اما سوال اینکه خب این چه تفاوتی با نگاه بازنمایی کرد؟ در نگاه representational و زیر شاخه اش computational ما مغز رو از بدن و از محیط جدا میکنیم. اینها به عنوان سیستم های "مجزا" تعریف میشن و سپس کوشش میکنیم توضیح بدیم چطور بازنمایی های مختلف در مغز تشکیل میشه.
تقریبا اکثریت پژوهش های علوم اعصاب متکی بر دیدگاه بازنمایی هست. برای مثال شما از یک ناحیه مشخصی ثبت میگیرید و یک تسک رفتاری هم انجام میشه و بعد تلاش میکنید ببینید چه نوع فعالیت یا تابعی از فعالیت میتونه تغییرات رفتاری رو "کد" کنه. برای همین واژه هایی مثل coding یا mapping رو میبینید. مغز تلاش میکنه جهان خارج رو map کنه.
اما در دیدگاه روانشناسی اکولوژیک و رویکرد رادیکال شناخت بدنمند، ارگانیسم و محیط یک سیستم رو تشکیل میدن و روش هایی که باید استفاده کنیم که اینها رو مطالعه کنن باید این نکته رو در نظر بگیرن.
تقریبا اکثریت پژوهش های علوم اعصاب متکی بر دیدگاه بازنمایی هست. برای مثال شما از یک ناحیه مشخصی ثبت میگیرید و یک تسک رفتاری هم انجام میشه و بعد تلاش میکنید ببینید چه نوع فعالیت یا تابعی از فعالیت میتونه تغییرات رفتاری رو "کد" کنه. برای همین واژه هایی مثل coding یا mapping رو میبینید. مغز تلاش میکنه جهان خارج رو map کنه.
اما در دیدگاه روانشناسی اکولوژیک و رویکرد رادیکال شناخت بدنمند، ارگانیسم و محیط یک سیستم رو تشکیل میدن و روش هایی که باید استفاده کنیم که اینها رو مطالعه کنن باید این نکته رو در نظر بگیرن.
چند پرسش باقی هست:
1- خب حالا که با دیدگاه رادیکال و اکولوژیک آشنا شدیم، دقیقا چطور باید بریم آزمایش طراحی کنیم و آنالیز کنیم؟
2- قبلا گفتم که همه انواع رویکرد رادیکال با دیدگاه بازنمایی هم قابل توضیحه. پس برتری نگاه رادیکال به بازنمایی چیه؟
3- آیا هیچ کدوم از این دیدگاه های به ما نگاه مکانیستیک میدن یا نه؟
(خدا به دادمون برسه چون باید مکانیزم رو هم تعریف کنم بعدا :))) )
1- خب حالا که با دیدگاه رادیکال و اکولوژیک آشنا شدیم، دقیقا چطور باید بریم آزمایش طراحی کنیم و آنالیز کنیم؟
2- قبلا گفتم که همه انواع رویکرد رادیکال با دیدگاه بازنمایی هم قابل توضیحه. پس برتری نگاه رادیکال به بازنمایی چیه؟
3- آیا هیچ کدوم از این دیدگاه های به ما نگاه مکانیستیک میدن یا نه؟
(خدا به دادمون برسه چون باید مکانیزم رو هم تعریف کنم بعدا :))) )
من پاسخ این پرسش ها رو با استناد به منابع مختلف خواهم نوشت و توضیح خواهم داد چرا روش الآن در بهترین حالت ناکافی هست.
اما طی نگارش کل این متن اگر دقت کنید کوشش کردم تعاریف مختلف از یک واژه رو بدم که حتی همین تعاریفی هم که ارائه کردم کامل نیست و لیستی بلندتری میتونید پیدا کنید. اما یکی از نکات اینکه یک term میتونه تعاریف مختلفی نزد مکتب های فکری یا افراد مختلف داشته باشه. برای همین پیشتر گفتم در علوم شناختی/اعصاب/روانشناسی کافی نیست که یک واژه رو فقط بگیم. باید مشخص کنیم که رویکرد ما نسبت به اون واژه چی هست. چون تعاریف مختلف تبعات نظری متفاوتی دارن.
سعی کنیم در بهره گیری از واژه ها نگاه سیستماتیک تری داشته باشیم و خودمون رو با تاریخ واژه ها آشنا کنیم.
اما طی نگارش کل این متن اگر دقت کنید کوشش کردم تعاریف مختلف از یک واژه رو بدم که حتی همین تعاریفی هم که ارائه کردم کامل نیست و لیستی بلندتری میتونید پیدا کنید. اما یکی از نکات اینکه یک term میتونه تعاریف مختلفی نزد مکتب های فکری یا افراد مختلف داشته باشه. برای همین پیشتر گفتم در علوم شناختی/اعصاب/روانشناسی کافی نیست که یک واژه رو فقط بگیم. باید مشخص کنیم که رویکرد ما نسبت به اون واژه چی هست. چون تعاریف مختلف تبعات نظری متفاوتی دارن.
سعی کنیم در بهره گیری از واژه ها نگاه سیستماتیک تری داشته باشیم و خودمون رو با تاریخ واژه ها آشنا کنیم.
Explanandum and Explanans
خب تا دیروز خلاصه ای از مباحث اساسی مرتبط به روانشناسی اکولوژیک و رویکرد رادیکال شناخت بدنمند رو مرور کردیم. در نهایت پرسشی که برای ما ایجاد میشه این هست که آیا تغییر در رویکرد و پرسکپتیو تغییرات ابزاری و آنالیزی رو هم فراخوانی میکنه یا فقط تفسیر نتایج پیشین تغییر میکنه؟ باید گفت هر دو. اما برای درک این مسئله باید توضیحاتی بدیم.
شما زمانی که در علم تصمیم میگیرید پدیده ای رو توضیح بدید با دو نوع گزاره روبرو هستید. گزاره هایی که تشریح میکنن دقیقا چه پدیده ای قرار هست توضیح داده بشه (که در یک استدلال منطقی این به شکل حکم استدلال در میاد) و از پس آزمایش در قابلیت گزاره های دیگری توضیح میدید که چطور به اون پدیده میرسیم (که در منطق اینها گزاره های پیشینی یا تعاریف و پیش فرض ها و ... میشه). در واقع یک چیزی هست که قراره توضیح داده بشه و چیزی که قرار هست توضیح باشه.
مثلا من از شما میپرسم آب چطور از حالت مایع به حالت بخار در میاد؟ در اینجا پدیده ای که میخوایم توضیح بدیم یک تغییر در حالت یک ماده است. توضیح این پدیده در یک سطح مشخص میشه افزایش دما، در سطح جزئی تری میشه افزایش حرکات مولکول ها و شکست نظم و ...
حال پرسش اینکه در علوم اعصاب با رویکرد بازنمایی (که گفتیم و اینجا خواهید دید گسترده ترین رویکرد هست) ما چه رو قصد داریم توضیح بدیم و توضیح ما چه کیفیتی داره؟
به صورت کلی ما در علوم اعصاب کوشش میکنیم پدیده های شناختی و رفتاری رو در حالتی که نرمال و غیر نرمال مینامیم بررسی کنیم. توضیحی که برای این پدیده ها ارائه میکنیم معمولا یک توضیح تقلیل گرایانه بر پایه تغییرات فعالیت نورونی در سطوح مختلف هست.
برای مثال اگر از من بپرسید برای پروژه دکتری خودم چیکار میکنم من پاسخ خواهم داد "من بر روی مکانیزم های مداری هیپوکمپ و نئوکورتکس در تشکیل حافظه اپیزودیک کار میکنیم." (دقت کنید که رویکرد من در دکتری بر پایه بازنمایی هست).
پدیده ای که قرار هست توضیح داده بشه حافظه اپیزودیک هست که به عنوان یک پدیده شناختی مطرح هست. رویکرد من برای توضیح این پدیده بررسی تغییرات فعالیت سیستم عصبی به ویژه در ناحیه هایی خاص هست.
خب تا دیروز خلاصه ای از مباحث اساسی مرتبط به روانشناسی اکولوژیک و رویکرد رادیکال شناخت بدنمند رو مرور کردیم. در نهایت پرسشی که برای ما ایجاد میشه این هست که آیا تغییر در رویکرد و پرسکپتیو تغییرات ابزاری و آنالیزی رو هم فراخوانی میکنه یا فقط تفسیر نتایج پیشین تغییر میکنه؟ باید گفت هر دو. اما برای درک این مسئله باید توضیحاتی بدیم.
شما زمانی که در علم تصمیم میگیرید پدیده ای رو توضیح بدید با دو نوع گزاره روبرو هستید. گزاره هایی که تشریح میکنن دقیقا چه پدیده ای قرار هست توضیح داده بشه (که در یک استدلال منطقی این به شکل حکم استدلال در میاد) و از پس آزمایش در قابلیت گزاره های دیگری توضیح میدید که چطور به اون پدیده میرسیم (که در منطق اینها گزاره های پیشینی یا تعاریف و پیش فرض ها و ... میشه). در واقع یک چیزی هست که قراره توضیح داده بشه و چیزی که قرار هست توضیح باشه.
مثلا من از شما میپرسم آب چطور از حالت مایع به حالت بخار در میاد؟ در اینجا پدیده ای که میخوایم توضیح بدیم یک تغییر در حالت یک ماده است. توضیح این پدیده در یک سطح مشخص میشه افزایش دما، در سطح جزئی تری میشه افزایش حرکات مولکول ها و شکست نظم و ...
حال پرسش اینکه در علوم اعصاب با رویکرد بازنمایی (که گفتیم و اینجا خواهید دید گسترده ترین رویکرد هست) ما چه رو قصد داریم توضیح بدیم و توضیح ما چه کیفیتی داره؟
به صورت کلی ما در علوم اعصاب کوشش میکنیم پدیده های شناختی و رفتاری رو در حالتی که نرمال و غیر نرمال مینامیم بررسی کنیم. توضیحی که برای این پدیده ها ارائه میکنیم معمولا یک توضیح تقلیل گرایانه بر پایه تغییرات فعالیت نورونی در سطوح مختلف هست.
برای مثال اگر از من بپرسید برای پروژه دکتری خودم چیکار میکنم من پاسخ خواهم داد "من بر روی مکانیزم های مداری هیپوکمپ و نئوکورتکس در تشکیل حافظه اپیزودیک کار میکنیم." (دقت کنید که رویکرد من در دکتری بر پایه بازنمایی هست).
پدیده ای که قرار هست توضیح داده بشه حافظه اپیزودیک هست که به عنوان یک پدیده شناختی مطرح هست. رویکرد من برای توضیح این پدیده بررسی تغییرات فعالیت سیستم عصبی به ویژه در ناحیه هایی خاص هست.
با این رویکرد همه شما آشنا هستید. یک پدیده شناختی رو بگیر، از مغز سابجکت که میتونه از مدل های جانوری مختلف باشه ثبت بگیر و سپس آنالیز کن.
"پیش فرض" آنالیزی ما در این گونه مطالعات از جنس بازنمایی و محاسباتی هست. در واقع در رویه استدلالی اگر بخوایم به صورت کامل مطرح کنیم و لیست کنیم باید بگیم ما فرض گرفتیم یک جهان خارجی هست، یک جهان داخلی ای هست که شامل مغز (و برای برخی تنها مغز یا سیستم عصبی مرکزی) هست. این جهان داخلی یک بازنمایی از جهان خارجی میسازه.
بازنمایی رو هم قبلا تعریف کردیم. بازنمایی آن چیزی هست که بین ارگانیسم و جهان خارجی قرار میگیره. اگر رویکرد محاسباتی که زیرشاخه ای از بازنمایی هست رو بررسی کنیم، پیش فرض این هست که فعالیت عصبی سیمبول هایی هستن که خودشون یا تابعی از اونها جهان خارجی رو بازنمایی میکنه.
خب ما چطور این Neural representation ها رو بررسی میکنیم؟ از آزمایش خودم مثال میزنم. من روی نخستیان غیر انسانی (میمون ها) کار میکنم. من برای میمون هام یک تسک طراحی میکنم که ادعا میکنم نیازمند "یادگیری و حافظه" است چون قراره این دو پدیده رو توضیح بدم. بعدش در مغز میمون خودم در نواحی مدنظر که هیپوکمپ و نئوکورتکس هستن الکترود گذاری میکنم و زمانی که میمون داره در محیط رفتار میکنه و تسکی که من طراحی کردم رو یاد میگیره من ثبت میگیرم.
بعد باید ببینیم آیا میتونیم ارتباطی بین فعالیت نورونی اون ناحیه و حافظه (که قابل مشاهده نیست و فقط میشه استنباطش کرد بر اساس رفتار) رابطه ای وجود داره یا خیر.
"پیش فرض" آنالیزی ما در این گونه مطالعات از جنس بازنمایی و محاسباتی هست. در واقع در رویه استدلالی اگر بخوایم به صورت کامل مطرح کنیم و لیست کنیم باید بگیم ما فرض گرفتیم یک جهان خارجی هست، یک جهان داخلی ای هست که شامل مغز (و برای برخی تنها مغز یا سیستم عصبی مرکزی) هست. این جهان داخلی یک بازنمایی از جهان خارجی میسازه.
بازنمایی رو هم قبلا تعریف کردیم. بازنمایی آن چیزی هست که بین ارگانیسم و جهان خارجی قرار میگیره. اگر رویکرد محاسباتی که زیرشاخه ای از بازنمایی هست رو بررسی کنیم، پیش فرض این هست که فعالیت عصبی سیمبول هایی هستن که خودشون یا تابعی از اونها جهان خارجی رو بازنمایی میکنه.
خب ما چطور این Neural representation ها رو بررسی میکنیم؟ از آزمایش خودم مثال میزنم. من روی نخستیان غیر انسانی (میمون ها) کار میکنم. من برای میمون هام یک تسک طراحی میکنم که ادعا میکنم نیازمند "یادگیری و حافظه" است چون قراره این دو پدیده رو توضیح بدم. بعدش در مغز میمون خودم در نواحی مدنظر که هیپوکمپ و نئوکورتکس هستن الکترود گذاری میکنم و زمانی که میمون داره در محیط رفتار میکنه و تسکی که من طراحی کردم رو یاد میگیره من ثبت میگیرم.
بعد باید ببینیم آیا میتونیم ارتباطی بین فعالیت نورونی اون ناحیه و حافظه (که قابل مشاهده نیست و فقط میشه استنباطش کرد بر اساس رفتار) رابطه ای وجود داره یا خیر.
شما حتما در مسیر مطالعاتی خودتون به این جمله برخوردید که فعالیت ناحیه X پدیده Y رو "کد میکنه". Coding یک مفهوم از دنیای محاسباتی هست که خودش دنیای داره و پرسش هایی مطرح میشه که این کد کردن چی هست، به چه چیزی میشه گفت کد و ... اما حتما این رو شنیدید. به زبان امروز علوم اعصاب هر تغییر نورونی که به صورت مستقیم یا تابعی از اون یک پدیده شناختی-رفتاری رو توضیح بده (توضیح که میگم یعنی آماری مثلا واریانس یکی واریانس دیگری رو توضیح بده) ما میگیم فعالیت نورونی اون پدیده خاص رو کد میکنه.
مثلا Place cell ها در هیپوکمپ، Orientation-tuned ها در نواحی بینایی، Object cells در IT و ...
مثلا Place cell ها در هیپوکمپ، Orientation-tuned ها در نواحی بینایی، Object cells در IT و ...
حتی در جدید ترین رویکردهای محاسباتی بجای تک نورونی از جمعیت نورونی استفاده میشه و درباره تئوری منیفولد بحث میشه و ... یا در fMRI از BOLD استفاده میشه یا مثلا میگیم پاور سیگنال گاما وقتی توجه میکنیم در نواحی بینایی بیشتر میشه و ... همه این سطوح مختلف از دیدگاه بازنمایی میاد. در این دیدگاه کار اصلی اینکه شما متوجه بشید چه نوع فعالیت عصبی ای میتونه پدیده شناختی-رفتاری رو توضیح بده.
(برای افرادی که به تاریخ Coding علاقه مند هستن یک متن خیلی قدیمی و خاص معرفی کنم که کمتر خونده میشه ولی خیلی جالبه: Neural Coding: A report based on NRP work Session از سال 1968 - هی بگید سامان بده )
چندین سطح پیش فرض اینجا وجود داره که من در این کانال در زمان های مختلف بهشون اشاره کردم و هر چند بین همه افراد این پیش فرض ها حتی در رویکرد محاسباتی یکسان نیست ولی خوبه بهش اشاره کنیم:
1- مغز معمولا در این نوع محاسباتی به عنوان "تنها" مرکز تشکیل شناخت در نظر گرفته میشه. مثل یک کامپیوتر و بدن فقط نگه دارنده این کامپیوتر هست و جهان خارج هم مجزا از این کامپیوتر هست. به همین دلیل یکی از سنت های علوم اعصاب اینکه سابجکت های خودش رو در شرایط کاملا کنترل شده از نظر حرکتی مطالعه میکنه. اکثر ما سابجکت های خودمون رو (چه انسان چه سایر موجودات) محدود میکنیم و نمیذاریم راه برن و تسک ها روی کامپیوتر ها اجرا میشه با این فرض که مثلا در یک تسک تصمیم گیری/حافظه/بینایی و ... که نیازی به حرکت کردن نیست. این تقلیل گرایی امروز به شدت مورد انتقاد هست (حتی بین افراد معتقد به روش های محاسباتی). چه طرفدار سنت شناخت بدنمند باشیم چه نباشیم، حرکت بدن در درک ما از محیط اثر بسزایی میذاره و این اثر باید مطالعه بشه. مطالعاتی برای مثال هست از بررسی نورونی زمانی که یک موجود در شرایط طبیعی تر یک تسک رو انجام میده و یا در شرایط واقعیت مجازی. این مقاله رو برای مثال ببینید:
Evidence for an Evolutionarily Conserved Memory Coding Scheme in the Mammalian Hippocampus
2- محیط خارجی یک سیستم جدا از ارگانیسم هست.
پیش فرض های دیگری هم هست ولی برای ادامه بحث ما اینا کافیه.
(برای افرادی که به تاریخ Coding علاقه مند هستن یک متن خیلی قدیمی و خاص معرفی کنم که کمتر خونده میشه ولی خیلی جالبه: Neural Coding: A report based on NRP work Session از سال 1968 - هی بگید سامان بده )
چندین سطح پیش فرض اینجا وجود داره که من در این کانال در زمان های مختلف بهشون اشاره کردم و هر چند بین همه افراد این پیش فرض ها حتی در رویکرد محاسباتی یکسان نیست ولی خوبه بهش اشاره کنیم:
1- مغز معمولا در این نوع محاسباتی به عنوان "تنها" مرکز تشکیل شناخت در نظر گرفته میشه. مثل یک کامپیوتر و بدن فقط نگه دارنده این کامپیوتر هست و جهان خارج هم مجزا از این کامپیوتر هست. به همین دلیل یکی از سنت های علوم اعصاب اینکه سابجکت های خودش رو در شرایط کاملا کنترل شده از نظر حرکتی مطالعه میکنه. اکثر ما سابجکت های خودمون رو (چه انسان چه سایر موجودات) محدود میکنیم و نمیذاریم راه برن و تسک ها روی کامپیوتر ها اجرا میشه با این فرض که مثلا در یک تسک تصمیم گیری/حافظه/بینایی و ... که نیازی به حرکت کردن نیست. این تقلیل گرایی امروز به شدت مورد انتقاد هست (حتی بین افراد معتقد به روش های محاسباتی). چه طرفدار سنت شناخت بدنمند باشیم چه نباشیم، حرکت بدن در درک ما از محیط اثر بسزایی میذاره و این اثر باید مطالعه بشه. مطالعاتی برای مثال هست از بررسی نورونی زمانی که یک موجود در شرایط طبیعی تر یک تسک رو انجام میده و یا در شرایط واقعیت مجازی. این مقاله رو برای مثال ببینید:
Evidence for an Evolutionarily Conserved Memory Coding Scheme in the Mammalian Hippocampus
2- محیط خارجی یک سیستم جدا از ارگانیسم هست.
پیش فرض های دیگری هم هست ولی برای ادامه بحث ما اینا کافیه.
Journal of Neuroscience
Evidence for an Evolutionarily Conserved Memory Coding Scheme in the Mammalian Hippocampus
Decades of research identify the hippocampal formation as central to memory storage and recall. Events are stored via distributed population codes, the parameters of which (e.g., sparsity and overlap) determine both storage capacity and fidelity. However…
خب حالا رویکرد روانشناسی اکولوژیک و شناخت بدنمند رادیکال به ما چی میگن؟
همانطور که بحث کردیم واحد سیستمی آنالیز در این رویکرد ها "ارگانیسم-محیط" هست. از اونجایی که درک "مستقیم" هست و هدف از درک هم عمل کردن و یافتن affordance ها هست و affordance ها رو هم رابطه ای میان ارگانیسم و محیط تعریف کردیم پس سطح مطالعه ما میشه یک سیستم درهم تنیده بنام "ارگانیسم-محیط".
رویکرد رادیکال پیشنهاد میکنه که بهترین روش مطالعه ارگانیسم-محیط، نه روش های محاسباتی، که روش های برگرفته از تئوری سیستم های دینامیکی هست. در این روش اول شما یک سیستم تعریف میکنید که در اینجا ارگانیسم-محیط هست. این سیستم رو در یک شرایط مشخص مورد مشاهده قرار میدید که میتونه رفتار بخصوصی باشه، سپس متغیر های درگیر در دینامیک سیستم رو شناسایی میکنید و در نهایت سعی میکنید یک مدل دینامیکی از سیستم ارائه کنید به صورتی که این مدل کاملا تغییرات سیستم در زمان رو توضیح بده.
اگر این مدل بتونه واریانس سیستم رو در شرایط factual و counterfactual توضیح بده ما میتونیم بگیم سیستم رو شناختیم. (دقت کنید که این گزاره خودش جای کار داره. من فعلا دارم ادعای روش رادیکال رو میگم وگرنه اینکه آیا مدل های دینامیکی میتونن به عنوان مکانیزم توضیح دهنده معرفی بشن یا نه جای کار داره. در چند شب آینده این مقاله رو کار خواهم کرد در گروه که این بحث رو پیش میکشه: One mechanism, many models: a distributed theory of mechanistic explanation)
در این رویکرد ما یک State Space تعریف میکنیم که فضای چندین بعدی ای هست (متناسب با متغیر هایی که برای سیستم تعریف کردیم) و در هر لحظه در زمان سیستم یک نقطه ای در این فضا رو پوشش خواهد داد. پرسش اینکه سیستم چگونه در این فضا حرکت میکنه و مدل دینامیکی که توضیح این حرکت باشه چیه؟
همانطور که بحث کردیم واحد سیستمی آنالیز در این رویکرد ها "ارگانیسم-محیط" هست. از اونجایی که درک "مستقیم" هست و هدف از درک هم عمل کردن و یافتن affordance ها هست و affordance ها رو هم رابطه ای میان ارگانیسم و محیط تعریف کردیم پس سطح مطالعه ما میشه یک سیستم درهم تنیده بنام "ارگانیسم-محیط".
رویکرد رادیکال پیشنهاد میکنه که بهترین روش مطالعه ارگانیسم-محیط، نه روش های محاسباتی، که روش های برگرفته از تئوری سیستم های دینامیکی هست. در این روش اول شما یک سیستم تعریف میکنید که در اینجا ارگانیسم-محیط هست. این سیستم رو در یک شرایط مشخص مورد مشاهده قرار میدید که میتونه رفتار بخصوصی باشه، سپس متغیر های درگیر در دینامیک سیستم رو شناسایی میکنید و در نهایت سعی میکنید یک مدل دینامیکی از سیستم ارائه کنید به صورتی که این مدل کاملا تغییرات سیستم در زمان رو توضیح بده.
اگر این مدل بتونه واریانس سیستم رو در شرایط factual و counterfactual توضیح بده ما میتونیم بگیم سیستم رو شناختیم. (دقت کنید که این گزاره خودش جای کار داره. من فعلا دارم ادعای روش رادیکال رو میگم وگرنه اینکه آیا مدل های دینامیکی میتونن به عنوان مکانیزم توضیح دهنده معرفی بشن یا نه جای کار داره. در چند شب آینده این مقاله رو کار خواهم کرد در گروه که این بحث رو پیش میکشه: One mechanism, many models: a distributed theory of mechanistic explanation)
در این رویکرد ما یک State Space تعریف میکنیم که فضای چندین بعدی ای هست (متناسب با متغیر هایی که برای سیستم تعریف کردیم) و در هر لحظه در زمان سیستم یک نقطه ای در این فضا رو پوشش خواهد داد. پرسش اینکه سیستم چگونه در این فضا حرکت میکنه و مدل دینامیکی که توضیح این حرکت باشه چیه؟
https://www.youtube.com/watch?v=p_di4Zn4wz4
توصیه میکنم این رو نگاه کنید که خیلی ساده توضیح میده و از نظر بصری سازی هم جالبه.
توصیه میکنم این رو نگاه کنید که خیلی ساده توضیح میده و از نظر بصری سازی هم جالبه.
YouTube
Differential equations, a tourist's guide | DE1
An overview of what ODEs are all about
Help fund future projects: https://www.patreon.com/3blue1brown
An equally valuable form of support is to share the videos.
Special thanks to these supporters: http://3b1b.co/de1thanks
Need to brush up on calculus? …
Help fund future projects: https://www.patreon.com/3blue1brown
An equally valuable form of support is to share the videos.
Special thanks to these supporters: http://3b1b.co/de1thanks
Need to brush up on calculus? …
باید دقت کنیم که در روش سیستم های دینامیکی، معادلات دیفرانسیلی ای که برای توضیح سیستم ارائه میشه "فرض نمیگیره" سیستم داره چیزی رو بازنمایی میکنه.
مسئله دوم اینکه معادلات دیفرانسیل طبق تعریف "تغییرات سیستم" رو در طول زمان نشون میده و از این جهت با مدل های محاسباتی "استاتیک" متفاوته. مدل های محاسباتی ما اکثرا استاتیک هستن و توضیح نمیدن در طول زمان دقیقا واریانس رفتاری چطور ایجاد میشه. در واقع اصلا ما این واریانس ها رو اکثرا با روش هایی مثل میانگین گیری از بین میبریم.
در رویکرد رادیکال و با استفاده از سیستم های دینامیکی، هر سیستم "ارگانیسم-محیط" یک سیستم ویژه است که باید به صورت خاص مدل سازی بشه. (باید اشاره کنم که حتی خارج از این مسئله هم مشاهدات دیگه نشون میده باید توجه بیشتری به تفاوت های بین سابجکتی در علم داشته باشیم چیزی که الآن به ندرت بهش توجه میشه. برای مثال طبق اصل Multiple Realizability یا Degeneracy یک پدیده رفتاری مشخص میتونه از طریق مکانیزم های مختلف در یک سیستم کنترلی پیچیده ایجاد بشه. این یعنی شما ممکنه یک رفتار ببینید ولی لزوما بدین معنی نیست که سیستم از یک روش فقط به اون رفتار رسیده. کارهای Eve Marder در این زمینه خواندنی هستن).
در نوشتار بعدی بیشتر خواهم نوشت که مشکلات روش بازنمایی چه هست و چطور روش های دینامیکی این معضلات رو میتونه حل بکنه. البته یک پرسش باقی میمونه و اون اینکه آیا مدل های محاسباتی یا دینامیکی اصلا شرایط کافی و لازم رو برای "مکانیزم" بودن دارن؟ (تیزر: خواهم گفت که از نظر من نیاز به سطح بندی خواهیم داشت. ما باید از این فکر که با یک سری ابزارهای آنالیز بتونیم همه چیز رو توضیح بدیم برسیم به اینکه در هر سطح بهترین ابزارها چی هستن و چی برای ما فراهم میکنن.)
* درباره تیزر این مجموعه ویدیوهای یوگی رو توصیه میکنم:
Beyond Networks: The Evolution of Living Systems
مسئله دوم اینکه معادلات دیفرانسیل طبق تعریف "تغییرات سیستم" رو در طول زمان نشون میده و از این جهت با مدل های محاسباتی "استاتیک" متفاوته. مدل های محاسباتی ما اکثرا استاتیک هستن و توضیح نمیدن در طول زمان دقیقا واریانس رفتاری چطور ایجاد میشه. در واقع اصلا ما این واریانس ها رو اکثرا با روش هایی مثل میانگین گیری از بین میبریم.
در رویکرد رادیکال و با استفاده از سیستم های دینامیکی، هر سیستم "ارگانیسم-محیط" یک سیستم ویژه است که باید به صورت خاص مدل سازی بشه. (باید اشاره کنم که حتی خارج از این مسئله هم مشاهدات دیگه نشون میده باید توجه بیشتری به تفاوت های بین سابجکتی در علم داشته باشیم چیزی که الآن به ندرت بهش توجه میشه. برای مثال طبق اصل Multiple Realizability یا Degeneracy یک پدیده رفتاری مشخص میتونه از طریق مکانیزم های مختلف در یک سیستم کنترلی پیچیده ایجاد بشه. این یعنی شما ممکنه یک رفتار ببینید ولی لزوما بدین معنی نیست که سیستم از یک روش فقط به اون رفتار رسیده. کارهای Eve Marder در این زمینه خواندنی هستن).
در نوشتار بعدی بیشتر خواهم نوشت که مشکلات روش بازنمایی چه هست و چطور روش های دینامیکی این معضلات رو میتونه حل بکنه. البته یک پرسش باقی میمونه و اون اینکه آیا مدل های محاسباتی یا دینامیکی اصلا شرایط کافی و لازم رو برای "مکانیزم" بودن دارن؟ (تیزر: خواهم گفت که از نظر من نیاز به سطح بندی خواهیم داشت. ما باید از این فکر که با یک سری ابزارهای آنالیز بتونیم همه چیز رو توضیح بدیم برسیم به اینکه در هر سطح بهترین ابزارها چی هستن و چی برای ما فراهم میکنن.)
* درباره تیزر این مجموعه ویدیوهای یوگی رو توصیه میکنم:
Beyond Networks: The Evolution of Living Systems
YouTube
01.01 Introduction — Beyond Networks: The Evolution of Living Systems
This is a 45-min introduction to my "Beyond Networks" lecture series, given between April and June 2020 in the context of the masters programme on Evolutionary Systems Biology at the University of Vienna.
This lecture series is an exploration of organisms…
This lecture series is an exploration of organisms…
اگر درباره نوشتار ها پیشنهاد، انتقاد یا تعریفی دارید میتونید روی این پیام قرار بدید. همینطور اگر میخواید بحثی رو روی پیامی شکل بدید کافیه روی قسمت کامنت ها بحث خودتون رو مطرح کنید.
باید اعتراف کنم از ابتدای دوران آشنایی با علوم اعصاب، بیشتر تمرکزم روی بحث مدارهای مغزی بودن. رفتار برام ثانویه بود. رفتار درگاهی بود که مغز رو بشناسم. این رویکرد بسیاری از پژوهش گران علوم اعصاب کنونی هست و گواهش روش هایی هست که ما رفتار رو مطالعه میکنیم. اما اخیرا با مطالعاتی که داشتم و چرخش رویکردی که در فکرم داره صورت میگیره رفتار برام جذابیت ویژه ای پیدا کرده.
این مقالات رو دیشب خوندم و بنظرم جالب هستن:
Natural behavior is the language of the brain
The Life of Behavior
Decision-making behaviors: weighing ethology, complexity, and sensorimotor compatibility
Big behavioral data: psychology, ethology and the foundations of neuroscience
این مقالات رو دیشب خوندم و بنظرم جالب هستن:
Natural behavior is the language of the brain
The Life of Behavior
Decision-making behaviors: weighing ethology, complexity, and sensorimotor compatibility
Big behavioral data: psychology, ethology and the foundations of neuroscience
مقاله Big Behavioral Data بحث میکنه که دو سنت در مطالعات رفتاری در قرن نوزدم و بیستم شکل گرفتن. یک سنت از Ethology هست که سعی میکنه گستره رفتارهای ذاتی موجودات رو در نیچ و اقلیم طبیعی خودشون مورد مطالعه قرار بده. در مقابل این سنت روانشناسی تجربی هست که کوشش کرد تا جانوران سابجکت رو به آزمایشگاه بیاره و تحت شرایط محدود و کنترل شده به مطالعه رفتار های ساده (در اینجا منظور از ساده یعنی ابعاد کمتر و بسیار کنترل شده) بپردازه.
گسترش تکنیک های آزمایشگاهی در زمینه نوروفیزیولوژی و ثبت در موجودات زنده ما رو با مسیر دوم که برگرفته از روانشناسی هست بیشتر آمیخته تا رفتارشناسی. از مگس سرکه گرفته تا انسان، ما وقتی روی سابجکت های خودمون آزمایش رفتار میکنیم و سعی میکنیم ثبت مغزی بگیریم اونها رو در شرایط بسیار کنترل شده و محدود قرار میدیم. بخشی از این محدودیت از محدودیت در متد ها میاد ولی بخشی از این محدودیت در پیش فرض های ماست.
امروزه حتی با پیشرفت تکنیک های ثبت وایرلس خارج سلولی (حتی در انسان)، آزمایش های کمی هستن که در شرایط نزدیک به نیچ جانور (شامل انسان) مطالعه رفتاری انجام بدن. تسک ها اکثرا ساده شده و بسیاری اوقات به دور از شرایط طبیعی ای هست که موجود تجربه میکنه. پیش فرض ما این هست که ما باید اینقدر رفتار رو کنترل کنیم تا فقط پدیده مدنظر رو مورد مطالعه قرار بدیم و البته تکرارپذیری رو بالا ببریم.
پیش فرض تکرار پذیری از اینجا میاد که ما فرض میکنیم اگر شرایط آزمایشگاهی رو کنترل کنیم، رفتار رو هم کنترل کردیم. در صورتی که شواهد بسیاری نشون میده اینگونه نیست. اگر رفتار رو با دقت مطالعه کنیم، واریانس بالایی در اون حتی در یک دستگاه آزمایشی بسیار محدود میبینیم. از طرفی یادگیری تسک های غیرمتعارف برای جانور میتونه ما رو با مشکل روبرو کنه هم از جنبه رفتاری و هم از نظر مطالعه مدارهای مغزی درگیر.
پیش فرض بعدی اینکه بدن در اینجا نقش حامل و محافظ مغز رو داره و کاری در شناخت نداره. اما این پیش فرض هم در سنت های شناخت بدنمند بسیار مورد انتقاد قرار گرفته و بارها در تسک های رفتاری مختلف شکسته شده.
چاره چیست؟
مقالاتی که بالا ارسال کردم هر کدوم به بخشی از ابعاد مطالعه رفتاری در شرایطی متفاوت با آنچه ما به صورت گسترده داریم اشاره میکنن. من طی روزهای آینده بیشتر خواهم نوشت ولی الآن به بخشی از این موارد اشاره میکنم.
#behavior
گسترش تکنیک های آزمایشگاهی در زمینه نوروفیزیولوژی و ثبت در موجودات زنده ما رو با مسیر دوم که برگرفته از روانشناسی هست بیشتر آمیخته تا رفتارشناسی. از مگس سرکه گرفته تا انسان، ما وقتی روی سابجکت های خودمون آزمایش رفتار میکنیم و سعی میکنیم ثبت مغزی بگیریم اونها رو در شرایط بسیار کنترل شده و محدود قرار میدیم. بخشی از این محدودیت از محدودیت در متد ها میاد ولی بخشی از این محدودیت در پیش فرض های ماست.
امروزه حتی با پیشرفت تکنیک های ثبت وایرلس خارج سلولی (حتی در انسان)، آزمایش های کمی هستن که در شرایط نزدیک به نیچ جانور (شامل انسان) مطالعه رفتاری انجام بدن. تسک ها اکثرا ساده شده و بسیاری اوقات به دور از شرایط طبیعی ای هست که موجود تجربه میکنه. پیش فرض ما این هست که ما باید اینقدر رفتار رو کنترل کنیم تا فقط پدیده مدنظر رو مورد مطالعه قرار بدیم و البته تکرارپذیری رو بالا ببریم.
پیش فرض تکرار پذیری از اینجا میاد که ما فرض میکنیم اگر شرایط آزمایشگاهی رو کنترل کنیم، رفتار رو هم کنترل کردیم. در صورتی که شواهد بسیاری نشون میده اینگونه نیست. اگر رفتار رو با دقت مطالعه کنیم، واریانس بالایی در اون حتی در یک دستگاه آزمایشی بسیار محدود میبینیم. از طرفی یادگیری تسک های غیرمتعارف برای جانور میتونه ما رو با مشکل روبرو کنه هم از جنبه رفتاری و هم از نظر مطالعه مدارهای مغزی درگیر.
پیش فرض بعدی اینکه بدن در اینجا نقش حامل و محافظ مغز رو داره و کاری در شناخت نداره. اما این پیش فرض هم در سنت های شناخت بدنمند بسیار مورد انتقاد قرار گرفته و بارها در تسک های رفتاری مختلف شکسته شده.
چاره چیست؟
مقالاتی که بالا ارسال کردم هر کدوم به بخشی از ابعاد مطالعه رفتاری در شرایطی متفاوت با آنچه ما به صورت گسترده داریم اشاره میکنن. من طی روزهای آینده بیشتر خواهم نوشت ولی الآن به بخشی از این موارد اشاره میکنم.
#behavior