Informasjon

Datamodellen til hjernen

Datamodellen til hjernen

Jeg er en programmerer eller datamaskiningeniør, og er interessert i å sammenligne hjernen med en klassisk datamaskin på en eller annen måte. Hvor godt holder denne sammenligningen?

Dette er en generell introduksjon til datamaskinen/hjernemetaforen og dens praktiske begrensninger. Lignende spørsmål på dette forumet inkluderer:


Dette spørsmålets henvisning til en klassisk datamaskin refererer til en "Turing Machine" beregningsstil, også kjent som et kunnskapssystem, der beslutninger og mulige resultater er forhåndsprogrammert ved hjelp av if-utsagn, looper og andre logiske konstruksjoner.

Imidlertid er de fleste moderne dataprogrammerere og ingeniører i det minste litt kjent med nevrale nettverk, brukt til maskinlæring. Kunstige nevrale nettverk (ANN) er løst basert på måten hjernen (et biologisk neuralt nettverk) fungerer på. Hvis du vil bruke databehandlingsbakgrunnen din til å forstå hjernen, så anbefaler jeg å lære om nevrale nettverk i stedet. Hvis du allerede har en viss forståelse av nevrale nettverk, så tenk på hvordan Siri eller Watson fungerer.

Selv om nevrale nettverk absolutt kan betraktes som lagring av data, kjøring av algoritmer, parallellbehandling, og med minne- og hastighetsmålinger, er de konseptuelt svært forskjellige fra klassiske datamaskiner, og generelt uinstruktive å sammenligne. Spesielt har "von Neumann" arkitektoniske stilen til moderne datamaskiner ikke en analog i hjernen (det er ingen separasjon mellom områder som beregner og områder som lagrer minner, for eksempel). Hvis du fortsatt er interessert i en slik sammenligning, har mange av spørsmålene ovenfor allerede gode svar, så sjekk dem.

Hvis du er interessert i å modellere hjernen ved hjelp av en klassisk databehandlingsmetodikk, kan du sjekke ut ACT-R, en populær arkitektur for modellering av hjernen ved hjelp av et modulært, kunnskapsbasert system (se også dette forumspørsmålet).

Kunstige nevrale nettverk er heller ikke en perfekt modell for biologiske nevrale nettverk, og hvis du er interessert i forskjellen, så se dette forumspørsmålet.


Denne tankegangen representerer faktisk dagens nåværende teknikk innen vitenskapelige tilnærminger til hjernen. Før vi oppdaget elektrisitet og at (perifere) nevroner leder elektrisitet, antydet en analogi eller forklaring at sinnet arbeidet gjennom hydraulisk handling.

Det er derfor mulig at vi må forlate denne analogien hvis vi finner en bedre. For nå gir vi det forklaringskraft. Imidlertid vet vi at hjernekretsene er veldig forskjellige fra en datamaskin. Samtidig har nevroner diskrete utganger, som kan representeres i binær (alt eller ingen). (Men det er også ikke-piggende nevroner med en mer kontinuerlig "analog" respons.)

Foreslåtte avlesninger:

Kognitiv vitenskap

Philosohpy of Mind: Computationalism

Et klassisk argument mot beregning: The Chinese Room Argument


Hvorfor hjernen din ikke er en datamaskin

Tidligere denne uken inneholdt i09 en slags primer av George Dvorsky om hvordan en kunstig menneskelig hjerne kan bygges. Det er verdt å lese, fordi det gir en fin oversikt over filosofien som ligger til grunn for forskning på kunstig intelligens, samtidig som det - om enn ubevisst - demonstrerer noen av de grunnleggende feilene under kunstig intelligensforskning basert på beregningsteorien om sinn.

Den beregningsmessige teorien om sinnet sier i hovedsak at hjernen din fungerer som en datamaskin. Det vil si at den tar innspill fra omverdenen, og utfører deretter algoritmer for å produsere utgang i form av mental tilstand eller handling. Med andre ord, det påstår at hjernen er en informasjonsprosessor der tankene dine er "programvare" som kjører på "maskinvaren" i hjernen.

Dvorsky påkaller eksplisitt beregningsteorien om sinn ved å si "hvis hjerneaktivitet blir sett på som en funksjon som er fysisk beregnet av hjerner, bør det være mulig å beregne den på en Turing -maskin, nemlig en datamaskin." Deretter setter han opp en falsk dikotomi ved å si at "hvis du tror at det er noe mystisk eller livsviktig med menneskelig erkjennelse, kommer du sannsynligvis ikke til å sette for mye tro på" metodene for å utvikle kunstige hjerner som han beskriver.

Dette er et spill som mange tilhenger av beregningsteorien om sinn liker å spille - ofte, tror jeg, uten å innse at de gjør det. Tilhengere av beregningsteorien om sinnet hevder ofte at de eneste alternative teoriene i sinnet nødvendigvis vil innebære en overnaturlig eller dualistisk komponent. Dette er ironisk, fordi denne teorien grunnleggende er dualistisk. Det innebærer at tankene dine er noe fundamentalt annerledes enn hjernen din - det er bare programvare som i teorien kan kjøres på ethvert underlag.

Derimot må en virkelig ikke-dualistisk sinnsteori si hva som er klart åpenbart: sinnet og hjernen din er identiske. Dette betyr ikke nødvendigvis at en kunstig menneskelig hjerne er umulig - det er bare at programmering av slikt vil være mye mer lik programmering av innebygde systemer enn dataprogrammering. Videre betyr det at maskinvaren har stor betydning - fordi maskinvaren i hovedsak må speile hjernens maskinvare. Dette kompliserer enormt oppgaven med å prøve å bygge en kunstig hjerne, gitt at vi ikke engang vet hvordan hjernen med 300 nevroner fungerer, langt mindre den menneskelige hjernen på 300 milliarder nevroner.

Men å se nærmere på hjernens arbeid avslører noen mer grunnleggende feil med beregningsteori. For det første er ikke selve hjernen strukturert som en Turing -maskin. Det er et parallelt behandlingsnettverk av nevrale noder - men ikke bare hvilket som helst nettverk. Det er et nevrale plastnettverk som på noen måter kan endres aktivt gjennom påvirkning av vilje eller miljø. For eksempel, så lenge noen viktige deler av hjernen ikke er skadet, er det mulig for hjernen å kompensere for skade ved aktivt å omskrive sitt eget nettverk. Eller, som du kanskje merker i ditt eget liv, er det mulig å forbedre din egen erkjennelse bare ved å få nok søvn og trening.

Du trenger ikke fordype deg i de tekniske detaljene for mye for å se dette i livet ditt. Bare tenk på utbredelsen av kognitiv dissonans og bekreftelsesskjevhet. Kognitiv dissonans er sinnets evne til å tro hva det vil selv i møte med motstridende bevis. Bekreftelsesskjevhet er sinnets evne til å oppsøke bevis som er i samsvar med dets egne teorier og ganske enkelt overskue eller ignorere motstridende bevis helt. Ingen av disse aspektene i hjernen forklares lett gjennom beregning - det er kanskje ikke engang mulig å uttrykke disse tilstandene matematisk.

Dessuten kan hjernen ganske enkelt ikke deles inn i funksjonelle deler. Neuronale "kretser" er uklare og fra et maskinvareperspektiv er det "lekkasje". I motsetning til logikkportene til en datamaskin, påvirker de forskjellige arbeidsdelene i hjernen hverandre på måter som vi bare har begynt å forstå. Og disse kretsene kan også tilpasses nye behov. Som Mark Changizi påpeker i sin utmerkede bok Utnyttet, mennesker har ikke en del av hjernen som er viet til tale, skriving eller musikk. De er snarere fremvoksende - de er dannet fra deler av hjernen som var tilpasset enklere syns- og hørselsoppgaver.

Hvis de delene av hjernen vi tenker på som fundamentalt menneskelige - ikke bare intelligens, men selvbevissthet - er fremvoksende egenskaper i hjernen, snarere enn funksjonelle, som det virker sannsynlig, blir beregningsteorien om sinnet enda svakere. Tenk på bevissthet og vilje som noe som kommer ut av aktiviteten til milliarder av nevrale forbindelser, på samme måte som hvordan en nasjonal økonomi kommer ut av milliarder av forskjellige forretningstransaksjoner. Det er ikke en perfekt analogi, men det burde gi deg en ide om kompleksiteten. På mange måter er strukturen i en nasjonal økonomi mye enklere enn hjernens, og til tross for at det er et mye mer strengt matematisk forslag, er det utrolig vanskelig å modellere med noen form for presisjon.

Sinnet er best forstått, ikke som programvare, men snarere som en fremvoksende egenskap for den fysiske hjernen. Så å bygge en kunstig intelligens med samme kompleksitet som for en menneskelig intelligens er ikke bare et spørsmål om å finne de riktige algoritmene og sette den sammen. Hjernen er mye mer komplisert enn som så, og er sannsynligvis ganske enkelt ikke egnet for den slags matematisk reduksjonisme, mer enn økonomiske systemer er.

Når du kommer tilbake til spørsmålet om kunstig intelligens, kan du se hvorfor det blir en mye høyere ordre å produsere intelligens på menneskelig nivå. Det er mulig å bygge datamaskiner som kan lære og løse komplekse problemer. Men det er mye mindre klart at det er en enkel vei til en datamaskin som er rettet mot den typen nye egenskaper som skiller den menneskelige hjernen. Selv om slike egenskaper dukket opp, er jeg villig til å satse på at sluttresultatet av en ikke-menneskelig, sapient intelligens ville være veldig fremmed for vår forståelse, muligens til det punktet av ikke-forståelse. Elektriske kretser fungerer ganske enkelt annerledes enn elektrokjemiske, og det er derfor sannsynlig at alle sapiske egenskaper vil fremstå ganske annerledes.


Datamodellen for hjernen - Psykologi

31. desember 2020 støttes ikke lenger Flash -animasjonsteknologi av nettlesere. Flere DNALC -utdanningssteder, inkludert G2C Online, ble bygget med Flash, spesielt de med animasjoner.

Noen DNALC -nettsteder blir pensjonister, men mye av animasjons- og videoinnholdet er tilgjengelig på DNALC -nettstedet under Ressurser.

I tillegg omarbeider vi vårt mest verdsatte, oppdaterte innhold til dagens teknologi. Hvis det er en animasjon du ikke lenger finner, kan du kontakte DNALC.

Det ser ut til at du har landet på denne siden fra en enhet som ikke støtter Adobe Flash.
Besøk G2C Online nettsted (www.g2conline.org) fra en datamaskin,
eller
Få gratis 3D -hjerne app fra:


Datamodellen for hjernen - Psykologi

Computational Brain & amp Behavior publiserer forskning på beregningsgrunnlaget for sinnet. Tidsskriftet dekker et bredt spekter av emner som bruker matematisk modellering, datasimulering og empirisk arbeid. Dette tidsskriftet legger stor vekt på vitenskapelig stringens og på større innsikt som kvantitativ modellering kan gi. I tillegg til bidrag fra psykologi, nevrovitenskap, datavitenskap, matematikk og lingvistikk, oppmuntrer tidsskriftet sterkt til bidrag fra beslektede disipliner, for eksempel modellbasert kognitiv nevrovitenskap, beregningspsykiatri og maskinlæring.

Tidsskriftet er tilknyttet Society for Mathematical Psychology.

Retningslinjer for fagfellevurderinger

Alle innsendinger er fagfellevurdert og fagfellevurderingsprosessen er enkeltblind. Sjefredaktøren utfører en første sjekk av artikkelen for å sikre at den når en terskel for kvalitet som skal sendes i fagfellevurdering. Sjefredaktøren sørger for at hvert manuskript blir gjennomgått av minimum to uavhengige eksperter på et beslektet område. Anmeldere vil motta instruksjoner om å overholde tidsskriftets etiske og redaksjonelle normer, og å evaluere innleveringen i henhold til følgende kriterier: etisk forsvarlighet, metodisk stringens, originalitet og potensial til å bidra til vitenskapelig kunnskap.


Psykolingvistikk vs nevrolingvistikk

Psykolingvistikk eller språkpsykologi er studiet av sammenhengen mellom språklige faktorer og psykologiske aspekter. Feltet er opptatt av psykologiske og nevrobiologiske faktorer som gjør at mennesker kan tilegne seg, bruke, forstå og produsere språk. Disiplinen er hovedsakelig opptatt av mekanismene der språk behandles og representeres i hjernen. Moderne forskning bruker biologi, nevrovitenskap, kognitiv vitenskap, lingvistikk og informasjonsvitenskap for å studere hvordan hjernen behandler språk, og i mindre grad kjente prosesser blant annet samfunnsvitenskap, menneskelig utvikling, kommunikasjonsteorier og spedbarnsutvikling. Det er en rekke subdisipliner med ikke-invasive teknikker for å studere hjernens nevrologiske virke, for eksempel har nevrolingvistikk blitt et felt i seg selv. Første angrep på psykolingvistikk ble funnet på filosofiske og pedagogiske felt, hovedsakelig på grunn av deres beliggenhet i andre avdelinger enn anvendt vitenskap (f.eks. Sammenhengende data om hvordan den menneskelige hjerne fungerte).

Psykolingvistikk har røtter i utdanning og filosofi, og dekker de "kognitive prosessene" som gjør det mulig å generere en grammatisk og meningsfull setning ut av ordforråd og grammatiske strukturer, samt prosessene som gjør det mulig å forstå ytringer, ord, tekst, etc. Utviklingspsykolingvistikk studerer barns evne til å lære språk.

Neurolingvistikk er studiet av de nevrale mekanismene i den menneskelige hjerne som styrer forståelse, produksjon og tilegnelse av språk. Som et tverrfaglig felt trekker nevrolingvistikk metoder og teorier fra områder som nevrovitenskap, lingvistikk, kognitiv vitenskap, kommunikasjonsforstyrrelser og nevropsykologi. Forskere trekkes til feltet fra en rekke bakgrunner, og tar med seg en rekke eksperimentelle teknikker så vel som vidt varierende teoretiske perspektiver. Mye arbeid innen nevrolingvistikk er informert av modeller innen psykolingvistikk og teoretisk lingvistikk, og er fokusert på å undersøke hvordan hjernen kan implementere prosessene som teoretisk og psykolingvistikk foreslår er nødvendige for å produsere og forstå språk. Nevrolingvister studerer de fysiologiske mekanismene som hjernen behandler informasjon knyttet til språk, og evaluerer språklige og psykolingvistiske teorier ved hjelp av afasiologi, hjernediagnostikk, elektrofysiologi og datamodellering.


Kipling D. Williams, professor i psykologisk vitenskap i Purdue, studerer hvordan utstødelse skader enkeltpersoner like mye eller enda mer enn en fysisk skade. Forskningen hans er rapportert i den nåværende utgaven av Current Directions in Psychological Sciences. (Bilde fra Purdue University/Mark Simons)

WEST LAFAYETTE, Ind. - Ostrasisme eller ekskludering kan ikke etterlate ytre arr, men det kan forårsake smerter som ofte er dypere og varer lenger enn en fysisk skade, ifølge en ekspert på Purdue University.

"Å bli ekskludert eller utstøtt er en usynlig form for mobbing som ikke etterlater blåmerker, og derfor undervurderer vi ofte effekten," sa Kipling D. Williams, professor i psykologiske vitenskaper. Å bli ekskludert av venner på videregående skole, kontorkollegaer eller til og med ektefeller eller familiemedlemmer kan være uutholdelig. Og fordi ostrasisme oppleves i tre stadier, kan livet til de smertefulle følelsene forlenges på lang sikt. Folk og klinikere må være klar over dette, slik at de kan unngå depresjon eller andre negative opplevelser. & Quot

Når en person blir utstødt, føler hjernens dorsale fremre cingulære cortex, som registrerer fysisk smerte, også denne sosiale skaden, sa Williams. Ostrasismeprosessen inkluderer tre stadier: de første handlingene som blir ignorert eller ekskludert, mestring og resignasjon.

Williams ' forskning er rapportert i den nåværende utgaven av Nåværende veibeskrivelse i psykologiske vitenskaper. Artikkelen ble medforfatter av Steve A. Nida, assosiert provins og dekan ved The Citadel Graduate College og professor i psykologi.

"Å bli ekskludert er smertefullt fordi det truer grunnleggende menneskelige behov, som tilhørighet og selvfølelse," sa Williams. & quot Forskning har igjen og igjen funnet ut at sterke, skadelige reaksjoner er mulige selv når de blir utstøtt av en fremmed eller i kort tid. & quot

Mer enn 5000 mennesker har deltatt i studier ved hjelp av et dataspill designet av Williams for å vise hvordan bare to eller tre minutter med utstøting kan gi dvelende negative følelser.

& quotHvordan kan det være at en så kort opplevelse, selv når den blir ignorert og ekskludert av fremmede som personen aldri vil ha noen ansikt til ansikt interaksjon med, kan ha en så kraftig effekt? & quot sa han. Effekten er konsekvent selv om enkeltpersoner og personligheter varierer

Folk varierer også i hvordan de takler, som er den andre fasen av utstøting. Mestring kan bety at personen prøver å bli hardere inkludert. For eksempel kan noen av de som er utstøtt, ha større sannsynlighet for å engasjere seg i atferd som øker deres fremtidige inkludering ved å etterligne, etterleve, adlyde ordre, samarbeide eller uttrykke tiltrekning.

"De vil strekke seg langt for å forbedre deres tilhørighet og selvfølelse," sa Williams.

Hvis de føler at det er lite håp om re-inkludering eller at de har liten kontroll over livene sine, kan de ty til provoserende oppførsel og til og med aggresjon.

"På et tidspunkt slutter de å bekymre seg for å bli likt, og de vil bare bli lagt merke til," sa Williams.

Imidlertid, hvis en person har blitt utstøtt i lang tid, kan det hende at de ikke har evnen til å fortsette å takle smertene. Noen mennesker kan gi opp, sa Williams.

Den tredje fasen kalles resignasjon. Dette er når folk som har blitt utstøtt, er mindre hjelpsomme og mer aggressive mot andre generelt, sa han. Det øker også sinne og tristhet, og langsiktig utstøtelse kan føre til fremmedgjøring, depresjon, hjelpeløshet og følelser av uverdighet.

Williams prøver å bedre forstå hvordan utstøtte personer kan tiltrekkes av ekstreme grupper og hva som kan være reaksjonene til utstøtte grupper.

Disse gruppene gir medlemmer en følelse av tilhørighet, egenverd og kontroll, men de kan gi næring til tranghet, radikalisme og intoleranse, og kanskje en tilbøyelighet til fiendtlighet og vold mot andre, sa han. Når en føler seg utstødt, føler de seg ute av kontroll, og aggressiv oppførsel er en måte å gjenopprette kontrollen på. Når disse individene kommer sammen i en gruppe, kan det ha negative konsekvenser. & Quot

Williams er professor ved Institutt for psykologiske vitenskaper i Purdue's College of Health and Human Sciences.

Forfatter: Amy Patterson Neubert, 765-494-9723, [email protected]

Kilde: Kipling D. Williams, 765-494-0845, [email protected]

Merknad til journalister: Journalister som er interessert i en kopi av tidsskriftartikkelen, kan kontakte Amy Patterson Neubert, Purdue News Service, på 765-494-9723, [email protected]

Ostrasisme: Konsekvenser og mestring

Kipling D. Williams og Steve A. Nida

Ostrasisme betyr å bli ignorert og ekskludert av en eller flere andre. Til tross for fravær av verbal unntak og fysisk overgrep, er utstøting smertefullt: Det truer psykologiske behov (tilhørighet, selvfølelse, kontroll og meningsfull eksistens), og det frigjør en rekke psykologiske, affektive, kognitive og atferdsmessige svar.Her gjennomgår vi den empiriske litteraturen om ostrasisme innenfor rammen av den tidsmessige behov-trussel-modellen.


Hjernen din er ikke en datamaskin

Det kan virke overflødig å si dette, men hjernen din er ikke en datamaskin. Det har aldri vært og kommer aldri til å bli det. Din bevissthet vil ikke bli lastet ned til en datamaskin i ditt eller mitt liv.

Datamaskiner er teknologibaserte verktøy som bare gjør det de blir fortalt (programmert) å gjøre. Hjernen din, derimot, begynte livet med et sett med reflekser som det aldri ble lært. Hjernen din opplever ting på nytt for at du skal huske det, men det lagrer ikke minnene i noe som ser ut eller fungerer som en datamaskin og rsquos lagringsenhet.

Kort sagt, hjernen din er ikke en datamaskin. Det er på tide å legge denne misoppfatningen til sengs.

Siden barndommen har jeg vært urolig med analogien om at kognitive og nevrovitenskapsmenn har tenkt på hjernen og fortalt at det er veldig som en datamaskin. Som noen som har vært dypt inne i datamaskiner hele livet, så det bare aldri ut til å gi meg mye mening. Datamaskiner tenker ikke selv, de kan gjøre alt du ikke instruerer dem eksplisitt i å gjøre, og de har ingen iboende reflekser eller ferdigheter knyttet til dem. Datamaskiner er bokstavelig talt store dørstoppere hvis de ikke har et operativsystem.

Selv om det ser ut til å være noen grunne likheter mellom de to, forsvinner disse likhetene når du klør på overflaten.

Robert Epstein, senior forskningspsykolog ved American Institute for Behavioral Research and Technology, satte min tro på et gjennomtenkt, velbegrunnet essay over kl. Aeon nylig:

Sanser, reflekser og læringsmekanismer og dette er hva vi starter med, og det er ganske mye når du tenker på det. Hvis vi manglet noen av disse egenskapene ved fødselen, ville vi sannsynligvis ha problemer med å overleve.

Men her er det vi ikke er født med: informasjon, data, regler, programvare, kunnskap, leksikoner, representasjoner, algoritmer, programmer, modeller, minner, bilder, prosessorer, underrutiner, kodere, dekodere, symboler eller buffere og mdash designelementer som la digitale datamaskiner oppføre seg noe intelligent. Ikke bare er vi ikke født med slike ting, vi utvikler dem heller aldri.

Faktisk har vi liten anelse om hvordan den menneskelige hjerne fungerer, og stoler i stedet på analogier for å informere og veilede vår forståelse. Men hvis analogien ikke virkelig holder vann, begynner den å miste sin nytte i å veilede eksperimenter og kognitive modeller. I stedet kan analogien bli et selvlaget fengsel som begrenser vår evne til å forstå begreper som ikke passer inn i analogien.

Dessverre jobber de fleste kognitive og nevrovitenskapsmenn som studerer hjernen fremdeles og mdash og til og med ærbødig og mdash denne begrensende modellen for hjerne-som-datamaskin.

Noen få kognitive forskere og mdash, spesielt Anthony Chemero fra University of Cincinnati, forfatteren av Radical Embodied Cognitive Science (2009) og mdash, avviser nå helt synet på at den menneskelige hjernen fungerer som en datamaskin. Det vanlige synet er at vi, som datamaskiner, forstår verden ved å utføre beregninger på mentale representasjoner av den, men Chemero og andre beskriver en annen måte å forstå intelligent oppførsel og mdash som et direkte samspill mellom organismer og deres verden.

Hjernen er mer komplisert enn de fleste av oss kan forestille oss. Selv om teknologiingeniører lett forstår alle delene som kreves for å lage en datamaskin, vet ikke kognitive forskere det første om hvordan hjernen utfører selv de enkleste oppgavene, for eksempel lagring av et minne, læring av et språk eller identifisering av et objekt.

Du kjenner alle de tusenvis av forskningsstudier som er avhengige av Functional Magnetic Resonance Imaging (fMRI) som produserer de millioner av fargebilder av hjernen som lyser opp når den gjør noe? De forteller oss praktisk talt ingenting om Hvorfor disse delene av hjernen lyser opp, og heller ikke hvorfor det ville være viktig.

Tenk deg å ta en person fra 300 f.Kr. og introdusere henne for en moderne elektrisk bryter som er koblet til en lyspære. Hun kan slå bryteren av og på og se virkningen av atferden på lyset. Men det ville nesten ikke fortelle henne noe om hvordan elektrisitet fungerer, eller noe om komponentene i elektrisitet. Det er hva fMRI -skanninger av hjernen er for forskere i dag.

Tenk hvor vanskelig dette problemet er. For å forstå det grunnleggende om hvordan hjernen opprettholder det menneskelige intellektet, må vi kanskje ikke bare vite den nåværende tilstanden til alle 86 milliarder nevroner og deres 100 billioner sammenkoblinger, ikke bare de varierende styrkene de er forbundet med, og ikke bare tilstander med mer enn 1000 proteiner som eksisterer ved hvert koblingspunkt, men hvordan hjernens øyeblikkelige aktivitet bidrar til integriteten til systemet. Legg til dette unikheten i hver hjerne, delvis forårsaket på grunn av særegenheten til hver person og livets historie, og Kandel & rsquos spådom begynner å høres altfor optimistisk ut. (I en nylig utgave i New York Timesnevrovitenskapsmannen Kenneth Miller foreslo at det vil ta mange sekunder og bare å finne ut grunnleggende nevronforbindelse.)

I & rsquove sa ofte at vi & rsquore er på samme sted som medisin fra 1700 -tallet var for å forstå menneskekroppen og sykdomsprosessen. Det ville ikke overraske meg om det tar ytterligere 100 år før vi har en rudimentær forståelse av hjernens og rsquos faktiske prosesser.

Vi kommer langt fra skrotvitenskapen om en kjemisk ubalanse i hjernen (som stadig papegøye av farmasøytiske selskaper på 1990 -tallet og til og med 2000 -tallet, lenge etter at teorien ble motbevist) for å forklare hvorfor psykiske lidelser eksisterer. Dedikerte forskere jobber hardt hver dag for å prøve å avdekke mysteriene til et menneskelig og rsquos viktigste organ.

Realistisk sett har vi imidlertid en mye lengre vei å gå for å svare på selv de mest grunnleggende spørsmålene om hjernefunksjon. Dette essayet er en god påminnelse om hvorfor vi bare bør holde en analogi så lenge det ser ut til å passe med kjente fakta. Det vi vet om menneskelig atferd tyder på at det er på tide å gå videre fra å tro at hjernen vår er som datamaskiner.

For mer informasjon

Les hele Robert Epstein -essayet på Aeon: Den tomme hjernen (med mer enn 4000 ord, den er ikke for svake i hjertet)


Marrs metodikk og et reduksjonistisk syn på forholdet mellom psykologi og nevrovitenskap

Det er bekymringer for Marrs beregningsteori. Navnet beregningsteori har blitt funnet å være misvisende ettersom forskeren ikke forklarer beregningsprosedyrene. Han forklarer bare oppgavene som beregningssystemet skal utføre. Marrs analyse blir stilt spørsmål ved av David Broadbent som hevder at konneksjonisme i psykologanalyse av Marrs implementeringsnivå er irrelevant for psykologi.

David Marr -algoritmer og kognitive representasjoner fokuserer heller på problemets natur enn på mekanismen og maskinvaren de er legemliggjort i. Mange filosofer anbefaler å studere menneskelig maskinvare for å forstå dømmene og begrepene om sunn fornuft. Det er spørsmål på disse nivåene der teoretisering og forskning er en bekymring for psykologi. Det er en viss kontrovers mellom mentalisme og atferdisme på passende analysenivå (Baars, 281).

Det er en spenning i det reduksjonistiske synet mellom nevrovitenskap og psykologi. Biologiske så vel som sosiale tilnærminger til menneskers oppførsel har alltid stått i kontrast til hverandre. De to funksjonene fungerer som gjensidig utelukkende eller antagonistiske enheter. Den underliggende antagelsen i sosial nevrovitenskap består i det faktum at mekanismene bak atferd og sinn aldri vil være helt forklarbare ved å bruke sosial eller biologisk tilnærming i solidaritet (Brain & amp; Christine 129). Integrativ granskning på flere nivåer er nødvendig. Det kan legges til at det vitenskapelige språket som er universelt og fullt forankret i hjernens funksjon og struktur er svært avgjørende og viktig.

En menneskelig oppførsel er helt biologisk på noen nivåer. Den biologiske reduksjonismen gir opphav til enestående, enkle og tilfredsstillende forklaringer på former for molekylær representasjon, og komplekse atferd er kilden til analysen av høyeste grad som fremmer forståelsen av menneskelig atferd (Brain & amp; Christine 113).

Avslutningsvis må det understrekes at konneksjonismemodeller er bygget med likhet med nevral prosessering. Det er min oppfatning at de er egnet for å representere de kognitive fenomenene. Samfunnsvitenskapene har utviklet en molarkonstruksjon som er den viktigste kilden til forståelsesaktiviteter som er svært komplekse (Brain & Christine 136).


Beregningsmodell avslører hvordan hjernen håndterer kortsiktige minner

Hvis du noen gang har glemt noe bare sekunder etter at det var i spissen for deg - for eksempel navnet på en rett du skulle bestille på en restaurant - så vet du hvor viktig arbeidsminnet er. Denne typen kortsiktig tilbakekalling er hvordan folk beholder informasjon i løpet av sekunder eller minutter for å løse et problem eller utføre en oppgave, som det neste trinnet i en serie instruksjoner. Men selv om det er kritisk i vårt daglige liv, har akkurat hvordan hjernen styrer arbeidsminnet vært et mysterium.

Nå har Salk-forskere utviklet en ny beregningsmodell som viser hvordan hjernen opprettholder informasjon på kort sikt ved bruk av spesifikke typer nevroner. Funnene deres, publisert i Natur nevrovitenskap 7. desember 2020, kan bidra til å belyse hvorfor arbeidsminnet er svekket i et bredt spekter av nevropsykiatriske lidelser, inkludert schizofreni, samt ved normal aldring.

"De fleste undersøkelser om arbeidsminne fokuserer på de eksitatoriske nevronene i cortex, som er mange og bredt forbundet, i stedet for de hemmende nevronene, som er lokalt forbundet og mer mangfoldige," sier Terrence Sejnowski, leder av Salk's Computational Neurobiology Laboratory og seniorforfatter. av det nye verket. "Imidlertid overrasket en tilbakevendende nevral nettverksmodell som vi lærte å utføre en arbeidsminneoppgave oss ved å bruke hemmende nevroner til å ta riktige beslutninger etter en forsinkelse."

I det nye papiret utviklet Sejnowski og Robert Kim, en Salk og UC San Diego MD/PhD -student, en datamodell av prefrontal cortex, et område av hjernen som er kjent for å håndtere arbeidsminne. Forskerne brukte læringsalgoritmer for å lære modellen å utføre en test som vanligvis brukes til å måle arbeidsminnet i primater - dyrene må avgjøre om et mønster av fargede firkanter på en skjerm stemmer overens med en som ble sett flere sekunder tidligere.

Sejnowski og Kim analyserte hvordan modellen deres var i stand til å utføre denne oppgaven med høy nøyaktighet, og sammenlignet den deretter med eksisterende data om mønstre av hjerneaktivitet sett hos aper som utførte oppgaven. I begge testene opererte de virkelige og simulerte nevronene som er involvert i arbeidsminnet langsommere enn andre nevroner.

Kim og Sejnowski fant ut at godt arbeidsminne både krevde at langsiktige nevroner skulle være utbredt, og at forbindelsene mellom hemmende nevroner-som undertrykker hjerneaktivitet-er sterke. Når de endret styrken på forbindelsene mellom disse hemmende nevronene i modellen, kunne forskerne endre hvor godt modellen fungerte på arbeidsminnetesten, så vel som tidsrammen til de aktuelle nevronene.

De nye observasjonene peker mot viktigheten av hemmende nevroner, og kan inspirere fremtidig forskning på disse cellers rolle i arbeidsminnet, sier forskerne. De kunne også informere studier om hvorfor noen mennesker med nevropsykiatriske lidelser, inkludert schizofreni og autisme, sliter med arbeidsminnet.

"Nedsatt arbeidsminne er vanlig ved nevropsykiatriske lidelser, inkludert schizofreni og autismespekterforstyrrelser," sier Kim. "Hvis vi kan belyse mekanismen for arbeidsminne, er det et skritt mot å forstå hvordan underskudd i arbeidsminnet oppstår ved disse lidelsene."

Arbeidet ble støttet av et tilskudd fra National Institute of Mental Health.


3. Implementering

Et av de vanskeligste spørsmålene for tilhengere av CTM er hvordan man kan avgjøre om et gitt fysisk system er en implementering av en formell beregning. Vær oppmerksom på at informatikk ikke tilbyr noen teori om implementering, og det intuitive synet på at man kan bestemme om et system implementerer en beregning ved å finne en en-til-en-korrespondanse mellom fysiske tilstander og tilstandene til en beregning kan føre til alvorlige problemer. I det følgende vil jeg skissere noen innvendinger mot objektiviteten til beregningsbegrepet, formulert av John Searle og Hilary Putnam, og undersøke ulike svar på deres innvendinger.

En. Putnam og Searle mot CTM

Putnam og Searles innvendinger kan oppsummeres som følger. Det er ingenting objektivt med fysisk beregning beregning tilskrives fysiske systemer av menneskelige observatører bare for enkelhets skyld. Av denne grunn er det ingen ekte beregningsmessige forklaringer. Unødvendig å si, en slik innvending ugyldiggjør de fleste undersøkelser som er gjort innen kognitiv vitenskap.

Spesielt har Putnam (1991, 121–125) konstruert et bevis på at ethvert åpent fysisk system implementerer en begrenset automat (som er en beregningsmodell som har lavere beregningseffekt enn en Turing -maskin, merk at beviset lett kan utvides til Turing maskiner også). Formålet med Putnams argument er å demonstrere at funksjonalisme, om det var sant, ville innebære atferdisme for funksjonalisme, den interne strukturen er helt irrelevant for å bestemme hvilken funksjon som faktisk blir realisert. Tanken med beviset er som følger. Ethvert fysisk system har minst én tilstand. Denne tilstanden oppnås en stund, og varigheten kan måles med en ekstern klokke. Ved å appellere til klokken kan man identifisere så mange stater man ønsker, spesielt hvis statene kan konstrueres ved settteoretiske operasjoner (eller deres logiske ekvivalent, som er disjunksjonsoperatoren). Av denne grunn kan man alltid finne så mange tilstander i det fysiske systemet som den endelige maskinen krever (den har tross alt et begrenset antall tilstander). Dessuten kan utviklingen i tid enkelt kartlegges på et fysisk system takket være disjunksjoner og klokken. Av denne grunn er det ingenting som forklarer begrepet beregning.

Searles argument er likt. Han argumenterer for at det å være en digital datamaskin handler om å tildele 0s og 1s til et fysisk system, og at for ethvert program og ethvert tilstrekkelig komplekst objekt er det en beskrivelse av objektet det realiserer programmet under (Searle 1992, 207–208 ). På denne visningen ville til og med en vanlig vegg være en datamaskin. I hovedsak er begge innvendingene like for å gjøre poenget om at når man har nok frihet, kan man alltid kartlegge fysiske tilstander - hvis tall kan justeres med logiske midler eller ganske enkelt gjøre flere målinger - til det formelle systemet. Hvis vi snakker om begge systemene når det gjelder sett, så er alt som betyr noe kardinalitet i begge settene (i hovedsak ligner disse argumentene på den innvendingen som en gang ble gjort mot Russells strukturalisme, sammenligne (Newman 1928)). Siden argumentene er like, adresserer svarene på disse innvendingene vanligvis begge samtidig, og prøver å begrense de tillatte måtene å skjære den fysiske virkeligheten på. Synet er at virkeligheten på en eller annen måte skal hugges i leddene, og deretter gjøres i samsvar med den formelle modellen.

B. Semantisk konto

Den semantiske beretningen om implementering er den desidert mest populære blant filosofer. Det krever ganske enkelt at det ikke er noen beregning uten representasjon (Fodor 1975). Men den semantiske beretningen ser ut til å stille spørsmålet, gitt at noen beregningsmodeller ikke krever noen representasjon, særlig i konneksjonisme. Dessuten stiller andre innvendinger mot CTM (spesielt argumentene basert på kinesisk rom -eksperimentet spørsmålstegn ved antagelsen om at dataprogrammer noen gang representerer noe for seg selv. Av denne grunn, i det minste i denne debatten, kan man bare anta at programmer representerer bare fordi de er tilskrevet betydning av eksterne observatører. Men i et slikt tilfelle kan observatøren like gjerne tilskrive en vegg mening. Således har den semantiske beretningen ingen ressurser til å håndtere disse innvendingene.

Jeg har ikke til hensikt å antyde at den semantiske kontoen faktisk er helt feil, den intuitive appellen til CTM er basert på dens nære forbindelser med RTM. Likevel har antagelsen som beregning alltid representerer blitt gjentatt spørsmålstegn ved (Fresco 2010 Piccinini 2006 Miłkowski 2013). For eksempel ser det ut til at en vanlig logisk gate (beregningsenheten som tilsvarer en logisk forbindelse), for eksempel en AND -gate, ikke representerer noe. Det ser i hvert fall ikke ut til å referere til noe. Likevel er det en enkel beregningsinnretning.

C. Årsakskonto

Årsaksregnskapet krever at de fysiske tilstandene som er tatt for å svare til den matematiske beskrivelsen av beregning er kausalt knyttet (Chalmers 2011). Dette betyr at det må være kontrafaktiske avhengigheter for å tilfredsstille (dette kravet har blitt foreslått av (Copeland 1996), men uten å kreve at statene er kausalt relevante) og at de metodologiske prinsippene for årsaksforklaringer må følges. De inkluderer teoretisk parsimonium (brukt allerede av Fodor i hans begrensninger av hans semantiske beretning) og årsakssammenheng Markov. Spesielt forkastes stater som ikke er årsakssammenhengende, det være seg i Searles vegg, eller Putnams logiske konstruksjoner.

Det er imidlertid to åpne spørsmål for årsaksregnskapet. For det første, for ethvert årsakssystem, vil det være en tilsvarende beregningsbeskrivelse. Dette betyr at selv om det ikke lenger er sant at alle fysiske systemer implementerer alle mulige beregninger, implementerer de fortsatt minst en beregning (hvis det er flere årsaksmodeller for et gitt system, vokser selvfølgelig antallet tilsvarende beregninger). Kausale teoretikere biter vanligvis i skuddet ved å svare at dette ikke gjør beregningsmessig forklaring ugyldig, det tillater bare en svak form for pankomputasjonalisme (som er påstanden om at alt er beregningsmessig (Müller 2009 Piccinini 2007a)). Det andre spørsmålet er hvordan grensene for årsakssystemer skal trekkes. Skal vi prøve å modellere en datamaskins distale årsaker (inkludert operasjonene på produksjonsstedet for de elektroniske komponentene) i årsaksmodellen som samsvarer med den formelle beregningsmodellen? Dette virker absurd, men det er ikke noe eksplisitt svar på dette problemet i årsakssammenhengen.

D. Mekanistisk regnskap

Den mekanistiske beretningen er en spesifikk versjon av årsakskontoen, forsvaret av Piccinini og Miłkowski. Det første trekket som ble gjort av begge er å bare ta hensyn til funksjonelle mekanismer, som utelukker svake pancomputationalism. (Kravet om at systemene skal ha funksjonen - i en viss forstand - til databehandling har også blitt forsvaret av andre forfattere, sammenlign (Lycan 1987 Sterelny 1990)).En annen er å argumentere for at beregningssystemer bør forstås som flernivåsystemer, noe som naturlig passer med den mekanistiske redegjørelsen for beregningsforklaring. Vær oppmerksom på at mekanikere i vitenskapsfilosofien allerede har stått overfor det vanskelige spørsmålet om hvordan man skal trekke en grense rundt systemer, for eksempel ved å bare inkludere komponenter som er konstituerende relevante for mekanismen til sammenligning (Craver 2007). Av denne grunn skal den mekanistiske kontoen levere en tilfredsstillende tilnærming til å avgrense beregningsmekanismer fra miljøet.

Et annet spesifikt trekk ved den mekanistiske beregningen av beregningen er at det tydeliggjør hvordan den formelle beregningen av beregningen tilsvarer den fysiske mekanismen. Det isolerte nivået til mekanismen (nivå 0, se avsnitt 2.c ovenfor) skal nemlig beskrives av en mekanistisk tilstrekkelig beregningsmodell. Beskrivelsen av modellen består vanligvis av to deler: (1) en abstrakt spesifikasjon av en beregning, som bør inneholde alle de kausalt relevante variablene (en formell modell av mekanismen) (2) en fullstendig plan for mekanismen på dette nivået av dens organisasjon.

Selv om man fortsatt er skeptisk til årsakssammenheng eller fysiske mekanismer, kan Putnam og Searles innvendinger bli avvist i den mekanistiske beretningen om implementering, i den grad disse teoretiske posisjonene er tillatt i spesialvitenskap. Det som er klart fra denne diskusjonen er at implementering ikke handler om noen enkel kartlegging, men om å tilfredsstille en rekke ytterligere begrensninger som vanligvis kreves av årsaksmodellering i vitenskap.


Hjernen din er ikke en datamaskin

Det kan virke overflødig å si dette, men hjernen din er ikke en datamaskin. Det har aldri vært og kommer aldri til å bli det. Din bevissthet vil ikke bli lastet ned til en datamaskin i ditt eller mitt liv.

Datamaskiner er teknologibaserte verktøy som bare gjør det de blir fortalt (programmert) å gjøre. Hjernen din, derimot, begynte livet med et sett med reflekser som det aldri ble lært. Hjernen din opplever ting på nytt for at du skal huske det, men det lagrer ikke minnene i noe som ser ut eller fungerer som en datamaskin og rsquos lagringsenhet.

Kort sagt, hjernen din er ikke en datamaskin. Det er på tide å legge denne misoppfatningen til sengs.

Siden barndommen har jeg vært urolig med analogien om at kognitive og nevrovitenskapsmenn har tenkt på hjernen og fortalt at det er veldig som en datamaskin. Som noen som har vært dypt inne i datamaskiner hele livet, så det bare aldri ut til å gi meg mye mening. Datamaskiner tenker ikke selv, de kan gjøre alt du ikke instruerer dem eksplisitt i å gjøre, og de har ingen iboende reflekser eller ferdigheter knyttet til dem. Datamaskiner er bokstavelig talt store dørstoppere hvis de ikke har et operativsystem.

Selv om det ser ut til å være noen grunne likheter mellom de to, forsvinner disse likhetene når du klør på overflaten.

Robert Epstein, senior forskningspsykolog ved American Institute for Behavioral Research and Technology, satte min tro på et gjennomtenkt, velbegrunnet essay over kl. Aeon nylig:

Sanser, reflekser og læringsmekanismer og dette er hva vi starter med, og det er ganske mye når du tenker på det. Hvis vi manglet noen av disse egenskapene ved fødselen, ville vi sannsynligvis ha problemer med å overleve.

Men her er det vi ikke er født med: informasjon, data, regler, programvare, kunnskap, leksikoner, representasjoner, algoritmer, programmer, modeller, minner, bilder, prosessorer, underrutiner, kodere, dekodere, symboler eller buffere og mdash designelementer som la digitale datamaskiner oppføre seg noe intelligent. Ikke bare er vi ikke født med slike ting, vi utvikler dem heller aldri.

Faktisk har vi liten anelse om hvordan den menneskelige hjerne fungerer, og stoler i stedet på analogier for å informere og veilede vår forståelse. Men hvis analogien ikke virkelig holder vann, begynner den å miste sin nytte i å veilede eksperimenter og kognitive modeller. I stedet kan analogien bli et selvlaget fengsel som begrenser vår evne til å forstå begreper som ikke passer inn i analogien.

Dessverre jobber de fleste kognitive og nevrovitenskapsmenn som studerer hjernen fremdeles og mdash og til og med ærbødig og mdash denne begrensende modellen for hjerne-som-datamaskin.

Noen få kognitive forskere og mdash, spesielt Anthony Chemero fra University of Cincinnati, forfatteren av Radical Embodied Cognitive Science (2009) og mdash, avviser nå helt synet på at den menneskelige hjernen fungerer som en datamaskin. Det vanlige synet er at vi, som datamaskiner, forstår verden ved å utføre beregninger på mentale representasjoner av den, men Chemero og andre beskriver en annen måte å forstå intelligent oppførsel og mdash som et direkte samspill mellom organismer og deres verden.

Hjernen er mer komplisert enn de fleste av oss kan forestille oss. Selv om teknologiingeniører lett forstår alle delene som kreves for å lage en datamaskin, vet ikke kognitive forskere det første om hvordan hjernen utfører selv de enkleste oppgavene, for eksempel lagring av et minne, læring av et språk eller identifisering av et objekt.

Du kjenner alle de tusenvis av forskningsstudier som er avhengige av Functional Magnetic Resonance Imaging (fMRI) som produserer de millioner av fargebilder av hjernen som lyser opp når den gjør noe? De forteller oss praktisk talt ingenting om Hvorfor disse delene av hjernen lyser opp, og heller ikke hvorfor det ville være viktig.

Tenk deg å ta en person fra 300 f.Kr. og introdusere henne for en moderne elektrisk bryter som er koblet til en lyspære. Hun kan slå bryteren av og på og se virkningen av atferden på lyset. Men det ville nesten ikke fortelle henne noe om hvordan elektrisitet fungerer, eller noe om komponentene i elektrisitet. Det er hva fMRI -skanninger av hjernen er for forskere i dag.

Tenk hvor vanskelig dette problemet er. For å forstå det grunnleggende om hvordan hjernen opprettholder det menneskelige intellektet, må vi kanskje ikke bare vite den nåværende tilstanden til alle 86 milliarder nevroner og deres 100 billioner sammenkoblinger, ikke bare de varierende styrkene de er forbundet med, og ikke bare tilstander med mer enn 1000 proteiner som eksisterer ved hvert koblingspunkt, men hvordan hjernens øyeblikkelige aktivitet bidrar til integriteten til systemet. Legg til dette unikheten i hver hjerne, delvis forårsaket på grunn av særegenheten til hver person og livets historie, og Kandel & rsquos spådom begynner å høres altfor optimistisk ut. (I en nylig utgave i New York Timesnevrovitenskapsmannen Kenneth Miller foreslo at det vil ta mange sekunder og bare å finne ut grunnleggende nevronforbindelse.)

I & rsquove sa ofte at vi & rsquore er på samme sted som medisin fra 1700 -tallet var for å forstå menneskekroppen og sykdomsprosessen. Det ville ikke overraske meg om det tar ytterligere 100 år før vi har en rudimentær forståelse av hjernens og rsquos faktiske prosesser.

Vi kommer langt fra skrotvitenskapen om en kjemisk ubalanse i hjernen (som stadig papegøye av farmasøytiske selskaper på 1990 -tallet og til og med 2000 -tallet, lenge etter at teorien ble motbevist) for å forklare hvorfor psykiske lidelser eksisterer. Dedikerte forskere jobber hardt hver dag for å prøve å avdekke mysteriene til et menneskelig og rsquos viktigste organ.

Realistisk sett har vi imidlertid en mye lengre vei å gå for å svare på selv de mest grunnleggende spørsmålene om hjernefunksjon. Dette essayet er en god påminnelse om hvorfor vi bare bør holde en analogi så lenge det ser ut til å passe med kjente fakta. Det vi vet om menneskelig atferd tyder på at det er på tide å gå videre fra å tro at hjernen vår er som datamaskiner.

For mer informasjon

Les hele Robert Epstein -essayet på Aeon: Den tomme hjernen (med mer enn 4000 ord, den er ikke for svake i hjertet)


Marrs metodikk og et reduksjonistisk syn på forholdet mellom psykologi og nevrovitenskap

Det er bekymringer for Marrs beregningsteori. Navnet beregningsteori har blitt funnet å være misvisende ettersom forskeren ikke forklarer beregningsprosedyrene. Han forklarer bare oppgavene som beregningssystemet skal utføre. Marrs analyse blir stilt spørsmål ved av David Broadbent som hevder at konneksjonisme i psykologanalyse av Marrs implementeringsnivå er irrelevant for psykologi.

David Marr -algoritmer og kognitive representasjoner fokuserer heller på problemets natur enn på mekanismen og maskinvaren de er legemliggjort i. Mange filosofer anbefaler å studere menneskelig maskinvare for å forstå dømmene og begrepene om sunn fornuft. Det er spørsmål på disse nivåene der teoretisering og forskning er en bekymring for psykologi. Det er en viss kontrovers mellom mentalisme og atferdisme på passende analysenivå (Baars, 281).

Det er en spenning i det reduksjonistiske synet mellom nevrovitenskap og psykologi. Biologiske så vel som sosiale tilnærminger til menneskers oppførsel har alltid stått i kontrast til hverandre. De to funksjonene fungerer som gjensidig utelukkende eller antagonistiske enheter. Den underliggende antagelsen i sosial nevrovitenskap består i det faktum at mekanismene bak atferd og sinn aldri vil være helt forklarbare ved å bruke sosial eller biologisk tilnærming i solidaritet (Brain & amp; Christine 129). Integrativ granskning på flere nivåer er nødvendig. Det kan legges til at det vitenskapelige språket som er universelt og fullt forankret i hjernens funksjon og struktur er svært avgjørende og viktig.

En menneskelig oppførsel er helt biologisk på noen nivåer. Den biologiske reduksjonismen gir opphav til enestående, enkle og tilfredsstillende forklaringer på former for molekylær representasjon, og komplekse atferd er kilden til analysen av høyeste grad som fremmer forståelsen av menneskelig atferd (Brain & amp; Christine 113).

Avslutningsvis må det understrekes at konneksjonismemodeller er bygget med likhet med nevral prosessering. Det er min oppfatning at de er egnet for å representere de kognitive fenomenene. Samfunnsvitenskapene har utviklet en molarkonstruksjon som er den viktigste kilden til forståelsesaktiviteter som er svært komplekse (Brain & Christine 136).


Beregningsmodell avslører hvordan hjernen håndterer kortsiktige minner

Hvis du noen gang har glemt noe bare sekunder etter at det var i spissen for deg - for eksempel navnet på en rett du skulle bestille på en restaurant - så vet du hvor viktig arbeidsminnet er. Denne typen kortsiktig tilbakekalling er hvordan folk beholder informasjon i løpet av sekunder eller minutter for å løse et problem eller utføre en oppgave, som det neste trinnet i en serie instruksjoner. Men selv om det er kritisk i vårt daglige liv, har akkurat hvordan hjernen styrer arbeidsminnet vært et mysterium.

Nå har Salk-forskere utviklet en ny beregningsmodell som viser hvordan hjernen opprettholder informasjon på kort sikt ved bruk av spesifikke typer nevroner. Funnene deres, publisert i Natur nevrovitenskap 7. desember 2020, kan bidra til å belyse hvorfor arbeidsminnet er svekket i et bredt spekter av nevropsykiatriske lidelser, inkludert schizofreni, samt ved normal aldring.

"De fleste undersøkelser om arbeidsminne fokuserer på de eksitatoriske nevronene i cortex, som er mange og bredt forbundet, i stedet for de hemmende nevronene, som er lokalt forbundet og mer mangfoldige," sier Terrence Sejnowski, leder av Salk's Computational Neurobiology Laboratory og seniorforfatter. av det nye verket. "Imidlertid overrasket en tilbakevendende nevral nettverksmodell som vi lærte å utføre en arbeidsminneoppgave oss ved å bruke hemmende nevroner til å ta riktige beslutninger etter en forsinkelse."

I det nye papiret utviklet Sejnowski og Robert Kim, en Salk og UC San Diego MD/PhD -student, en datamodell av prefrontal cortex, et område av hjernen som er kjent for å håndtere arbeidsminne. Forskerne brukte læringsalgoritmer for å lære modellen å utføre en test som vanligvis brukes til å måle arbeidsminnet i primater - dyrene må avgjøre om et mønster av fargede firkanter på en skjerm stemmer overens med en som ble sett flere sekunder tidligere.

Sejnowski og Kim analyserte hvordan modellen deres var i stand til å utføre denne oppgaven med høy nøyaktighet, og sammenlignet den deretter med eksisterende data om mønstre av hjerneaktivitet sett hos aper som utførte oppgaven. I begge testene opererte de virkelige og simulerte nevronene som er involvert i arbeidsminnet langsommere enn andre nevroner.

Kim og Sejnowski fant ut at godt arbeidsminne både krevde at langsiktige nevroner skulle være utbredt, og at forbindelsene mellom hemmende nevroner-som undertrykker hjerneaktivitet-er sterke. Når de endret styrken på forbindelsene mellom disse hemmende nevronene i modellen, kunne forskerne endre hvor godt modellen fungerte på arbeidsminnetesten, så vel som tidsrammen til de aktuelle nevronene.

De nye observasjonene peker mot viktigheten av hemmende nevroner, og kan inspirere fremtidig forskning på disse cellers rolle i arbeidsminnet, sier forskerne. De kunne også informere studier om hvorfor noen mennesker med nevropsykiatriske lidelser, inkludert schizofreni og autisme, sliter med arbeidsminnet.

"Nedsatt arbeidsminne er vanlig ved nevropsykiatriske lidelser, inkludert schizofreni og autismespekterforstyrrelser," sier Kim. "Hvis vi kan belyse mekanismen for arbeidsminne, er det et skritt mot å forstå hvordan underskudd i arbeidsminnet oppstår ved disse lidelsene."

Arbeidet ble støttet av et tilskudd fra National Institute of Mental Health.


3. Implementering

Et av de vanskeligste spørsmålene for tilhengere av CTM er hvordan man kan avgjøre om et gitt fysisk system er en implementering av en formell beregning. Vær oppmerksom på at informatikk ikke tilbyr noen teori om implementering, og det intuitive synet på at man kan bestemme om et system implementerer en beregning ved å finne en en-til-en-korrespondanse mellom fysiske tilstander og tilstandene til en beregning kan føre til alvorlige problemer. I det følgende vil jeg skissere noen innvendinger mot objektiviteten til beregningsbegrepet, formulert av John Searle og Hilary Putnam, og undersøke ulike svar på deres innvendinger.

En. Putnam og Searle mot CTM

Putnam og Searles innvendinger kan oppsummeres som følger. Det er ingenting objektivt med fysisk beregning beregning tilskrives fysiske systemer av menneskelige observatører bare for enkelhets skyld. Av denne grunn er det ingen ekte beregningsmessige forklaringer. Unødvendig å si, en slik innvending ugyldiggjør de fleste undersøkelser som er gjort innen kognitiv vitenskap.

Spesielt har Putnam (1991, 121–125) konstruert et bevis på at ethvert åpent fysisk system implementerer en begrenset automat (som er en beregningsmodell som har lavere beregningseffekt enn en Turing -maskin, merk at beviset lett kan utvides til Turing maskiner også). Formålet med Putnams argument er å demonstrere at funksjonalisme, om det var sant, ville innebære atferdisme for funksjonalisme, den interne strukturen er helt irrelevant for å bestemme hvilken funksjon som faktisk blir realisert. Tanken med beviset er som følger. Ethvert fysisk system har minst én tilstand. Denne tilstanden oppnås en stund, og varigheten kan måles med en ekstern klokke. Ved å appellere til klokken kan man identifisere så mange stater man ønsker, spesielt hvis statene kan konstrueres ved settteoretiske operasjoner (eller deres logiske ekvivalent, som er disjunksjonsoperatoren). Av denne grunn kan man alltid finne så mange tilstander i det fysiske systemet som den endelige maskinen krever (den har tross alt et begrenset antall tilstander). Dessuten kan utviklingen i tid enkelt kartlegges på et fysisk system takket være disjunksjoner og klokken. Av denne grunn er det ingenting som forklarer begrepet beregning.

Searles argument er likt. Han argumenterer for at det å være en digital datamaskin handler om å tildele 0s og 1s til et fysisk system, og at for ethvert program og ethvert tilstrekkelig komplekst objekt er det en beskrivelse av objektet det realiserer programmet under (Searle 1992, 207–208 ). På denne visningen ville til og med en vanlig vegg være en datamaskin. I hovedsak er begge innvendingene like for å gjøre poenget om at når man har nok frihet, kan man alltid kartlegge fysiske tilstander - hvis tall kan justeres med logiske midler eller ganske enkelt gjøre flere målinger - til det formelle systemet. Hvis vi snakker om begge systemene når det gjelder sett, så er alt som betyr noe kardinalitet i begge settene (i hovedsak ligner disse argumentene på den innvendingen som en gang ble gjort mot Russells strukturalisme, sammenligne (Newman 1928)). Siden argumentene er like, adresserer svarene på disse innvendingene vanligvis begge samtidig, og prøver å begrense de tillatte måtene å skjære den fysiske virkeligheten på. Synet er at virkeligheten på en eller annen måte skal hugges i leddene, og deretter gjøres i samsvar med den formelle modellen.

B. Semantisk konto

Den semantiske beretningen om implementering er den desidert mest populære blant filosofer. Det krever ganske enkelt at det ikke er noen beregning uten representasjon (Fodor 1975). Men den semantiske beretningen ser ut til å stille spørsmålet, gitt at noen beregningsmodeller ikke krever noen representasjon, særlig i konneksjonisme. Dessuten stiller andre innvendinger mot CTM (spesielt argumentene basert på kinesisk rom -eksperimentet spørsmålstegn ved antagelsen om at dataprogrammer noen gang representerer noe for seg selv. Av denne grunn, i det minste i denne debatten, kan man bare anta at programmer representerer bare fordi de er tilskrevet betydning av eksterne observatører. Men i et slikt tilfelle kan observatøren like gjerne tilskrive en vegg mening. Således har den semantiske beretningen ingen ressurser til å håndtere disse innvendingene.

Jeg har ikke til hensikt å antyde at den semantiske kontoen faktisk er helt feil, den intuitive appellen til CTM er basert på dens nære forbindelser med RTM. Likevel har antagelsen som beregning alltid representerer blitt gjentatt spørsmålstegn ved (Fresco 2010 Piccinini 2006 Miłkowski 2013). For eksempel ser det ut til at en vanlig logisk gate (beregningsenheten som tilsvarer en logisk forbindelse), for eksempel en AND -gate, ikke representerer noe. Det ser i hvert fall ikke ut til å referere til noe. Likevel er det en enkel beregningsinnretning.

C. Årsakskonto

Årsaksregnskapet krever at de fysiske tilstandene som er tatt for å svare til den matematiske beskrivelsen av beregning er kausalt knyttet (Chalmers 2011). Dette betyr at det må være kontrafaktiske avhengigheter for å tilfredsstille (dette kravet har blitt foreslått av (Copeland 1996), men uten å kreve at statene er kausalt relevante) og at de metodologiske prinsippene for årsaksforklaringer må følges. De inkluderer teoretisk parsimonium (brukt allerede av Fodor i hans begrensninger av hans semantiske beretning) og årsakssammenheng Markov. Spesielt forkastes stater som ikke er årsakssammenhengende, det være seg i Searles vegg, eller Putnams logiske konstruksjoner.

Det er imidlertid to åpne spørsmål for årsaksregnskapet. For det første, for ethvert årsakssystem, vil det være en tilsvarende beregningsbeskrivelse. Dette betyr at selv om det ikke lenger er sant at alle fysiske systemer implementerer alle mulige beregninger, implementerer de fortsatt minst en beregning (hvis det er flere årsaksmodeller for et gitt system, vokser selvfølgelig antallet tilsvarende beregninger). Kausale teoretikere biter vanligvis i skuddet ved å svare at dette ikke gjør beregningsmessig forklaring ugyldig, det tillater bare en svak form for pankomputasjonalisme (som er påstanden om at alt er beregningsmessig (Müller 2009 Piccinini 2007a)). Det andre spørsmålet er hvordan grensene for årsakssystemer skal trekkes. Skal vi prøve å modellere en datamaskins distale årsaker (inkludert operasjonene på produksjonsstedet for de elektroniske komponentene) i årsaksmodellen som samsvarer med den formelle beregningsmodellen? Dette virker absurd, men det er ikke noe eksplisitt svar på dette problemet i årsakssammenhengen.

D. Mekanistisk regnskap

Den mekanistiske beretningen er en spesifikk versjon av årsakskontoen, forsvaret av Piccinini og Miłkowski. Det første trekket som ble gjort av begge er å bare ta hensyn til funksjonelle mekanismer, som utelukker svake pancomputationalism. (Kravet om at systemene skal ha funksjonen - i en viss forstand - til databehandling har også blitt forsvaret av andre forfattere, sammenlign (Lycan 1987 Sterelny 1990)). En annen er å argumentere for at beregningssystemer bør forstås som flernivåsystemer, noe som naturlig passer med den mekanistiske redegjørelsen for beregningsforklaring. Vær oppmerksom på at mekanikere i vitenskapsfilosofien allerede har stått overfor det vanskelige spørsmålet om hvordan man skal trekke en grense rundt systemer, for eksempel ved å bare inkludere komponenter som er konstituerende relevante for mekanismen til sammenligning (Craver 2007). Av denne grunn skal den mekanistiske kontoen levere en tilfredsstillende tilnærming til å avgrense beregningsmekanismer fra miljøet.

Et annet spesifikt trekk ved den mekanistiske beregningen av beregningen er at det tydeliggjør hvordan den formelle beregningen av beregningen tilsvarer den fysiske mekanismen. Det isolerte nivået til mekanismen (nivå 0, se avsnitt 2.c ovenfor) skal nemlig beskrives av en mekanistisk tilstrekkelig beregningsmodell. Beskrivelsen av modellen består vanligvis av to deler: (1) en abstrakt spesifikasjon av en beregning, som bør inneholde alle de kausalt relevante variablene (en formell modell av mekanismen) (2) en fullstendig plan for mekanismen på dette nivået av dens organisasjon.

Selv om man fortsatt er skeptisk til årsakssammenheng eller fysiske mekanismer, kan Putnam og Searles innvendinger bli avvist i den mekanistiske beretningen om implementering, i den grad disse teoretiske posisjonene er tillatt i spesialvitenskap. Det som er klart fra denne diskusjonen er at implementering ikke handler om noen enkel kartlegging, men om å tilfredsstille en rekke ytterligere begrensninger som vanligvis kreves av årsaksmodellering i vitenskap.


Hvorfor hjernen din ikke er en datamaskin

Tidligere denne uken inneholdt i09 en slags primer av George Dvorsky om hvordan en kunstig menneskelig hjerne kan bygges. Det er verdt å lese, fordi det gir en fin oversikt over filosofien som ligger til grunn for forskning på kunstig intelligens, samtidig som det - om enn ubevisst - demonstrerer noen av de grunnleggende feilene under kunstig intelligensforskning basert på beregningsteorien om sinn.

Den beregningsmessige teorien om sinnet sier i hovedsak at hjernen din fungerer som en datamaskin. Det vil si at den tar innspill fra omverdenen, og utfører deretter algoritmer for å produsere utgang i form av mental tilstand eller handling. Med andre ord, det påstår at hjernen er en informasjonsprosessor der tankene dine er "programvare" som kjører på "maskinvaren" i hjernen.

Dvorsky påkaller eksplisitt beregningsteorien om sinn ved å si "hvis hjerneaktivitet blir sett på som en funksjon som er fysisk beregnet av hjerner, bør det være mulig å beregne den på en Turing -maskin, nemlig en datamaskin." Deretter setter han opp en falsk dikotomi ved å si at "hvis du tror at det er noe mystisk eller livsviktig med menneskelig erkjennelse, kommer du sannsynligvis ikke til å sette for mye tro på" metodene for å utvikle kunstige hjerner som han beskriver.

Dette er et spill som mange tilhenger av beregningsteorien om sinn liker å spille - ofte, tror jeg, uten å innse at de gjør det. Tilhengere av beregningsteorien om sinnet hevder ofte at de eneste alternative teoriene i sinnet nødvendigvis vil innebære en overnaturlig eller dualistisk komponent. Dette er ironisk, fordi denne teorien grunnleggende er dualistisk. Det innebærer at tankene dine er noe fundamentalt annerledes enn hjernen din - det er bare programvare som i teorien kan kjøres på ethvert underlag.

Derimot må en virkelig ikke-dualistisk sinnsteori si hva som er klart åpenbart: sinnet og hjernen din er identiske. Dette betyr ikke nødvendigvis at en kunstig menneskelig hjerne er umulig - det er bare at programmering av slikt vil være mye mer lik programmering av innebygde systemer enn dataprogrammering. Videre betyr det at maskinvaren har stor betydning - fordi maskinvaren i hovedsak må speile hjernens maskinvare. Dette kompliserer enormt oppgaven med å prøve å bygge en kunstig hjerne, gitt at vi ikke engang vet hvordan hjernen med 300 nevroner fungerer, langt mindre den menneskelige hjernen på 300 milliarder nevroner.

Men å se nærmere på hjernens arbeid avslører noen mer grunnleggende feil med beregningsteori. For det første er ikke selve hjernen strukturert som en Turing -maskin. Det er et parallelt behandlingsnettverk av nevrale noder - men ikke bare hvilket som helst nettverk. Det er et nevrale plastnettverk som på noen måter kan endres aktivt gjennom påvirkning av vilje eller miljø. For eksempel, så lenge noen viktige deler av hjernen ikke er skadet, er det mulig for hjernen å kompensere for skade ved aktivt å omskrive sitt eget nettverk. Eller, som du kanskje merker i ditt eget liv, er det mulig å forbedre din egen erkjennelse bare ved å få nok søvn og trening.

Du trenger ikke fordype deg i de tekniske detaljene for mye for å se dette i livet ditt. Bare tenk på utbredelsen av kognitiv dissonans og bekreftelsesskjevhet. Kognitiv dissonans er sinnets evne til å tro hva det vil selv i møte med motstridende bevis. Bekreftelsesskjevhet er sinnets evne til å oppsøke bevis som er i samsvar med dets egne teorier og ganske enkelt overskue eller ignorere motstridende bevis helt. Ingen av disse aspektene i hjernen forklares lett gjennom beregning - det er kanskje ikke engang mulig å uttrykke disse tilstandene matematisk.

Dessuten kan hjernen ganske enkelt ikke deles inn i funksjonelle deler. Neuronale "kretser" er uklare og fra et maskinvareperspektiv er det "lekkasje". I motsetning til logikkportene til en datamaskin, påvirker de forskjellige arbeidsdelene i hjernen hverandre på måter som vi bare har begynt å forstå. Og disse kretsene kan også tilpasses nye behov. Som Mark Changizi påpeker i sin utmerkede bok Utnyttet, mennesker har ikke en del av hjernen som er viet til tale, skriving eller musikk. De er snarere fremvoksende - de er dannet fra deler av hjernen som var tilpasset enklere syns- og hørselsoppgaver.

Hvis de delene av hjernen vi tenker på som fundamentalt menneskelige - ikke bare intelligens, men selvbevissthet - er fremvoksende egenskaper i hjernen, snarere enn funksjonelle, som det virker sannsynlig, blir beregningsteorien om sinnet enda svakere. Tenk på bevissthet og vilje som noe som kommer ut av aktiviteten til milliarder av nevrale forbindelser, på samme måte som hvordan en nasjonal økonomi kommer ut av milliarder av forskjellige forretningstransaksjoner. Det er ikke en perfekt analogi, men det burde gi deg en ide om kompleksiteten. På mange måter er strukturen i en nasjonal økonomi mye enklere enn hjernens, og til tross for at det er et mye mer strengt matematisk forslag, er det utrolig vanskelig å modellere med noen form for presisjon.

Sinnet er best forstått, ikke som programvare, men snarere som en fremvoksende egenskap for den fysiske hjernen. Så å bygge en kunstig intelligens med samme kompleksitet som for en menneskelig intelligens er ikke bare et spørsmål om å finne de riktige algoritmene og sette den sammen. Hjernen er mye mer komplisert enn som så, og er sannsynligvis ganske enkelt ikke egnet for den slags matematisk reduksjonisme, mer enn økonomiske systemer er.

Når du kommer tilbake til spørsmålet om kunstig intelligens, kan du se hvorfor det blir en mye høyere ordre å produsere intelligens på menneskelig nivå. Det er mulig å bygge datamaskiner som kan lære og løse komplekse problemer. Men det er mye mindre klart at det er en enkel vei til en datamaskin som er rettet mot den typen nye egenskaper som skiller den menneskelige hjernen. Selv om slike egenskaper dukket opp, er jeg villig til å satse på at sluttresultatet av en ikke-menneskelig, sapient intelligens ville være veldig fremmed for vår forståelse, muligens til det punktet av ikke-forståelse. Elektriske kretser fungerer ganske enkelt annerledes enn elektrokjemiske, og det er derfor sannsynlig at alle sapiske egenskaper vil fremstå ganske annerledes.


Datamodellen for hjernen - Psykologi

31. desember 2020 støttes ikke lenger Flash -animasjonsteknologi av nettlesere. Flere DNALC -utdanningssteder, inkludert G2C Online, ble bygget med Flash, spesielt de med animasjoner.

Noen DNALC -nettsteder blir pensjonister, men mye av animasjons- og videoinnholdet er tilgjengelig på DNALC -nettstedet under Ressurser.

I tillegg omarbeider vi vårt mest verdsatte, oppdaterte innhold til dagens teknologi. Hvis det er en animasjon du ikke lenger finner, kan du kontakte DNALC.

Det ser ut til at du har landet på denne siden fra en enhet som ikke støtter Adobe Flash.
Besøk G2C Online nettsted (www.g2conline.org) fra en datamaskin,
eller
Få gratis 3D -hjerne app fra:


Datamodellen for hjernen - Psykologi

Computational Brain & amp Behavior publiserer forskning på beregningsgrunnlaget for sinnet. Tidsskriftet dekker et bredt spekter av emner som bruker matematisk modellering, datasimulering og empirisk arbeid. Dette tidsskriftet legger stor vekt på vitenskapelig stringens og på større innsikt som kvantitativ modellering kan gi. I tillegg til bidrag fra psykologi, nevrovitenskap, datavitenskap, matematikk og lingvistikk, oppmuntrer tidsskriftet sterkt til bidrag fra beslektede disipliner, for eksempel modellbasert kognitiv nevrovitenskap, beregningspsykiatri og maskinlæring.

Tidsskriftet er tilknyttet Society for Mathematical Psychology.

Retningslinjer for fagfellevurderinger

Alle innsendinger er fagfellevurdert og fagfellevurderingsprosessen er enkeltblind. Sjefredaktøren utfører en første sjekk av artikkelen for å sikre at den når en terskel for kvalitet som skal sendes i fagfellevurdering. Sjefredaktøren sørger for at hvert manuskript blir gjennomgått av minimum to uavhengige eksperter på et beslektet område. Anmeldere vil motta instruksjoner om å overholde tidsskriftets etiske og redaksjonelle normer, og å evaluere innleveringen i henhold til følgende kriterier: etisk forsvarlighet, metodisk stringens, originalitet og potensial til å bidra til vitenskapelig kunnskap.


Psykolingvistikk vs nevrolingvistikk

Psykolingvistikk eller språkpsykologi er studiet av sammenhengen mellom språklige faktorer og psykologiske aspekter. Feltet er opptatt av psykologiske og nevrobiologiske faktorer som gjør at mennesker kan tilegne seg, bruke, forstå og produsere språk. Disiplinen er hovedsakelig opptatt av mekanismene der språk behandles og representeres i hjernen. Moderne forskning bruker biologi, nevrovitenskap, kognitiv vitenskap, lingvistikk og informasjonsvitenskap for å studere hvordan hjernen behandler språk, og i mindre grad kjente prosesser blant annet samfunnsvitenskap, menneskelig utvikling, kommunikasjonsteorier og spedbarnsutvikling. Det er en rekke subdisipliner med ikke-invasive teknikker for å studere hjernens nevrologiske virke, for eksempel har nevrolingvistikk blitt et felt i seg selv. Første angrep på psykolingvistikk ble funnet på filosofiske og pedagogiske felt, hovedsakelig på grunn av deres beliggenhet i andre avdelinger enn anvendt vitenskap (f.eks. Sammenhengende data om hvordan den menneskelige hjerne fungerte).

Psykolingvistikk har røtter i utdanning og filosofi, og dekker de "kognitive prosessene" som gjør det mulig å generere en grammatisk og meningsfull setning ut av ordforråd og grammatiske strukturer, samt prosessene som gjør det mulig å forstå ytringer, ord, tekst, etc. Utviklingspsykolingvistikk studerer barns evne til å lære språk.

Neurolingvistikk er studiet av de nevrale mekanismene i den menneskelige hjerne som styrer forståelse, produksjon og tilegnelse av språk. Som et tverrfaglig felt trekker nevrolingvistikk metoder og teorier fra områder som nevrovitenskap, lingvistikk, kognitiv vitenskap, kommunikasjonsforstyrrelser og nevropsykologi. Forskere trekkes til feltet fra en rekke bakgrunner, og tar med seg en rekke eksperimentelle teknikker så vel som vidt varierende teoretiske perspektiver. Mye arbeid innen nevrolingvistikk er informert av modeller innen psykolingvistikk og teoretisk lingvistikk, og er fokusert på å undersøke hvordan hjernen kan implementere prosessene som teoretisk og psykolingvistikk foreslår er nødvendige for å produsere og forstå språk. Nevrolingvister studerer de fysiologiske mekanismene som hjernen behandler informasjon knyttet til språk, og evaluerer språklige og psykolingvistiske teorier ved hjelp av afasiologi, hjernediagnostikk, elektrofysiologi og datamodellering.


Kipling D. Williams, professor i psykologisk vitenskap i Purdue, studerer hvordan utstødelse skader enkeltpersoner like mye eller enda mer enn en fysisk skade. Forskningen hans er rapportert i den nåværende utgaven av Current Directions in Psychological Sciences. (Bilde fra Purdue University/Mark Simons)

WEST LAFAYETTE, Ind. - Ostrasisme eller ekskludering kan ikke etterlate ytre arr, men det kan forårsake smerter som ofte er dypere og varer lenger enn en fysisk skade, ifølge en ekspert på Purdue University.

"Å bli ekskludert eller utstøtt er en usynlig form for mobbing som ikke etterlater blåmerker, og derfor undervurderer vi ofte effekten," sa Kipling D. Williams, professor i psykologiske vitenskaper. Å bli ekskludert av venner på videregående skole, kontorkollegaer eller til og med ektefeller eller familiemedlemmer kan være uutholdelig. Og fordi ostrasisme oppleves i tre stadier, kan livet til de smertefulle følelsene forlenges på lang sikt. Folk og klinikere må være klar over dette, slik at de kan unngå depresjon eller andre negative opplevelser. & Quot

Når en person blir utstødt, føler hjernens dorsale fremre cingulære cortex, som registrerer fysisk smerte, også denne sosiale skaden, sa Williams. Ostrasismeprosessen inkluderer tre stadier: de første handlingene som blir ignorert eller ekskludert, mestring og resignasjon.

Williams ' forskning er rapportert i den nåværende utgaven av Nåværende veibeskrivelse i psykologiske vitenskaper. Artikkelen ble medforfatter av Steve A. Nida, assosiert provins og dekan ved The Citadel Graduate College og professor i psykologi.

"Å bli ekskludert er smertefullt fordi det truer grunnleggende menneskelige behov, som tilhørighet og selvfølelse," sa Williams. & quot Forskning har igjen og igjen funnet ut at sterke, skadelige reaksjoner er mulige selv når de blir utstøtt av en fremmed eller i kort tid. & quot

Mer enn 5000 mennesker har deltatt i studier ved hjelp av et dataspill designet av Williams for å vise hvordan bare to eller tre minutter med utstøting kan gi dvelende negative følelser.

& quotHvordan kan det være at en så kort opplevelse, selv når den blir ignorert og ekskludert av fremmede som personen aldri vil ha noen ansikt til ansikt interaksjon med, kan ha en så kraftig effekt? & quot sa han. Effekten er konsekvent selv om enkeltpersoner og personligheter varierer

Folk varierer også i hvordan de takler, som er den andre fasen av utstøting. Mestring kan bety at personen prøver å bli hardere inkludert. For eksempel kan noen av de som er utstøtt, ha større sannsynlighet for å engasjere seg i atferd som øker deres fremtidige inkludering ved å etterligne, etterleve, adlyde ordre, samarbeide eller uttrykke tiltrekning.

"De vil strekke seg langt for å forbedre deres tilhørighet og selvfølelse," sa Williams.

Hvis de føler at det er lite håp om re-inkludering eller at de har liten kontroll over livene sine, kan de ty til provoserende oppførsel og til og med aggresjon.

"På et tidspunkt slutter de å bekymre seg for å bli likt, og de vil bare bli lagt merke til," sa Williams.

Imidlertid, hvis en person har blitt utstøtt i lang tid, kan det hende at de ikke har evnen til å fortsette å takle smertene. Noen mennesker kan gi opp, sa Williams.

Den tredje fasen kalles resignasjon. Dette er når folk som har blitt utstøtt, er mindre hjelpsomme og mer aggressive mot andre generelt, sa han. Det øker også sinne og tristhet, og langsiktig utstøtelse kan føre til fremmedgjøring, depresjon, hjelpeløshet og følelser av uverdighet.

Williams prøver å bedre forstå hvordan utstøtte personer kan tiltrekkes av ekstreme grupper og hva som kan være reaksjonene til utstøtte grupper.

Disse gruppene gir medlemmer en følelse av tilhørighet, egenverd og kontroll, men de kan gi næring til tranghet, radikalisme og intoleranse, og kanskje en tilbøyelighet til fiendtlighet og vold mot andre, sa han. Når en føler seg utstødt, føler de seg ute av kontroll, og aggressiv oppførsel er en måte å gjenopprette kontrollen på. Når disse individene kommer sammen i en gruppe, kan det ha negative konsekvenser. & Quot

Williams er professor ved Institutt for psykologiske vitenskaper i Purdue's College of Health and Human Sciences.

Forfatter: Amy Patterson Neubert, 765-494-9723, [email protected]

Kilde: Kipling D. Williams, 765-494-0845, [email protected]

Merknad til journalister: Journalister som er interessert i en kopi av tidsskriftartikkelen, kan kontakte Amy Patterson Neubert, Purdue News Service, på 765-494-9723, [email protected]

Ostrasisme: Konsekvenser og mestring

Kipling D. Williams og Steve A. Nida

Ostrasisme betyr å bli ignorert og ekskludert av en eller flere andre. Til tross for fravær av verbal unntak og fysisk overgrep, er utstøting smertefullt: Det truer psykologiske behov (tilhørighet, selvfølelse, kontroll og meningsfull eksistens), og det frigjør en rekke psykologiske, affektive, kognitive og atferdsmessige svar.Her gjennomgår vi den empiriske litteraturen om ostrasisme innenfor rammen av den tidsmessige behov-trussel-modellen.


Se videoen: Waarom behalen zo veel hoogbegaafden geen diploma? (Januar 2022).