بلکه ناشی از آن هست که نسل جدید واژگان بدون تاریخ را به عاریه گرفته و به کار میگیرد. در نتیجه ممکن هست پژوهشگر با ساختار مطالعه خودش آشنا نباشد. در اینجا منظور از ساختار بدنه آکسیوماتیکی است که پژوهشگر درون آن قرار میگیرد.

آکسیوم ها سنگ بنای یک ساختار تفکری در علم را تشکیل می دهند و رویکرد پژوهشی، مشاهدات و تفسیر ها را محدود به خود میکنند. از این نظر اگر قرار هست نگرش جدیدی حاصل شود نیاز است که ساختار آکسیوماتیک ما تغییر کند. اما اگر ما به کل با ساختار پژوهشی خود آشنا نباشیم چگونه میتوانیم دیدگاه جدیدی ایجاد کنیم؟ اگر سیستم آکسیوماتیک به درستی بنا نهاده نشده باشد جهت پژوهشی ما به سمت درستی محدود نخواهد شد.


برای مثال در نظر بگیرید که من این گزاره را مطرح کنم که "مغز یک ماشین است".
شاید در نگاه نخست کسی با این گزاره مخالفت نکند. اما باید پرسش کنیم که یک ماشین چیست؟ ماشین را من اینگونه تعریف میکنم:

یک ماشین آن چیزی است که رفتاری ماشینی دارد بدین معنا که اگر حالت درونی ماشین و محیط ماشین را در یک زمان مشخص بدانیم میتوانیم به صورت غیرمبهمی حالت بعدی ماشین را تعریف (یا پیشبینی) کنیم.

حال پرسش این هست که زمانی که میگوییم مغز یک ماشین هست چه نوع دیدگاه پژوهشی را انتخاب کردیم؟ اگر به تعریف دقت کنیم میبینیم که طبق تعریف ماشین آن چیزی است که بتوان رفتار آن را با دانستن ساختار درونی و محیطی آن پیشبینی کرد. در نتیجه بر اساس قواعد منطق اگر مغز یک ماشین است پس میتوان رفتار مغز را پیشبینی کرد.

این مثالی بود از اینکه چطور تعاریف ما نگرش ما را مشخص میکنند (به صورت آشکار و یا پنهان). حال تصور کنید فردی موافق این گزاره نباید که مغز قابل پیشبینی است. اگر چنین هست پس باید سیستم پیشفرضی خودش را تغییر دهد (در این سیستم جدید مغز ماشینی با تعریفی که ارائه شد نخواهد بود.)

گاهی اوقات ما بجای تعریف مشخص از نوعی استعاره استفاده میکنیم. باید توجه کرد که استعاره ها مدل هایی هستند که ما بر مشاهدات خودمان قرار میدهیم و از این رو خودشان با انبوهی از پیشفرض ها روبرو هستند. *

آکسیوم ها مانند زنجیر هایی هستند که به پای خودمان میبندیم. هر چند فراری از آنها نیست** اما در علم میشوند انتخاب کرد کدام زنجیر را به پای خود ببندیم.


* به کتاب Metaphors We Live By نوشته Lakoff & Johnson 1980 مراجعه کنید.
** دیوید هیوم در کتاب a treatise of human nature اشاره میکند که کل دانش ما از عالم آکسیوماتیک هست.

مغز به مثابه کامپیوتر - استعاره ای که پایش را از گلیمش درازتر کرد؟

Telegram Channel: Neurosyntax

مغز به مثابه کامپیوتر - استعاره ای که پایش را از گلیمش درازتر کرد؟

دهه 30 تا 60 میلادی دستاوردهای نظری و فرمال شگفت انگیزی در عرصه شناخت ماشین و سیستم های زنده ارائه شد. شانون تئوری ریاضیاتی خودش را از ارتباطات ارائه کرد و "اطلاعات" را به شکلی ریاضیاتی تعریف کرد (1). جنبش سایبرنتیک با کارهای نوربرت وینر آغاز شده بود و سیستم های کنترل مورد بررسی های فرمال ریاضی قرار گرفت و تئوری فیدبک نیز ارائه شد (2). تورینگ و فون نویمن فرمول نخستین ماشین های کامپیوتری را ارائه کردند (3).
جنبش علوم شناختی که در مقابل رفتارگرایی به راه افتاده بود برای توضیح ارتباط مغز و ذهن نیاز به یک تئوری فرمال داشت. مطالعات علوم اعصاب بیشتر معطوف به موجودات ساده تر شده بود و حتی در آنها هم ارتباط با رفتار کمتر رنگ و بوی تفسیر ذهن به خود میگرفت. همه چیز باید تغییر میکرد و باید ساختمان جدیدی بنا نهاده میشد تا ذهن و ارتباطش با مغز قابل مطالعه میشد. Edgar Adrian برای نخستین بار استعاره "کد نورونی Neural Code" را به کار گرفت (4) و شاید همه چیز از آنجا آغاز شد. از آنجا که کامپیوتر را بشر ساخته بود و با کارکرد آن آشنایی داشت با تبدیل مغز به یک ماشین ساده* مانند کامیپوتر امکان این فراهم میشد که مغز کمی کمتر شبیه به جعبه سیاهی غیر قابل دسترسی باشد. مفهوم "کد های نورونی"، "بازنمایی نورونی" زاده شدند . کامپیوترها با کدهای باینری 0 و 1 اطلاعات را بازنمایی میکنند و این سپس توان انجام محاسبات و یا تغییرات منطقی بر روی این بازنمایی ها را دارند. مغز هم میتواند یک کامپیوتر باشد اگر حضور و یا عدم حضور اسپایک را 1 و 0 ترجمه کنیم و پرسش خود را اینگونه بسازیم که این 0 و 1 ها چگونه جهان خارج را کدگذاری میکنند؟

* تعریف ماشین ساده و غیر ساده از فون فویستر گرفته شده است. برای توضیح این مطلب میتوانید به مقاله For Niklas Luhmann: “How Recursive is Communication؟" از کتاب Understanding Understanding مراجعه کنید.
بازنمایی در ذهن و بازنمایی نورونی دو مفهوم مجزا هستند. ادعا این هست که به نوعی کدهای نورونی و یا بازنمایی های نورونی قدرت تولید بازنمایی های ذهنی را دارند.

هر چند این نوع مدلسازی مغز دستاورد های بسیاری را به ارمغان آورد و همچنان گسترده ترین نوع تفکر درباره مغز است مشکلاتی را نیز به همراه دارد:
The Framing Problem
The Symbol Grounding Problem
The Problem of ambiguities
The binding problem

در سیستم های کامپیوتری آبجکت های بازنمایی و یا کدها دارای معنا هستند اما این معنا توسط مشاهده گر (فردی که با کامپیوتر کار میکند) رمزگشایی میشوند (کامپیوتر درکی از معنای کدها ندارد و فقط طبق دستورالعمل ها تغییرات منطقی را به ترتیب ارائه شده انجام می دهد.) اگر مغز مانند یک کامپیوتر رفتار میکند پرسش اساسی که ایجاد میشود این است که این سیمبل ها (کدها) معنای خود را چگونه به دست میاورند؟
پرسش دوم این است که اگر اطلاعاتی که از جهان خارج ارائه میشوند به صورت کدهای نورونی در می آیند این کدها باید به نوعی رمزگشایی Decode شوند. چگونه این انجام می شود؟

دقت کنید وقتی ما از کد صحبت میکنیم درباره چه حرف میزنیم. در مطالعات پژوهشگر یک همبستگی (معمولا خطی) میان تغییری در دنیای خارج و ثبت نورونی پیدا میکند. سپس ادعا میشود که ناحیه مورد مطالعه یک ویژگی خاص از جهان خارج را کد میکند (یا بازنمایی میکند در معنای تکنیکال). در اینجا رمزگشایی توسط پژوهش گر که به صورت همزمان به فعالیت نورونی و جهان خارج دسترسی دارد انجام میشود. اما در مغز نورون ها پس از رسپتور ها به تنها چیزی که دسترسی دارند فعالیت های نورون های بالادست در مسیر آناتومیک است. چگونه نورون ها می توانند رمزگشایی را انجام دهند زمانی که دسترسی به دنیای خارج ندارند؟

مسئله بعدی ابهام در کدهاست. کدهای کامپیوتری غیرمبهم هستند بدین معنا که هر اطلاعاتی با یک ساختار کدی مشخص و قابل توضیح کدگذاری می شود. اما در مطالعات علوم اعصاب چنین نیست. نورون یا مجموعه نورونی که یک تغییر خارجی را کد میکنند (با تعریف بالا و از دیدگاه پژوهشگر) معمولا تغییر میکنند و یا حتی آن ویژگی را در کانتکست های دیگر به صورت قابل اعتمادی کد نمیکنند. این مشکل ابهام است. یعنی کدها فقط در یک کانتکست ویژه معنا دارند و خارج از آن غیرقابل اعتماد هستند. (این مشکل تحت عنوان Representational Drift در حال پژوهش است).


مسئله بعدی این است که دقیقا چه تابعی از فعالیت عصبی را می توان "کد" نامید؟ درباره این مسئله نیز توافق نظر وجود ندارد. آیا کد فعالیت اسپایک هر نورون است؟ آیا کد در سطح جمعیت است؟

مسئله بزرگتر اما این است که تعریف مشخصی از بازنمایی نورونی نیز در دسترس نیست. بسیاری از افراد حتی خودشان تعریفی ارائه نمیکنند. هر نوع ارتباط نورونی با تغییرات جهان خارج را نمی توان بازنمایی نورونی نامید (با توجه به اینکه تفسیر های ما از بازنمایی به سمت بازنمایی ذهن و ساختار علی مغز می رود. در صورتی که تعریف ما از بازنمایی نورونی هر نوع همبستگی میان فعالیت عصبی و جهان خارج است چرا آنرا Neural Response و یا Neural Activity و یا ... ننامیم؟)

به برخی از تعریف هایی که برای بازنمایی نورونی ارائه شده است توجه کنید:

“A sophisticated system (organism) designed (evolved) to maximize some end (e.g., survival) must in general adjust its behavior to specific features, structures, or configurations of its environment in ways that could not have been fully prearranged in its design. [...] But if the relevant features are not always present (detectable), then they can, at least in some cases, be represented; that is, something else can stand in for them, with the power to guide behavior in their stead. That which stands in for something else in this way is a representation; that which it stands for is its content; and its standing in for that content is representing it”. (Haugeland, 1991, p. 62) REF

Representations have content — they are about something. They are evaluable, such as for truth, success, accuracy and the like. They are detachable, capable of existing in the absence of their typical causes. They can be combined and interact in various systematic ways. Finally, they are produced and used by the system in order to generate behaviour. REF

A neural representation is a pattern of neural activity that stands for some environmental feature in the internal workings of the brain. (REF) Also it add criteria for different aspects of this definition in more detail:
Criteria for neural activity:
A pattern of neural activity must be well-formed. (a specific “grammar” that explains how constituent parts must be formed)
A pattern of neural activity must be self-contained. (the property of being able to fulfill the representational role regardless of whether the representee is present.)
A pattern of neural activity must be neurally sound. (any candidate for neural representation must be based on a sound account of how the measure employed is a correlate of the representational activity)

Criteria for representee:
Representees must be measurable magnitudes.
Representees must be self-subsistent.
Representees must be meaningful for the organism in question.

Criteria for representational relation:
a representational correlation show is for it to be reliable
On the other hand, it is important to accept only genuine correlations. If the representation is assumed to be about a representee, then the approach must also show that its candidate for representee correlates with the neural activity under different tokens of the same representee . Therefore, to be considered a genuine correlation between a representee and a neural activity, it must hold independent of the situation.

نمایش دو مورد از این معیار ها بسیار چالش برانگیز است:
1 - بازنمایی ها باید در غیاب محرکی که آنها را تشکیل می دهد بتوانند وجود داشته باشند (در غیر این صورت تنها یک پاسخ حسی به محرک هستند نه بازنمایی - همانطور که از نام بازنمایی مشخص هست باید چیزی "باز"نما شود نه نما Presentation)
2 - باید از نظر منطق امکان به دست آوردن حقیقت وجود داشته باشد (Truth Function). اما این مسئله با رویکرد های فعلی درباره بازنمایی قابل ایجاد نیست.
3 - بازنمایی ها باید غیرمبهم باشند. اگر فعالیت عصبی و یا تابعی از فعالیت عصبی را تحت عنوان بازنمایی نورونی معرفی میکنیم این بازنمایی باید قابل اعتماد و غیر مبهم باشد (یعنی هر گاه محرک وجود دارد - حداقل - فعالیت مشخصی در سطح عصبی مشاهده شود.)
دقت کنید چرا این مسئله مهم است:
فرض کنید ما ادعا میکنیم نورونی در ناحیه V4 رنگ خاصی را در جهان خارج بازنمایی میکند. حال فرض کنید در جهان ایده آل ( که مشکلات ثبت وجود ندارد) ما از این نورون ثبت میگیرم و در برخی ترایال هایی که رنگ قرمز را نشان میدهیم این نورون فعالیت عصبی ندارد (برای مثال اسپایک تشکیل نمیدهد). اگر رنگ وجود دارد ولی نورون فعالیت نمیکند چگونه نورون میتواند خاصیت عِلی Causal در ادراک رنگ داشته باشد؟ (میتواند این مثال را برای هر سطح دیگری و یا تابع دیگری از بازنمایی هم اعمال کنید. برای مثال اگر ادعا این است که ادراک رنگ حاصل فعالیت "جمعیت" نورونیست آن جمعیت را می توانید در ترایال های مختلف بررسی کنید.) در صورتی که در پژوهش های علوم اعصاب به ندرت چنین چیزی مشاهده میشود. Trial-to-trial variability از جمله ویژگی های بسیاری از مطالعات ماست. (معمولا این تنوع را به وجود نویز در سیستم ربط می دهند. بخشی از آن می تواند قابل توضیح با نویز باشد ولی همواره خیر.)


با تبدیل مغز به یک ماشین کامپیوتری ما مطالعات خودمان را عملا خلاصه به سطحی غیرزمانی و خطی کرده ایم (خطی از منظر عِلی - کد ها زمانی نیستند atemporal هستند). در صورتی که مغز یک ماشین غیر ساده، دینامیک، غیرخطی یا circular است. (درباره این ادعاها در متن های بعدی بیشتر خواهم نوشت.)

متن اخیر مثالی بود از اینکه چگونه یک ساختار پژوهشی خاص می تواند دیدگاه ما را محدود کند و با خطاهای منطقی روبرو باشد. در متن های بعدی باید روش های جایگزین را جستجو کنیم.

منابع بیشتر برای مطالعه:

(1) A Mathematical Theory of Communication
(2) Cybernetics: Or the Control and Communication in the Animal and the Machine
(3) Introduction to “The First Draft Report on the EDVAC”
(4) Based on The Idea of the Brain, Matthew Cobb Podcast

Brain from Inside out
Is coding a relevant metaphor for the brain?
A Concise Introduction to Logic
Understanding Understanding
Causes and consequences of representational drift


Telegram Channel: Neurosyntax

بچه ها میشه لطفا کانال یوتیوب رو سایبسکرایب کنید؟ واقعا در حد یک کلیک برای شما زمان میبره. کافیه با اکانت جیمیل به یوتیوب وارد بشید و کانال رو سابسکرایب کنید. کاملا رایگان و کاملا بی درد. برای اینکه من بتونم کانال رو رسمی کنم نیاز به حداقل 100 سابسکرایبر هست.


https://www.youtube.com/channel/UCbdyIKHO-VcK549EftFDXUA

تمامی ویدیوهای کارگاه نوروسینتکس در کانال یوتیوب قرار گرفتند. سه ویدیو تمرین که به تازگی آپلود شده اند در حال پردازش هستند و تا فردا احتمالا کیفیت Ultra HD حاضر خواهد بود. لطفا کانال یوتیوب را سابسکرایب کنید. سپاسگزارم.

https://www.youtube.com/channel/UCbdyIKHO-VcK549EftFDXUA

چندی پیش کتاب Autopoiesis And Cognition رو معرفی کردم که ایده Autopoiesis رو مطرح میکرد و توضیحاتی از نتایج این نگرش در سیستم های مختلف از جمله مغز میداد. متن کتاب کمی سخت هست و شاید برای افرادی که تجربه مطالعه کتاب های فلسفه و منطق نداشتن کمی دشوار باشه. از این جهت کتاب Self-producing Systems رو معرفی میکنم. این کتاب دو ویژگی داره: 1) سعی کرده مفهوم Self-producing systems رو که برگرفته از کتاب اورجینال اول هست مطرح کنه و توضیح بده و ویژگی های چنین سیستم رو ارائه کنه و 2) کارکرد چنین نگرشی رو در سیستم های مختلف از جمله مغز و شناخت ( به صورت کلی)، مشاهده و زبان، فلسفه و جامعه مطرح کنه. این کتاب شاید توصیفی روان تر باشه از کتابی که پیش تر معرفی کردم هر چند بسیاری از توضیحات کتاب اول از میان رفته و یا به صورت خلاصه مطرح شده. در نتیجه پیشنهاد میکنم این کتاب رو نخست مطالعه کنید و پس از درک اولیه به سراغ کتاب بالا و البته مقالات ماتورانا برید.

Self-Producing Systems: Implications and Applications of Autopoiesis (Contemporary Systems Thinking) 1995th Edition by John Mingers

#Book #neurosyntax

Neurosyntax

The Method of Multiple Working Hypotheses: With this method the dangers of parental affection for a favorite theory can be circumvented

یکی از بهترین متن هایی که مطالعه کردم در زمینه رویکرد پژوهشی

#article

میراث فرانسیس بیکن؟

تابحال درباره سرآغاز علم پرسش کردید؟ اینکه چه زمانی شروع شد و چرا شروع شد؟ چه مشاهداتی این انگیزه رو ایجاد کرد که ما روش علمی درست کنیم؟ تابحال درباره ماهیت علم پرسش کردید؟ اینکه اصلا چی علم هست؟ محدودیت های اون چی هستن؟

به عنوان پژوهشگر های علوم اعصاب سرآغاز کوشش برای بنا کردن ساختمان علم باید برای ما جالب باشه. در قرن هفدهم توجه فلاسفه از سمت شناخت متافیزیک عالم به شناختِ شناخت معطوف شد. اشتباه نگارشی نیست که دو شناخت در کنار هم آمدن. پرسش این بود: چطور به عنوان انسان شناخت حاصل میکنیم؟ (نسبت به هر چیزی). افرادی مثل دکارت، کانت و هیوم شاید جزو شناخته شده ترین متفکرین این پرسش باشند. به این دوران چرخش توجه Epistemological Turn میگن. جدی ترین مشاهداتی که اینجا مطرح شدند شاید این بود که دنیای واقعی با آنچه ما ادراک میکنیم متفاوت هستند (کوشش کانت). دانش ما آکسوماتیک است (کوشش هیوم). ما دسترسی به ساختار علی دنیا به صورت مستقیم نداریم (کوشش هیوم). این ایده ها بنیان حقیقت جویی ما رو به لرزه انداخت. جدی ترین نتیجه ای که گرفته شد این بود که نمیشه به دریافت های حسی اعتماد کرد. باید روش سیستماتیک دیگری ایجاد میشد.

چرا پس عنوان متن رو گذاشتم میراث فرانسیس بیکن؟ یک چرخش دیگر هم در نگرش ما نسبت به شناخت ایجاد شد که به عقیده بسیاری سرآغاز علم مدرن رو تشکیل میده. آقای بیکن فرمودند که چرا باید طبیعت رو بشناسیم؟ شناخت به منظور شناخت از هیچ ارزش ذاتی ای برخوردار نیست. ما باید بر طبیعت حکم رانی کنیم نه اینکه فقط بشناسیم. بیکن از واژه آنالیز استفاده کرد. آنالیز به معنی شکستن هست. گفت باید طبیعت رو آنالیز کنیم (یعنی اون رو به تیکه های کوچک تر بشکنیم و هر تیکه رو مطالعه کنیم و اینکارو همینطوری تکرار کنیم). مسئله بعدی اندازه گیری کردن بود که بیکن بهش اشاره کرد. در واقع باید از ابزارها و لوازم استفاده کنیم تا طبیعت رو اندازه گیری کنیم. در واقع بر خلاف ارسطو که بر روی سیلوجیزم ها (در منطق deductive) تاکید داشت، بیکن بر روی آزمایش و Inductive Reasoning تاکید کرد.

ساختمان نوینی در فلسفه و منطق در حال شکل گیری بود که بعدها به عنوان ساختمان علم معرفی شد. علم امتداد فلسفه است نه موازی با اون (بر خلاف چیزی که بسیاری از آکادمیک ها تصور میکنند.)

اما همچنان سوالاتی باقی میمونه. معماری این ساختمان چطور باید باشه؟ اینجا باید درباره فلسفه خود علم سخن بگیم و این بحثی بود که در قرن بیستم بسیار داغ بود. روش های آماری داشتن پیشرفت میکردن و احتمالات و آمار به عنوان متدهایی برای بررسی یافته های علمی مورد استفاده قرار میگرفتن (کوشش های پیرسون و گالتون و فیشر در طراحی تست های آماری).

تلاش های پاپر هم در تشکیل ساختمان علم نباید بدون سپاس باقی بمونه. هیوم از مدتها قبل مطرح کرده بود که در Inductive Reasoning شما نمیتونید چیزی رو اثبات کنید و باید درباره احتمالات صحبت کنید و اینکه هیچ مقداری از شواهد نمیتونه یک فرضیه رو اثبات کنه. (اگر من تمام عمرم فقط قوی سفید دیده باشم نمیتونم بگم قطعا "همه" قو های عالم سفید هستن."). پاپر از این ایده استفاده کرد و توضیح داد که کوشش در علم نباید این باشه که از یک تئوری مشخص حمایت کنیم و برای یک تئوری فقط شواهد حمایت کننده ارائه کنیم. باید شواهدی پیدا کنیم که اون تئوری رو نقض میکنه. در واقع قدرت یک تئوری علمی به تعداد شواهدی نیست که در حمایت از اون ارائه میشن، بلکه در پیدا "نکردن" شواهدی هست که میتونن اون رو نقض کنن. مسئله بعدی که حتما شنیدید "ابطال پذیری" بود که پاپر مطرح کرد. فرضیه ها باید "ابطال پذیر" باشن. در جلسه ای در ایران بودم که وقتی این مطرح شد برخی افراد به اشتباه فکر کردن این بدین معنی هست که تمام تئوری های علمی اشتباهه. منظور از ابطال پذیری این نیست. ابطال پذیری ویژگی ای هست که به ما اجازه میده یک فرضیه رو تست کنیم و بتونیم رد کنیم.

شاید بگید آیا همه تئوری های ما ابطال پذیر نیستن؟ جالبه بدونید بسیاری از تئوری های مهم ما در زمان خودشون ابطال پذیر نبودن (برخی ها هنوز هم نیستن). پاپر خودش به تئوری تکامل داروین و تئوری ناخودآگاه فروید اشاره میکنه و میگه اینها رو نمیشه رد کرد. (میشه براش شواهد ارائه کرد ولی نمیتونی شواهدی بیاری که اینها رو رد کنه - در اون زمان اینگونه بود.)

Refs:
Francis Bacon: The New Organon
Hume: A Treatise of Human Nature
Kant: Critique of Pure Reason
Descarte: Meditations on First Philosophy
Karl Popper: The Logic of Scientific Discovery
Ronald Fisher: The Design of Experiments


Neurosyntax