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.

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؟

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.

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

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

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

مقاله آسیف غضنفر و الکس گومز مارین سه مسئله رو درباره رفتار مطرح میکنه که مطالعات ما کمتر بهشون توجه میکنه: materiality, agency, and historicity

رفتار یک پدیده تاریخمند هست و زمان رو اگر به عنوان یک context در نظر بگیریم و بپذیریم که رفتار context-محور هست تغییرات شگرفی در روش مطالعات ما رخ میده. برای مثال بسیاری از ما وقتی مطالعه رفتاری میکنیم بسنده میکنیم به mean-median. ما خیلی کم به specifics ها توجه میکنیم و "میانگین" رفتاری برامون مهم هست. بسیاری از واریانس رفتاری تحت نویز دسته بندی میشه که قرار هست با این میانگین گیری از بین بره تا ما به عصاره رفتار برسیم.

مسئله اساسی ای که این مقاله بحث میکنه Perceptual Constancy هست. این بحث رو من قبلا در جلساتم آوردم. این یک شیفت نگرشی به مسئله perception-action هست که کمتر خونده میشه. سنت گسترده و اصلی این روزهای ما این هست که به رفتار به شکل یک ساختار خطی علی نگاه کنیم که شامل درک/دریافت، شناخت و عمل میشه.
Sensing - Cognition - Action

(این بخش ها همه از مقاله نیست) این نگاه سنت گسترده ای داره که میشه حداقل به empiricist های انگلیس برسیم. بعد ها سایبرنتیک ها این رو فرموله کردن و تحت عنوان تئوری کنترل مطرح کردن (کتاب وینر رو که قبلا بحث کردم ببینید Cybernetics ). اما مشکل اینکه وینر نگاهش به کنترل یک نگاه مهندسی بود و در نگاه مهندسی کنترل رو خروجی هست. از این رو وینر تصور میکرد چون عمل خروجی سیستم عصبی هست پس کنترل روی عمل باید صورت بگیره. بعد ها پاور در یک مقاله مهم (که کمتر کسی میخونه متاسفانه) این نگاه رو تغییر داد و یک سنت جدید ایجاد کرد.

Feedback: Beyond Behaviorism

این مقاله ارتباط میان Perception و Action رو یک ساختار علی حلقه ای یا یک لوپ میبینه و در این ساختار کنترل روی perception انجام میشه. (برای افرادی که تئوری کنترل نمیدونن، وقتی میگیم یک سیستمی داره یک چیزی رو کنترل میکنه منظور اینکه داره پارامتر های اون چیز رو در یک محدوده مشخص نگه میداره.) این یک سنت فعال Perceptual Control Theory ایجاد کرد که امروزه عده ای روی اون کار میکنن.

اگر این مسیر رو بپذیریم اونوقت واریانس رفتاری در خدمت کنترل درک ما از محیط هست. در نتیجه حتی در یک تسک بسیار کنترل شده با تغییرات محیطی و با تکیه بر تاریخ رفتاری رفتار حتما گوناگون خواهد بود.

از مقاله
The Crisis in Neuroscience

(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.