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.

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.